【你以為電腦裡那些檔案都是黃金?沒做好管理都是垃圾】
-人人必修七大數位檔案的管理技巧
#職人的高效能引擎打造 02
#商業思維學院幕僚課程心得 02
我認為未來職人,是以知識工作者身分為主,而作為知識工作者,除了腦中珍貴的知識經驗以外,還有電腦裡那些經年累月收集來、彙整出來的檔案。
原本那些檔案應該是黃金,是你知識變現的利器,但沒有做好管理,這些東西經年累月累積下來,只會變成垃圾,增加電腦運轉的負擔罷了。
要怎麼避免這樣的情況發生呢?很簡單,只要學會這七大數位檔案的管理技巧,資訊垃圾都能變黃金!
而這七大管理技巧,又可以分成兩個部分來談,分別是「四大基本原則」與「從用戶端到雲端三原則」。
▌數位管理四大原則:三的架構、字母符號排序命名、檔案命名有規則、善用捷徑
1、別以為檔案分類分得越仔細,資料越容易找到,檔案的層級,以三層為主,最多不超過五層。
雖然美國認知心理學家喬治米勒提出了「七加減二法則」認為人能瞬間掌握的資訊量是七項左右,有些人可以更多至九項左右,而覺得七項太多的人,可以減至五項,但如果可以,分類別太多層,有助於快速找到資料。
2、利用字母符號排序命名
電腦系統中,對於各種符號的排序順序如下:
特殊符號>數字>英文>中文
第一層命名可以透過人生領域的不同來做分類,例如我的分類可能會有-「正職工作」、「個人品牌」、「個人」,分別可以編為「A正職」、「B個人品牌」、「C個人」
至於第二層命名,則可以盡量透過「西元日期+任務名稱」來做命名,例如在「B個人品牌-B01 IG經營」內,可能會有「20210526 IG直播」。
3、檔案命名有固定規則,別看心情取
許多檔案命名都很看心情,意思是說除了他本人以外,沒人看得懂,例如「書籍內容整理」
看到這樣的檔名,內心應該會浮現以下問題-
是什麼書要整理?哪一天整理好的?已經整理好了嗎?用哪一國的語言整理的?
所以,檔案的命名,可以透過「日期+任務+版次+語言」來做命名
而值得注意的是,檔案名稱這邊的命名,指的是「完成檔案的時間」這樣的設計,方便我們一目了然知道檔案的順序。
而這邊可能會有個疑惑-「上一層的資料夾不就寫時間了?」
這裡的時間,是指任務發生的時間喔!
4、善用捷徑,別再四處複製新檔案了!
很多人的桌面非常精彩,檔案多到完全看不到桌面了....這樣有一個很大的問題是,當你要找檔案時,你一定會找很久!
所以這時候,「捷徑」就可以出場啦!所謂的「捷徑」其實就是從原本檔案「分生」一個入口,可以隨便你放在不管是桌面,或是任何需要重疊性資料的部分。
先來談談放在桌面,桌面放置檔案的原則,是放你最近真的很常用的資料夾「捷徑」為主,當你結束之後,再把桌面的捷徑刪掉就好,完全不必大費周章的把資料夾移來移去。
再來,如果你發現,在「B01 IG經營」與「B02 FB經營」內,有個檔案「20210526貼文」是重複出現的,你可以透過建立檔案的「捷徑」,來建立資料的「網狀系統」,只要動一份檔案,另外一份就會自動更新!
▌從用戶端到雲端三原則:善用索引、判別權限、活動通知
談完數位管理的四大原則後,我們的視角就要從用戶個人轉移至雲端囉!
而雲端有什麼樣的特性呢?分別是「協作」、「跨裝置」與「同步」,正式這三個特性,讓每個用戶可以透過雲端來協作,即使是疫情嚴重到不能出門的現在!
當然,協作的同時,也會有許多問題產生,例如「沒人懂你的資訊分類」、「資訊不同步」...
但別擔心,以上問題都可以解決!
關於「沒人懂你的資訊分類」,我們可以「善用索引」,我們可以做一張像是「專案管理看板」或者稱總表、清單、目錄...等的表單,讓大家一目了然所有大事記,並把相關檔案連結、重點摘要放上去!
