При разработке платформы мы получили множество запросов от потенциальных клиентов о дополнительных услугах искусственного интеллекта, поэтому мы пришли к выводу, что наш искусственный интеллект может быть полезен за пределами платформы.

Понимая, что технологический стартап всегда должен быть на переднем крае технологий, мы решили создать собственный отдел искусственного интеллекта на основе существующих решений, чтобы обеспечить технологическую конкуренцию AdHive, а также повысить спрос на AdHive. услуги. Все платежи за такие услуги будут производиться в ADH .

Учитывая, что большинство стартапов в области ИИ приобретается такими огромными корпорациями, как Amazon и Google, AdHive станет одним из немногих независимых поставщиков ИИ. Мы считаем, что такая диверсификация бизнеса повысит узнаваемость бренда и укрепит позиции AdHive.

Отдел AI будет заниматься следующими направлениями:

  • Распознавание предметов на видео и фото;
  • Распознавание речи;
  • Распознавание мелодий;
  • Распознавание действий в видеороликах;
  • Инструменты для создания нейронных сетей и наборов данных ML;
  • Нейронные сети с дополненной памятью (нейронные сети, дополненные памятью);
  • Услуги по хранению и распространению данных обучения;
  • Платформы для объединения разных алгоритмов машинного обучения в одну экосистему = вычислительная среда.

Что мы создали на данный момент:

Кластер ИИ

Чтобы предоставить промышленное решение для анализа больших данных фото, аудио и видео контента без потери данных с помощью ИИ, AdHive разработала и создала программную архитектуру под названием AI Cluster.

Кластер AI предоставляет возможность масштабировать экосистему анализа до неограниченного количества серверов.

Smart SDK

Смарт является блоком самого нижнего уровня этой системы. Он сочетает в себе различные алгоритмы распознавания видео и звука с использованием свертки и рекуррентных нейронных сетей. Блок Smart состоит из основной управляющей программы и модулей, выполняемых как динамически загружаемые библиотеки.

Модуль = алгоритм

Каждый модуль имеет собственный файл конфигурации и оснащен стандартным интерфейсом. Таким образом, нет необходимости вносить изменения в сам Smart, чтобы изменить или создать новый модуль.

Модули добавляются непосредственно в файл управления. Модули в Smart - это алгоритмы для обработки видео, аудио или текстовых данных. Каждый отдельный модуль представляет собой динамически загружаемую библиотеку со стандартным интерфейсом.

Платформа вычислений v 1.0

Структура систем искусственного интеллекта должна быть самой разной в зависимости от решаемых задач. Чтобы упростить создание сложных систем ИИ для прогнозирования и классификации, мы разработали программное решение в виде Computation Framework.

Фреймворк выполняет 2 важные функции :

1. Комбинация: объединяет различные модули машинного обучения, а также вспомогательные модули в единую экосистему.

2. Интеграция: обеспечивает интеграцию входных и выходных данных с бизнес-форматами. Используя AdHive Computation Framework, разработчики ИИ могут комбинировать различные алгоритмы машинного обучения, такие как нейронные сети и т. Д., Создавая, таким образом, свои собственные конструкции из различных компонентов.

TrainTool v 1.0

TrainTool - это инструмент для быстрого упорядочивания наборов данных для модулей ML.

Преимущества TrainTool:

  • Обеспечение высокого уровня независимости от поставщика услуг распознавания - обучайте самостоятельно;
  • Создание дополнительных наборов данных из входных данных;
  • Автоматическая добыча данных из Интернета через URL-адрес;
  • Сбор данных из пользовательских сообществ;
  • Оптимизированная и удобная разработка;
  • Обмен навыками с другими модулями через облако;
  • Обучение нейронных сетей для машинного зрения;
  • Обучение нейронных сетей распознаванию речи;
  • Обучающие классификаторы для Computing Framework;
  • Проверка результатов тренировок и статистики.

