你是否曾有過尖峰時間想找餐廳吃飯，但需要事先一一打電話確認是否有空位？在商場想上廁所，卻發現廁所排隊人潮眾多？抱著決心去健身房運動到現場後卻發現人潮過多需要排隊使用器材？為解決此類空間資訊不對稱的狀況，日本新創公司VACAN因此誕生。

【服務說明】

VACAN為日本的AI/ IoT空位管理公司，致力於空間的有效運用，透過建立「空位地圖」讓消費者可以在一秒內就獲取空位狀況，可即時查詢附近店家/設施的「空位」和「擁擠程度」，不再需要到現場或致電詢問才能了解商家的人潮狀況。消費者因而能有效率地安排後續行程的地點與時間，店家亦可節省管理店內座位、接聽電話的時間。

應用場所介紹：

公共場所：

1.餐廳/酒吧/咖啡廳：空位資訊可透過店內攝影機/感測器或店員人工選擇按鈕(有空位/略為擁擠/客滿)方式蒐集，透過VACAN空位地圖，顧客可點擊「有空位」、「略顯擁擠」的圖釘，即時查詢附近有空位的店家資訊(菜單、優惠券)，並提供「保留10分鐘」的即時預約服務和「收藏」功能(欲使用預約與收藏功能需事先註冊) 。對顧客而言，不再需要透過到現場/打電話的方式尋找有空位的餐廳，可更有效率查找餐廳；對店家而言，可以省去接電話的時間，同時可透過空位地圖增加曝光度、消費者考慮度。

2.洗手間：近鐵奈良站、南海電鐵難波站透過VACAN提供各樓層的廁所使用狀況及平面地圖，引導旅客前往有空位的廁所，不但減少旅客的排隊時間，同時可讓資源更平均地被使用。

私人場所：

1.旅館/溫泉

(1)在飯店櫃臺、健身房、餐廳、澡堂等處安裝感測設備，高精度檢測人員進出狀況，以判斷擁擠程度，讓房客可在房間、大廳就可以先知道設施的即時人潮情況，再決定是否前往使用。可以有效避開尖峰時間，增加顧客的體驗滿意度。

(2)受到Covid-19疫情影響，溫泉業者(下部溫泉村)開始調整浴場的服務，包含減少更衣籃的配置、限制使用人數、限制少用時間、關閉公共設施等，以避免人潮聚集的情況，但這些限制也間接影響旅客的舒適度與享受程度，可能因而造成負面體驗。因此考慮應對措施時，該公司選擇導入VACAN，讓旅客可以通過即時空間資訊來選擇自己當下要做的事，能夠自然地分散旅客，而不必派人負責疏散，對旅客與業者來說是雙贏局面。

2.洗手間

(1)日本公司(內外化學製造品株式會社)近期女性員工數迅速增加，對廁所環境的需求也隨之上升。然因場地限制，無法增設廁所空間，故該公司導入VACAN系統，大幅減少員工在廁所等待的時間，也因此提升員工的滿意度。

3.廢棄物處理廠

(1)川崎廢棄物處理廠每天會有許多搬運車進出卸下廢棄物，但由於搬運司機無法提前掌握其他搬運車的時間動向，故時常發生必須排隊等候卸下廢棄物的情況，造成搬運司機時間的浪費，也無法有效率的裝載廢棄物。經由導入VACAN 技術，司機可透過手機查看即時的排隊狀況，選擇在隊伍較短的時候前往卸載。

【應用效益評析】

VACAN地圖服務範圍已遍及日本各大城市，截至2020年12月2日，地圖已有超過2000個店家，目標2021上半年導入超過5000個地點。近期已往上海、臺灣擴展。