而雲端協作有件事情可能要注意,就是「判別權限」,雲端硬碟的權限大小從上到小分別是-擁有者>編輯者>加註者>檢視者
每一個層次的權限都不一樣,要定期檢視權限授權狀況,把該開的權限開好,例如你的夥伴可能會因為你權限開太低(開成檢視者)沒有辦法協同合作;或是專案進行到一半,有人退出了,那麼也要收回他的權限!
而雲端協作常出現的「資訊不同步」狀況,也可以善用「活動通知」來解決!
我們只要開啟活動通知,就能隨時掌握成員們文件更新的狀況,減少等待、校正資訊等狀況,也能減少許多時間成本囉!
▌未來職人知識變現的基礎:做好數位檔案管理
以上七項檔案基本原則,是不是令人驚艷呢?除了土法煉鋼傻傻的做事,我們其實一開始就要設定好規則,一開始就對,才能事半功倍。
而這件事極其重要,也許會變成基本常識,因為就像我開頭所說的,未來職人會以知識工作者為主,知識變現前要先做好知識管理,而常常我們所認為的「知識」如果在一開始就沒有處理好,例如做菜時一開始沒有清洗、處理好食材,那等於白費工夫,因為我們會花很多時間在後續整理,那麼這樣也會影響我們的產出品質的。
所以未來職人們,知識變現前,先做好數位檔案管理吧,這可是你們的根基呢!
「雲端硬碟轉移擁有者」的推薦目錄:
- 關於雲端硬碟轉移擁有者 在 職涯成長駭客-Crystal Facebook 的最佳解答
- 關於雲端硬碟轉移擁有者 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
- 關於雲端硬碟轉移擁有者 在 動區動趨 BlockTempo - 由社群而生的區塊鏈媒體 - Media for Blockchain Facebook 的最佳解答
- 關於雲端硬碟轉移擁有者 在 Re: [詢問] Google Drive 變更擁有者- 看板Google - 批踢踢實業坊 的評價
- 關於雲端硬碟轉移擁有者 在 【Google Drive雲端硬碟】一次搞定!雲端硬碟檔案擁有權轉移 的評價
- 關於雲端硬碟轉移擁有者 在 google drive轉移擁有者-在PTT/MOBILE01上電腦組裝相關知識-2022 ... 的評價
- 關於雲端硬碟轉移擁有者 在 google drive轉移擁有者-在PTT/MOBILE01上電腦組裝相關知識-2022 ... 的評價
- 關於雲端硬碟轉移擁有者 在 Mobile01: 首頁 的評價
- 關於雲端硬碟轉移擁有者 在 2023 百度下載ptt永和 - herseyezamm.online 的評價
雲端硬碟轉移擁有者 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
迎接終端AI新時代:讓運算更靠近資料所在
作者 : Andrew Brown,Strategy Analytics
2021-03-03
資料/數據(data)成長的速度越來越快。據估計,人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長,現在我們也真正目睹物聯網(IoT)的成長,未來連網的裝置數量將遠遠超越地球的人口。
這包括種類繁多的不同裝置,像是智慧感測器與致動器,它們可以監控從震動、語音到視覺等所有的東西,以及幾乎大家可以想像到的所有東西。這些裝置無所不在,從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物,它們的數量將持續爆炸性成長。
資料爆量成長,讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質,在成本與資源效率、彈性與便利性有它的優點,但也有一些缺點。由於運算與儲存在遠端進行,來自終端、也就是那些在網路最邊緣裝置的資料,需要從起始點經過網際網路或其他網路,來到集中式的資料中心(例如雲端),然後在這裡處理與儲存,最後再傳回給用戶。
對於一些傳統的應用,這種方式雖然還可以接受,但越來越多的使用場景就是無法承受終端與雲端之間,資訊被接力傳遞產生的延遲。我們必須即時做出決策,網路延遲要越小越好。基於這些原因,開始有人轉向終端運算;越來越多人轉而使用智慧終端,而去中心化的程度也越來越高。此外,在這些即時應用中產生的龐大資料量,意味著處理與智慧必須在本地以分散的方式進行。
與資料成長連袂而來的,是人工智慧與機器學習(ML)也朝終端移動,並且越來越朝終端本身移動。大量來自真實世界的資訊,需要用ML的方式來進行詮釋與採取行動。透過AI與ML,是以最小的延遲分析影像、動作、影片或數量龐大的資料,唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作,在未來還將會直接在終端裝置上進行。
資料正在帶動從集中化到分散化的轉變
隨著資訊科技市場逐漸發展與成熟,網路的設計以及在其運作的所有裝置,也都跟著進化。全盛時期從服務數千個小型客戶端的主機,一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能,基礎架構持續重組與最佳化,以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存,以及資料處理的需求。
智慧型手機與其他行動裝置的爆炸性成長,加上物聯網的快速成長,促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素,包括網路的可用性、安全性、裝置的運算力,以及把資料從終端傳送到儲存設備的相關費用,近來也已轉向使用分散式的運算模型。
從邊緣到終端:AI與ML改變終端典範
在成本、資源效率、彈性與便利性等方面,雲端有它的優點,裝置數量的急遽增加(如圖2),將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的,這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸,而且從能源、頻寬與運算力角度來看,相當沒有效率。