Что впереди в этом году:

AI Mobile SDK

SDK для смартфонов предназначен для обеспечения всех функций искусственного интеллекта для пользователей мобильных телефонов. Это встроенная библиотека для анализа видео, аудио и фото материалов.

Его также можно использовать для разработки Android-приложений с элементами функциональности AI.

Mobile Sdk версии 1:

Конфигурация одного из смарт-модулей (особый алгоритм распознавания видео, аудио или фотографий) и его использование в приложении.

Mobile Sdk версии 2:

Конфигурация нескольких интеллектуальных модулей, их настройка и оркестровка через Computation Framework, переносимую на Android.

AI Mobile SDK также предоставляет механизм интеграции с Cloud Knowledge Base для обеспечения доступа к обучающим данным.

База знаний Cloud

База знаний Cloud - это программное решение для обучения обновлению данных через сетевые протоколы и Интернет. Такие данные состоят из обученных нейронных сетей и классификаторов, а также файлов конфигурации.

База знаний Cloud предоставляет изученные наборы данных для пользователей модулей AI и SDK. Эти наборы данных используются при анализе данных видео, аудио и фотографий.

Пользователь также может выбрать, какие данные ему нужны, с помощью классификатора алгоритмов и тем для оптимизации скорости и хранения.

Также пользователь может получать уведомления (по подписке) для разных обучающих сегментов. Пользователи могут делать это на мобильных устройствах или настраивая интеграцию промышленного решения.

Эта концепция дает возможность отделить услуги AI-обучения от потребителей и предоставить механизм удобной трансляции обучающих данных для массовых потребителей или создать простой механизм развертывания для компаний.

Дорожная карта отдела ИИ

Кластер AI:

2018 — Q2:

  • Распознавание многослойных звуков;
  • Экосистема микросервисов;
  • Инструменты мониторинга.

2018 — Q3:

  • Административный интерфейс;
  • Инструменты для установки.

2018 — Q4:

  • Функция интеллектуального майнинга для нескольких пользователей.

Smart SDK:

2018 — Q2:

  • Распознавание музыки.

2018 — Q3:

  • Контурный анализ + сегментация;
  • Поддержка нескольких типов графических процессоров.

2018 — Q4:

  • Возможности дополнения реальности;
  • Поддержка нескольких типов графических процессоров.

Traintool:

2018 — Q2:

  • Формирование наборов данных для распознавания речи;
  • Интеграция с нейронными сетями, запуск и просмотр статистики;
  • Выборка классификаторов, загруженных в csv и другие форматы;
  • Экспорт обученных матриц;
  • Повышена скорость обучения до 20 новых предметов в день;

2018 — Q3:

  • Разметка фотографий (квадраты, контуры);
  • Классификаторы машинного обучения и интеграция в вычислительную платформу;
  • Конфигурация слоев и модулей Computing Framework;
  • Конфигурация облака знаний;
  • Сбор и классификация данных от пользователей сообщества;
  • Выставление счетов за обучение;
  • Инструменты обучения темпоральному классификатору.

2018 — Q4:

  • Средства обучения классификатора позиций;
  • Инструменты для обучения нейронных сетей с расширенной памятью.

AI Mobile SDK:

2018 — Q2:

  • Тестовая версия нейронных сетей для распознавания фотографий в Android.

2018 — Q3:

  • Mobile Sdk для распознавания и определения местоположения объектов на фото и видео (потоках).

2018 — Q4:

  • Возможности дополнения реальности;
  • Контурный анализ и сегментация;
  • Интеграция вычислительной платформы.

Платформа вычислений:

2018 — Q3:

  • Временные классификаторы;
  • Распознавание действий.

2018 — Q4:

  • Классификаторы позиций;
  • Запуск разработки нейронных сетей с расширенной памятью.

Облако знаний:

2018 — Q3:

  • Внедрение Knowledge Cloud версии 0.8;
  • Импорт данных из Облака через мобильные устройства и с сервера через Облако Знаний;
  • Экспорт данных на серверы кластера.

