ИИ против искусственной среды
Учитывая, что цель этого блога состоит в том, чтобы демистифицировать многие модные словечки об ИИ, которые мы слышим сегодня, а также демократизировать ИИ в повседневных приложениях, будет полезно предоставить яркие примеры того, как применять ИИ в нашей повседневной жизни, с некоторыми личными заметками от технического специалиста. перспектива. Аудитория предназначена для людей, которые хотят больше узнать о приложениях ИИ в искусственной среде или ИИ в более широком смысле, поэтому в этом блоге будет использоваться простой английский язык, насколько это возможно. Сказав это, для тех, кто хочет углубиться в технический аспект, я размещу технические скрипты на Github как норму практики.
Что такое обнаружение объекта?
В очень широком смысле использование ИИ заключается в применении повторяющегося прошлого опыта в аналогичных случаях в будущем. Подумайте, почему «опытным» «профессионалам» платят больше, чем новичкам, потому что у них больше «опыта», накопленного за счет столкновений с похожими сценариями в их трудовой жизни, то же самое и с машинным обучением ИИ. Одним из простых примеров в застроенной среде является надевание защитного шлема всякий раз, когда вы идете на строительную площадку. Очевидная причина безопасности труда. Итак, если «обученный» персонал может сказать, кто носит защитную каску на строительной площадке, как мы можем добиться того же с помощью машинного обучения?
Как определить, что кто-то носит защитный шлем?
Начнем с самых простых моментов: камера необходима для передачи графики того, что находится на горизонте, будь то неподвижные изображения или прямые трансляции с камер видеонаблюдения. Конечная точка также проста, будь то базовый ежедневный отчет по электронной почте о численности персонала в шлеме, ограничивающие прямоугольники наблюдения в прямом эфире или мобильные приложения с цифрами в реальном времени.
Основная хитрость заключается в том, как создать «количество» людей в шлеме. Обратите внимание, что здесь есть два ключевых слова: люди и шлем. Во-первых, мы скормим математическому алгоритму множество фотографий «людей», чтобы он «обучился» знать, как выглядят «люди» (или человек), поскольку очевидно, что шлем на полу не считается кем-то. в шлеме! Построение алгоритма распознавания «людей» с нуля требует больших вычислительных (и ресурсных) затрат, и существует множество хорошо обученных алгоритмов общего обнаружения «людей».
Вторая часть трюка — «шлем». Так как мы позаимствовали из легкодоступного алгоритма обнаружения «людей», мы бы аугментировали объект «шлем» поверх него, снова загрузив алгоритм большим количеством изображений «шлема» с разных ракурсов. Таким образом, это равносильно обучению неспециалиста тому, как выглядит «шлем».
Собрав вышеизложенное вместе, это базовый пример обнаружения объектов для «обучения» алгоритма машинного обучения тому, носит ли человек защитный шлем. Конечно, подобный метод можно применять и для обнаружения других объектов, если алгоритм достаточно хорошо обучен, чтобы улавливать внешний вид объекта.
Заключение
Итак, это первый пример применения машинного обучения в искусственно созданной среде в качестве инструмента, помогающего опытным профессионалам понять, соблюдает ли кто-то протокол безопасности труда, путем обучения алгоритма тому, чтобы он был опытным и профессиональный. Во второй половине этого примера мы более подробно рассмотрим технические аспекты со ссылкой на удивительный пример из Amazon Web Services (AWS): Безопасность сотрудников с AWS DeepLens и Amazon Rekognition.