顧客端：

1.不再需要透過打電話或到現場才能得知空位資訊，可減少通話、排隊的時間。

2.透過空間地圖，可快速得知鎖定範圍內各場所空間擁擠程度，可更有效率地做決策。

3.查找餐飲場所時可即時預約。

商家經營端：

1.可減少電話接聽、現場人潮分流與管控所需之人力與時間成本。

2.尖峰時刻不需再手忙腳亂，顧客可自行在手機上確認需等候時間，提升顧客體驗。

3.透過在VACAN空間地圖上曝光，有望增加消費者考慮度、提升來客數。

資料來源：

1.日本Vacan官網：https://corp.vacan.com/

2.台灣Vacan官網：https://tw.vacan.com/

3.kongtantech：https://www.kongtantech.cn/

4.Vacan Youtube：https://youtu.be/xvIGJI91Jns

5.台灣新聞聯播網：https://twnewshub.com/archives/11210

6.Yourator 採訪：https://www.yourator.co/articles/118

【監督式學習與非監督式學習】

傳統的機器學習方式，主要可分為監督式學習與非監督式學習。監督式學習透過大量的人工標記樣本進行模型訓練，透過模型所預測的數據與真實情況所產生的誤差進行模型調整，透過不斷地學習，達到可以處理新樣本資料的能力。至於非監督式學習則無須任何標記樣本，主要透過樣本之間特性找到樣本之間的關係進行學習。由此可知，監督式學習與非監督式學習最主要的差別在於是否需要透過人工標記樣本進行訓練。然而，在實務應用上，雖然監督式學習有著良好的效果，但往往需要花費大量人力與時間成本進行訓練樣本標記。而非監督式學習雖然無須任何標記樣本，然而在許多應用上效果不彰問題使得無監督式學習的應用領域十分受限。為了平衡監督式學習與非監督式學習的優缺點，近期所提出的「自監督式學習」逐漸成為機器學習的主流。

【自監督式學習】

近期所提出的自監督式學習可在監督式學習與非監督式學習中取得一個較為折衷的作法。自監督式學習主要概念為，利用輔助任務由大量無標記的樣本中自動取得樣本存在的標記資訊，產生標記樣本，再透過自動產生的標註樣本進行監督式學習，以學習到對於後續目標任務有價值的特徵訊息，這樣的過程通常被稱為「預訓練（Pretrain）」，預訓練得到的模型則稱為「預訓練模型」。有了預訓練模型後，對於目標任務僅需要少量標記樣本，對於預訓練模型進行「微調（Fine-tune）」即可。自監督式學習所需要遠少於監督式學習的標記樣本，即可達到接近監督式學習的效果。自監督學習已經在自然語言處理的相關應用上取得很好的成效。基於自監督式學習，由Google所提出的「基於變換器的雙向編碼器表示技術（Bidirectional Encoder Representations from Transformers，BERT），俗稱「BERT預訓練模型」大大地推進了自然語言處理的進程。由於BERT預訓練模型可以大量降低微調時所需的標記樣本數量及訓練所需的時間，目前主要的自然語言處理方法植基在BERT預訓練模型上實現。BERT預訓練模型在自然語言處理領域取得重大成果後，各領域深度學習研究學者也逐漸把目光放在將BERT轉移至各種深度學習領域應用，如影像處理等。

【BERT於影像處理】

由於BERT預訓練模型在自然語言處理上取得傑出的成果，也逐漸被應用至不同領域。其中近期OpenAI 提出一套將BERT預訓練模型應用在影像處理領域的方法，是一個十分成功的案例。基於遷移學習（Transfer Learning）概念，該方法是透過「二次預訓練（Second Pass Pretrain）」方式實現。如圖1所示，將已經預訓練完成的BERT模型透過「遮罩語言模型（Masked Language Model）」進行二次預訓練的輔助任務，像素（Pixel）向量中部BERT模型將會具有影像特徵擷取的能力。經過二次預訓練完後的BERT模型，將可以應用於支援影像處理的目標任務，僅需要透過部分標記後的影像資料進行微調即可。目前OpenAI已經將二次預訓練完後的BERT模型成功應用在影像辨識的目標任務上。根據OpenAI的實驗，透過針對四個影像辨識資料集（CIAR-10、CIFAR-100、STL-10、ImageNET）進行測試，實驗結果顯示，BERT預訓練模型在影像辨識的效能上，略勝知名影像監督式學習模型ResNET以及知名影像自監督式模型SimCLR。由實驗結果可知，將BERT應用至影像處理是個可行的方法，目前也正嘗試將BERT預訓練模型應用在其他的影像處理的目標任務上。

【結語】

BERT預訓練模型已經成功被應用至處理影像處理的議題上，證明著自監督學習對於不同領域應用有著強大的泛用性。因此也預期未來將會有更多BERT預訓練模型應用不同影像處理的目標任務被提出，甚至應用至語音處理等各種的人工智慧學習領域。同時，由於自監督學習的發展，除了大量的降低訓練時的標記樣本與時間成本，自監督學習強大的泛用性也是重要的優勢。可以預期，自監督學習將會在未來人工智慧發展扮演舉足輕重的角色。

資料來源：

1.https://blog.csdn.net/sdu_hao/article/details/104515917

2.https://zh.wikipedia.org/wiki/BERT

3.https://openai.com/blog/image-gpt/