2018 — Q4:

  • Версионирование наборов данных;
  • Классификатор наборов данных;
  • Платежная система за данные, полученные от пользователей.

Наша цель

Мы стремимся предоставить малому и среднему бизнесу эффективные инструменты искусственного интеллекта и сделать его более доступным и легко интегрируемым по сравнению с современными дорогими тяжелыми решениями искусственного интеллекта, доступными на рынке. Первым реальным потребителем таких инструментов является платформа AdHive, но помимо нее уже есть большой интерес к нашим решениям со стороны:

  • наши партнеры
  • обычные люди, которые находят нас в Интернете
  • другие блокчейн-проекты
  • основные производители мобильных устройств

AdHive собирается проводить встречи и конференции и принимать участие в них, на которых мы представим наши решения на основе искусственного интеллекта и объясним предприятиям, как они могут легко их интегрировать и использовать. Ввиду вышеизложенного очевидно, что одна из наших основных целей - сделать наши технологии удобными для пользователя, чтобы каждый мог настроить SDK, освоить Train Tool или установить AI Cluster в своем офисе и подключиться к глобальным данным AI. сеть для майнинга и Cloud Knwoledge Base.

Официальные ссылки:

AdHive. Tv

Платформа AdHive

Твиттер

"Телеграмма"

GitHub

Список ссылок:

Обнаружение объекта

Более быстрый R-CNN https://arxiv.org/pdf/1506.01497.pdf
Быстрый R-CNN http://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper. pdf
R-CNN https://people.eecs.berkeley.edu/~rbg/papers/r-cnn-cvpr.pdf

Распознавание действий в видео

Http://www.cs.stanford.edu/~amirz/index_files/Springer2015_action_chapter.pdf
http://www.vision.eecs.ucf.edu/papers/cvpr2009/cvpr2009_liu1.pdf < br /> http://vision.eecs.ucf.edu/data/UCF50_files/MVAP_UCF50.pdf
http://cbcl.mit.edu/cbcl/publications/ps/Kuehne_etal_iccv11.pdf < br /> https://www.robots.ox.ac.uk/~vgg/rg/papers/videoDarwin.pdf
http://graphics.cs.cmu.edu/people/efros/ исследование / действие /
http://www.di.ens.fr/~laptev/actions/
http://www.cs.cmu.edu/~kkitani/pdf/ YKS-CVPR16.pdf
https://www.cs.cmu.edu/~saada/Publications/TPAMI_KinematicFeatures.pdf
https://arxiv.org/pdf/1412.0767v4. pdf
https://github.com/facebook/C3D

Иерархическая временная память

Http://numenta.com/assets/pdf/whitepapers/hierarchical-temporal-memory-cortical-learning-algorithm-0.2.1-ru.pdf
http://www.scielo.org. za / scielo.php? script = sci_arttext & pid = S0038-23532009000500014
http://www.academicjournals.org/article/article1380893394_Perea%20et%20al.pdf

Обнаружение края

Http://docs.opencv.org/2.4/doc/tutorials/imgproc/imgtrans/canny_detector/canny_detector.html
http://hlevkin.com/articles/SobelScharrGradients5x5.pdf
Http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/MORSE/threshold.pdf
http://www.bioss.ac.uk/people/chris/ch5. pdf
http://gfx.cs.princeton.edu/proj/sg05lines/course7-7-algorithms.pdf

LSTM

Http://colah.github.io/posts/2015-08-Understanding-LSTMs/
http://datareview.info/article/znakomstvo-s-arhitekturoy-lstm-setey/ есть
«Https://deeplearning4j.org/lstm

Нейронная сеть с расширенной памятью

Https://arxiv.org/abs/1802.00938
http://proceedings.mlr.press/v48/santoro16.pdf
https://www.politesi.polimi.it /bitstream/10589/135880/3/2017_10_Martinolli.pdf