在終端執行進階處理與分析的能力,可協助為關鍵應用降低延遲、減少對雲端的依賴,並且更好地管理物聯網產出的巨量資料。
終端AI:感測、推論與行動
在終端部署更多智慧的主要原因之一,是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方,可以更快與更準確地做出回應,同時免除不必要的資料傳輸、延遲與資料移動中的安全風險,可以節省費用。
處理能力與神經網路的重大進展,正協助帶動終端裝置的新能力,另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下,對近乎即時回應的需求。這是一個三道步驟的程序:傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作),以及採取行動(如物件是披薩,冰箱的壓縮機發出正常範圍外的聲音,因此發出警告)。
感測
處理器、微控制器與感測器產生的資料量相當龐大。例如,自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化,並且與以往相比,會搜集更多的資料。
它們搜集到的資料極具價值,但每次都從各個終端節點把資料推回給雲端,數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行,就可以大幅提升效率。
推論
終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時,就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜,機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作,這對體積越來越小的裝置,極為關鍵。
例如,圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具,訓練高效能的意法半導體(ST)微控制器(MCU),以轉換成最佳化的程式碼,讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像,而且準確度相當高,而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣,轉移到在終端運作的MCU本身。
行動
資料一旦完成感測與推論後,結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉),或針對應用情況進行最佳化(戴耳機的人正在移動中,因此會針對穩定度而非音質進行最佳化),或是回饋迴路(根據裝置訓練取得的機器學習,輸送帶若發出聲音,顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧,因為這些能力提升後,運算力也會因此增加。在我們使用新的機器學習工具後,一些之前在雲端或終端完成的關鍵功能,將可以移到終端本身的內部進行。
終端 AI:千里之行始於足下
從智慧型手機到車輛,今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務,從最簡單到最複雜,並需要各式各樣的能力。例如,應用處理器是高階處理器,它們是為行動運算、智慧型手機與伺服器設計;即時處理器是為例如硬碟控制、汽車動力傳動系統,與無線通訊的基頻控制使用的非常高效能的處理器,至於微控制器處理器的矽晶圓面積則小了許多,能源效率也高出很多,同時擁有特定的功能。
這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作,之前必須透過威力更強大的元件才能完成,但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能,例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。
隨著更多功能在較小型的終端進行,這將可以省下資源,包括資料傳輸費用與能源費用,同時也會產生極大的環境衝擊,特別是考量到全球目前已有超過200億台連網裝置,以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。
TinyML、MCU與人工智慧
根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示:「令人相當興奮的是,我還不知道我們將如何使用這些全新的裝置,特別是它們後面代表的科技是如此的吸引人,我無法想像那些即將出現的全新應用。」
微型機器學習(TinyML)的崛起,已經催化嵌入式系統與機器學習結合,而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型,過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型,耗電量只有數毫瓦。
物聯網環境中有數十億個微型裝置,可以為各個產業提供更多的洞察與效率,包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持,可望改變我們處理物聯網資料的方式。
受惠於TinyML,微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別),以及動作(例如震動、溫度波動等)。啟用這些功能後,準確度與安全性更高,但電池的續航力卻不會打折扣,同時也考量到各種更微妙的應用。
