多年前 Amir Hever 開車進入一處政府機構，發現該機構的安全流程存在著巨大疏失。當他接近入口處，一名保全人員跪下來查看車底。
電腦視覺新創公司 UVeye 的執行長暨共同創辦人 Hever 說：「那名保全人員站起身時，我問他想找些什麼。保安人員坦誠回答說他在找有危險性的東西，但其實什麼都看不到。那時我覺得事情不太對勁。」
Hever 組織了一支團隊，開始研究這個問題及可能的解決辦法。他在2016年成立了 UVeye，打造出一套使用深度學習來彌補安全缺口的車底檢查系統。
總公司位於紐約的 UVeye，多數工作都集中在研究各種車輛底盤上，當然還要研究在道路上行駛數千英里後發生的變化。Hever 跟他的團隊明白辨識車輛底盤的異常情況其實有難度。
「我們不知道要找些什麼，底盤上的危險物品又沒有統一標準，加上通常也看不到威脅。」Hever說。
得拿到更多圖樣
UVeye 很快便明白只有汽車製造商提供的底盤圖一點都不夠，在車輛行駛數千英里後，底盤並不會像剛離開組裝線時那般完美。答案就是開發一種無監督學習演算法，才能找出威脅，不管這些危險物品藏的有多好，或是車輛底盤的狀況如何。
該公司租了數百輛條件各異的車輛，並掃描每輛車的底盤，生成 2D 平面圖像及 3D 立體模型。再將這些資料輸入到該公司的深度學習模型，繪製出所有零件的位置（分段），接著個別分析各段並找出其中的異常之處。
這使得 UVeye 能檢測出這些零件的任何變化或異常，或者是否有著 USB 隨身碟一般的小型異物；還能辨識出大塊的雪或泥是否看起來很自然，還是用來遮掩某些東西的偽裝。
UVeye 使用運行多具 NVIDIA GeForce GTX 1080 GPU 的工作站來訓練模型，後來改採用 Amazon Web Services 或 Microsoft Azure 上運行的雲端 GPU 來提升工作站的能力，或是加快訓練過程。
Hever 表示使用 GPU 及 CUDA 平行運算模型，大幅加快了該公司的訓練與開發流程，以及提升系統產生結果的能力。
UVeye 的第一個產品線能協助客戶自動掃描、檢測及辨識任何車輛底盤的異常、調整或異物。UVeye 已在全球三十多處安裝這套系統，將系統安裝在地面上，掃描通過上方的車輛，為驗證系統效果提供了豐富的測試資料。
Hever 表示：「我們的機器學習演算法可以在三秒鐘裡，檢測到任何行駛中車輛的異常情況。GPU 讓我們能做到這件事。」
檢查即服務
如今 UVeye 將為汽車業的檢測作業帶來革命性的改變。該公司系統的其它應用方式專注於安全上，國土安全意謂著這項技術有著龐大市場。
Hever說：「市場上需要一套能自動檢測車輛外部異常、變化及凹痕，還有追蹤長期變化的系統，這項商機十分龐大。」
UVeye 還利用其演算法來分析底盤以外的其它零件，並且從各側檢查車輛。
「UVeye 的360度系統可以檢測車輛是否出現漏油、磨損，以及各種機械問題或損壞情況。」Hever 說。
從車輛銷售和租賃，再到車隊管理和維護，Hever 見到 UVeye「檢測即服務」的模式有著無限商機，確保車輛安全可靠行駛。
Hever 說：「我們將改變人們及組織檢查車輛的方式。」