今日產業界當紅的一類工程師即是Edge AI工程師，他們特別關注邊緣運算（Edge Computing）與人工智慧（AI）兩大熱門技術議題，最想了解和掌握的是：如何在自己的產業領域快速導入兩大技術，提升在市場上的競爭優勢？

目前 AI 技術已經被廣泛應用，何謂聰明的 AI ？適應性 AI 目前已被指出為 AI 發展的一項重要趨勢，不論是交通、工廠、醫療或零售等各個領域，都必須設置多個終端設備進行協同合作，使得智慧應用的運作環境複雜且多變的特性，Edge AI 工程師將被迫面對資料分佈偏移的問題，必須建立具彈性、好維護的AIoT系統。

目前 AI 技術中的Transfer Learning（遷移學習），已被廣泛地利用，但僅止於提升訓練模型的收斂速度；相較之下，遷移學習的進階應用  – Domain Adaptation（領域自適應），不僅讓 AI 模組可以進一步適應資料分布的偏移，更衍伸出了少樣本學習（Few-shot Learning）與零樣本學習（Zero-shot Learning）等技術。

在本課程中，陳紀翰老師將帶領大家認識AIoT邊緣運算架構的Transfer Learning部署策略，並剖析Transfer Learning中對AIoT系統開發很重要的Domain Adaptation（領域自適應）技術，並將以他實際執行過的案例來印證此技術的應用性與重要性，最後則將更大家介紹更有彈性的零樣本學習技術現況。

【課程單元】

單元一  當前Edge AI的開發挑戰

在本單元中，陳老師將說明今日AI與邊緣運算（Edge Computing)之間的依存關係與挑戰，並進一步剖析當AI要落實應用在產業各領域時，如何架構最有彈性的AIoT邊緣運算架構。

AIoT邊緣運算架構與挑戰

單元二  Transfer Learning實際案例探討

本單元將探討陳紀翰老師帶領團隊如何面對「電腦視覺輔助脊椎診斷」這個AI醫療議題的技術挑戰，包括現有資料集難以標注駝背、枕骨前傾、骨盆前傾、脊椎側彎、腰水平等姿態的困難，以及解決之道。

脊神經醫學現有技術的限制：駝背、枕骨前傾、骨盆前傾、脊椎側彎、腰水平。

單元三  更聰明的技術：Domain Adaptation

此單元將說明不同的領域需求應選擇的AI技術，特別是遷移學習的進階應用  – Domain Adaptation（領域自適應），當環境或任務改變時，它能透過找出共通的特徵空間來進行關聯，讓物件辨識上有更高度的適應能力。

如何建置Domain Adaption AIoT系統

單元四  再更聰明的下一步：Zero-shot Learning

如果我們沒有資料的時候，要如何用Domain Adaptation提到的Align方式，去做更進一步的訓練呢？陳老師將在這單元中介紹一種更聰明的技術：Semantic Embedding，也就是將圖像和文字Align在一起，進一步可做到不需標注即可訓練出模型，進而省下大量的標注人力與費用，這正是相當值得關注的Zero-shot Learning新發展。

從Transfer Learning到Domain Adaptation，再到Zero-shot Learning的技術發展。