儘管之前提到的雲端神經網路框架工具,是取用這個公用程式最常用的方法,但把AI函式庫整合進MCU,然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式,然後從中建立模型,例如預測性維護能力。
如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU),利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性,讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要,原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。
AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能,我們可以把其精華歸納至我們簡稱為「3V」的三大領域:語音(Voice,如自然語言處理)、視覺(Vision,如影像處理)以及震動(Vibration,如處理來自多種感測器的資料,包括從加速計到溫度感測器,或是來自馬達的電氣訊號)。
終端智慧對「3V」至關重要
多數的物聯網應用聚焦在一些特定的領域:基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何?),以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。
Strategy Analytics的研究顯示,許多已經完成部署或將要部署的物聯網B2B應用,仍然只需要相對簡單的指令,如基本的開/關,以及對設備與環境狀態的監控。在消費性物聯網領域中,智慧音箱的語音控制AI已經出現爆炸性成長,成為智慧家庭指令的中樞,包括智慧插座、智慧照明、智慧攝影機、智慧門鈴,以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能,可以依據地點與環境,在音質優先與穩定度優先之間自動切換。
如同我們檢視的結果,終端AI可以在「3V」核心領域提供價值,而它觸及的許多物聯網領域,遍及B2B與B2C的應用:
震動:包含來自多種感測器資料的處理,從加速計感測器到溫度感測器,或來自馬達的電氣訊號。
視覺:影像與影片辨識;分析與識別靜止影像或影片內物件的能力。
語音:包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力,以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
垂直市場中有多種可以實作AI技術的使用場景:
震動
可以用來把智慧帶進MCU中的終端AI的進展,有各式各樣的不同應用領域,對於成本與物聯網裝置與應用的效用,都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域,包括:
溫度監控;
壓力監控;
溼度監控;
物理動作,包括滑倒與跌倒偵測;
物質檢測(漏水、瓦斯漏氣等) ;
磁通量(如鄰近感測器與流量監控) ;
感測器融合(見圖7);
電場變化。
一如我們將在使用場景單元中檢視的,這些能力有許多可以應用在各種被普遍部署的物聯網應用中。
語音
語音是進化的產物,也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令,也不令人意外;聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見,例如智慧音箱,而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞,如電視、遊戲主機與其他新的電器。
在工業環境中,供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因,有離線語音處理的需求,因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作,並從機器手冊與工廠文件,立即取用資訊。
語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統,進行大量投資。語音有潛力成為最安全的輸入模式,因為它可以讓駕駛的眼睛持續盯著道路,而雙手仍持續握著方向盤。
對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務,語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集,以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。
視覺
正如我們之前已經檢視過,終端 AI 提供視覺領域全新的機會,特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵,以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用,例如依據大小與品質為農產品分級。
曳引機裝上機器視覺攝影機後,我們幾乎可以即時檢測出雜草。雜草冒出後,AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草,並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用,並找出農地中仍具抗藥性的殘餘雜草。
使用場景
預測性維護工具已經從擷取與比較震動的量測資料,進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體,我們也可能做到遠端監控。
震動分析
