近年来AI结合IoT的创新应用不仅变革新时代，更加速产业转型。究竟如何才能帮助开发者、资料科学家快速开发AI解决方案，让AI应用落地实现? 想知道如何快速建立准确的AI模型? 又能有效进行训练与部署吗? 《WISE吧》第7集揭密模型开发四阶段，让AIoT解决方案落地，突破真实场景问题！（1-6集可文末“阅读原文”回顾~）

Hello大家好！欢迎收看今天的WISE吧！我是研华WISE-PaaS数据科学家Michael，今天要来跟大家分享AIoT解决方案的开发秘籍！

在这个人工智慧应用爆发的时代，通过物联网连接大量的装置，能为使用者带来不同的服务。因此很多云平台都不断推出AIoT开发工具，也希望能帮助数据科学家加速开发。

举例来说：

第一，在模型开发阶段，会需要连接很多不同的数据库，来取得模型的训练数据、或是在线的即时数据。这时如果有方便快捷可连接数据库的工具，就能让数据提取更加快速喔！另外很多云平台也提供现成的预建AI模型（Pre-built AI models），像是AOI图像辨识、PHM预兆诊断、或是PQA数值型质量预测模型，都能让您更快打造解决方案。

第二，在模型优化阶段，在工业情境常遇到一机一模型的问题，针对不同机台需要分别建模，来提升模型的准确度。那要如何进行多模型的训练与部署，这往往是解决方案能否落地的关键！另外，超参数（hyperparameter）调试常常需要耗费大量的时间，如果有AutoML或是超参数优化的工具，能为您省下不少的开发时间。

第三，模型部署阶段，在AI模型完成后，就要部署到客户的现场。这时要选择云端部署，还是边缘端部署呢？关键在于模型推理所需要的稳定度与即时性，也取决于您使用的是外部的公有云、还是内部的私有云。如果需要比较高的即时性，就需要使用边缘端推理来增加稳定度。如果云平台还能支持模型的绩效管理与在线更新，就更能掌握每个AI模型的绩效表现哦！

第四，在模型再训练阶段，如果部署后的准确度不佳，就需要进行模型再训练。透过新的数据来提升数据多样性、或是找出模型准确度不佳的样本数据，就有机会让准确度更加提升。

如果遇到在线模型准确度下降，可以尝试不同的算法、或建立更大的数据库来进行再训练。您也可以找研华WISE-PaaS的数据科学家团队讨论，更快让您的AIoT解决方案落地，突破真实的场域问题哦。

以上是今天的WISE吧分享，希望你会喜欢，也请大家持续收看我们的WISE吧!