這種類型的預測性維護在旋轉型機器密集的製造工廠裡,相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如,把震動計量器接上靠近選煤廠離心泵浦內部承軸處,就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動,可能顯示滾珠軸承出現鬆動,需要更換。
磁感測器融合
磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器,測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器,它與附近平面的磁鐵一起作動,與這個磁鐵相對應的感測器也會移動。
聲學分析(聲音)
與震動分析相似,聲測方位分析也是供潤滑技師使用,主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損,否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時,承軸會因為潤滑不足或錯位出現故障,可能造成整個生產流程的中斷。
聲學分析(超音波)
聲音聲學分析雖然可以用來進行主動與預測性維護,超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音,並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比,更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高,但終端 AI 的進展可以促成這種細微層級的聲學檢測,大幅降低部署的費用。
熱顯影
熱顯影利用紅外線影像來監控互動機器零件的溫度,讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置,可以長期檢測微細的變化。與其他對事故敏感的監視器一樣,它們會觸發排程系統,自動採取適當的行動來預防零件故障。
消費者與智慧家庭
將語音運用在消費者與智慧家庭,是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置,例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置,可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長,說明消費者對於可接收與提供語音互動等現有裝置的強勁需求,與日俱增。
消費者基於各種理由使用智慧音箱,最常見的使用場景為:
聽音樂;
控制如照明等智慧家庭裝置;
取得新聞與天氣預報的更新;
建立購物與待辦事項清單。
除了像智慧音箱與智慧電視等消費裝置,智慧家庭裝置語音的使用,也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購,它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器,裝置在偵測到煙霧或一氧化碳時,可以發出語音警告。
終端 AI 為強化這些能力提供了全新機會,而且常常結合震動(動作)、視覺與語音控制。例如,增加姿態辨識來控制例如電視等家電,或是把語音控制嵌入白色家電,即是以最低成本強化功能性最直接的方式。
健康照護
用來發現醫護資訊的 AI 驅動終端裝置的應用,將為病況的治療與診斷,提供更多的價值。這種資訊可能是資料,也可能是影像、影片以及說出的話,我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法,為整個產業節省成本。受惠於終端 AI 的進展,像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作,也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用,也可以把 AI 用在第一線的病人診斷,然後再由醫師接手提供諮詢。
其他健康照護實例包括像 Wewalk5 等物件,這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件,並搭配 Google Maps 與 Amazon Alexa 等 app,方便使用者提出問題。
結論
由於連網的終端裝置數量越來越多,這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個,而微控制器的數量也超過 2,500 億,每年還會增加約 300 億個。越來越多的程序開始進行自動化,不過,把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用,意味著許多全新、令人興奮且引人矚目的物聯網使用場景,可能無法開花結果。
解決這些挑戰的答案,並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助,但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。
儘管為終端裝置增添先進的運算能力在十年前仍不可行,TinyML 技術近來的提升,已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力,可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升,在源頭掌握情境化與具關聯性的資料,具有極大的價值,並將開啟全新的使用場景與營收機會。
終端裝置的機器學習,可以促成全新的終端 AI 世界。新的應用場景正在崛起,甚至跳過傳送大量資料的需求,因而紓解資料傳輸的瓶頸與延遲,並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界,其中還有很多我們現在想像不到的機會。
附圖:圖1:從集中式到分散式運算的轉變。
(資料來源:《The End of Cloud Computing》,by Peter Levine,Andreessen Horowitz)
圖2:全球上網裝置安裝量。
(資料來源:Strategy Analytics)
圖3:深度學習流程。
圖4:MCU的視覺、震動與語音。
(資料來源:意法半導體)
圖5:AI 工具集執行模型轉換,以便在MCU上執行經最佳化的神經網路推論。
(資料來源:意法半導體)
圖6:物聯網企業對企業應用的使用-目前與未來。
(資料來源:Strategy Analytics)
圖7:促成情境感知的感測器融合。
(資料來源:恩智浦半導體)
資料來源:https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI
雲端硬碟轉移擁有者 在 動區動趨 BlockTempo - 由社群而生的區塊鏈媒體 - Media for Blockchain Facebook 的最佳解答
#數據隱私 #去中心化儲存 #IPFS
【Web 3.0 探討|從3.5寸磁碟片到 Arweave Filecoin:數據主導權的歷史變遷】
// 當年那場軍備競賽,平台給出少則 2T,多則 16T 的免費空間,已經基本能滿足需求,用戶付費的意願並不強烈。免費模式下,服務商「不堪重負」停服,用戶無話可說,只能轉移陣地
除了雲端硬碟服務商,掌握了海量用戶數據的社交應用,同樣擁有無上支配權......//
-
★同場加映
❶ 武漢肺炎|吹哨人李文亮醫生今晨逝世,以太坊區塊鏈「立起紀念碑文」永遠留存鏈上
👉https://pse.is/TFL7U
❷新手必讀|如何保護你的數位資產?個人的安全觀念與習慣養成
👉https://pse.is/SQZHV
-
✅ 即時新聞跟活動消息鎖定 #動區Telegram
https://t.me/blocktemponews
✅訂閱 #LINE 每日新聞精選:
https://line.me/R/ti/p/%40kgx9780p
✅加入 #facebook 社群 和我們一起討論學習區塊鏈:
https://www.facebook.com/groups/BlockTempo
雲端硬碟轉移擁有者 在 【Google Drive雲端硬碟】一次搞定!雲端硬碟檔案擁有權轉移 的推薦與評價
企業最怕員工離職之後,原本存在 雲端硬碟 (Google Drive)的資料要怎麼一次全部把 擁有 權轉給其他人呢?好像很麻煩... 但如果是使用Google Workspace(舊 ... ... <看更多>
雲端硬碟轉移擁有者 在 google drive轉移擁有者-在PTT/MOBILE01上電腦組裝相關知識-2022 ... 的推薦與評價
2022google drive轉移擁有者討論推薦,在PTT/MOBILE01上電腦筆電評比開箱,找兩個google drive帳號間移動檔案,共用雲端硬碟容量算誰的,google教育帳號轉移在Facebook社 ... ... <看更多>
雲端硬碟轉移擁有者 在 Re: [詢問] Google Drive 變更擁有者- 看板Google - 批踢踢實業坊 的推薦與評價
※ 引述《DRLai (蘇打)》之銘言:
: 由 A 開共用資料夾給 B,C (有編輯權限)
: 接著 B,C 分別上傳自己的照片
: 目錄結構如下
: (括號內表示擁有者)
: 共用資料夾(A)
: + PhotoB (B)
: +- 1.jpg (B)
: +- 2.jpg (B)
: + PhotoC (C)
: +- A.jpg (C)
: +- B.jpg (C)
: 由於資料眾多,希望能將檔案擁有者全部轉移給 A
2016/6/4更新最佳解!
詳情請下拉看Taiwaner大的推文(我有特別用分隔線區隔出來)
---
剛進行了一些細節的測試
把重點整理一下提供給原PO以及有需要的人參考
1.原本誰上傳就吃誰的空間,之後不管共用如何設定移動都不會改變
2."新增至我的雲端硬碟"只是子標籤(方便不同使用者分類管理)而不是複製功能
若擁有者的母資料夾被刪除,所有非擁有者的子資料夾都會一起消失
3.建立副本才是複製,此時就是吃建立者的空間
(建立副本可以在雲端直接迅速完成,所以絕對不要幹傻事重新下載上傳)
所以要做到原PO的需求,
首先A那邊要重新建立新的資料夾,
接著A開啟原本B跟C的共用檔案圈選後"建立副本",
再把"副本"移到新資料夾、重新設定新資料夾的共用權限給B或C,
這樣新的副本就會吃A的空間,就能回頭去把B與C的空間清出來
(刪除後檔案還會留在垃圾桶,空間不會直接清出來,
到垃圾桶永久刪除後才會把空間還給你)
另外,在測試過程中還有發現一個細節(感覺上有點算bug...)
這個原PO就不需理會,有空再看看當參考(可能會有人碰到類似的情況)
如果B是原本上傳擁有者,把擁有者權限移轉給A之後
那麼母資料夾的權限會認給A(但空間還是吃B的)
B刪除資料夾A還是看得到,若是A刪除資料夾就會一起消失
(以上這個部分符合母資料夾的設定概念)
但就算A這個新擁有者把母資料夾刪除,B那邊看也一起消失了
B的空間卻還是被原本的檔案給佔住,而且雙方的垃圾桶都看不到
(這就是為什麼我說感覺上有點算bug...XD)
此時,原上傳者B要到 搜尋雲端硬碟>更多搜尋工具>搜尋 就能找到,
把他找出來刪掉之後才會出現到垃圾桶,再到垃圾桶刪除才能把空間清出來XD
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.168.70.248
※ 文章網址: https://www.ptt.cc/bbs/Google/M.1464743135.A.B5E.html
※ 編輯: DemonElf (1.168.70.248), 06/01/2016 09:26:14
... <看更多>