Хосе Игнасио Орландо, доктор философии — эксперт по ML/AI @ Arionkoder — и Николас Морейра — руководитель инженерного отдела @ Arionkoder-.
Этот пост является продолжением статьи Как применить классификацию изображений на основе ИИ к вашему бизнесу? Полное руководство. Найди здесь.
В предыдущем посте мы кратко описали некоторые приложения, которые могут извлечь выгоду из автоматической классификации изображений с помощью компьютерного зрения на основе ИИ. Сегодня мы расскажем, как мы работаем с этими проектами в Arionkoder, чтобы предложить быстрые и точные решения для вашего бизнеса.
В нашем посте на прошлой неделе мы рассмотрели некоторые из фундаментальных аспектов классификации изображений — задачи, которую можно легко автоматизировать с помощью моделей компьютерного зрения, обученных с помощью машинного обучения. В частности, мы уделяем особое внимание тому, какие области и предприятия могут извлечь выгоду из этой технологии.
Но как это можно осуществить на самом деле? Что ж, классификацию изображений можно рассматривать как стандартную задачу классификации машинного обучения, в которой входной образец (в нашем случае изображение) назначается категории на основе ряда признаков (например, цветовых компонентов каждого пикселя). изображения). Таким образом, автоматизированные инструменты для классификации изображений — это не что иное, как классификаторы машинного обучения со стероидами, достаточно мощные, чтобы обнаружить, какие закономерности в изображениях связаны с интересующими классами.
Из огромного набора решений, которые есть повсюду, в Arionkoder мы обычно предпочитаем использовать сверточные нейронные сети (CNN), семейство или искусственные нейронные сети, которые могут сами обнаруживать взаимосвязь между входы и выходы. Мы предпочитаем этот метод другим более сложным архитектурам, таким как Vision Transformers, по нескольким причинам:
- Точность. CNN последовательно улучшались в течение последних 10 лет, доказав свою точность для автоматизации классификации изображений во многих областях.
- Объяснимость. С помощью карт активации классов или оценок неопределенности мы можем дополнить прогнозы CNN и предложить конечному пользователю дополнительную обратную связь для оценки модели.
- Доступность. Иногда нам даже не нужно обучать CNN с нуля, а просто использовать предварительно обученную модель, которая обычно доступна в модельных зоопарках.
Когда модель CNN, которую мы ищем, не общедоступна, нам нужно создать собственную. Для этого нам может понадобиться большой набор изображений с соответствующими ярлыками. Так, например, если мы хотим, чтобы модель классифицировала изображения животных, нам нужно сначала определить, какие виды нас интересуют, а затем собрать несколько изображений каждого конкретного вида и пометить их все.
Хотя эта ручная процедура аннотирования может показаться утомительной и трудоемкой, имейте в виду, что существует много способов ускорить ее, либо с помощью предварительно обученных инструментов ИИ, помогающих процесс или аутсорсинг с использованием сторонних инструментов, таких как Amazon Mechanical Turk.
Кроме того, иногда вам даже не нужно аннотировать собственные данные, вместо этого можно использовать уже существующие базы данных с открытым исходным кодом! Если вы хотите применить классификацию изображений к своему бизнес-конвейеру, но вас беспокоит этот конкретный шаг, не стесняйтесь обратиться к нам!В Arionkoder у нас есть эксперты в области науки о данных, которые могут помочь вам определить эффективные сбор данных и протоколы аннотирования, чтобы максимально использовать ваши данные.
Как только это будет доступно, следующим шагом будет выбор наиболее подходящей модели, обучение ее на этом наборе данных и калибровка, чтобы она была максимально точной. В Arionkoder мы придерживаемся первоначального подхода к проверке концепции (PoC): за короткий период времени наши специалисты по данным разрабатывают точные прототипы, используя собственный опыт в этой области и последние достижения. в технологиях AutoML, которые позволяют им быстро настраивать модели глубокого обучения на ваших данных. Затем мы готовим подробные отчеты о качестве для наших клиентов, что позволяет вам решить, продолжать ли продвигать модель для большей точности или начать создавать инфраструктуру для запуска ее в производство.
И последнее, но не менее важное: необходимо убедиться, что модель будет оставаться точной с течением времени. При стандартной разработке программного обеспечения качество обслуживания гарантируется за счет использования надежной инфраструктуры, постоянного отслеживания потенциальных ошибок и предотвращения проблем с безопасностью. Но когда модели машинного обучения находятся в цикле, обеспечение качества должно пойти еще дальше, поскольку изменения в распределении данных могут повлиять на конечные результаты. Эта проблема известна как дрейф данных и является ключевым аспектом, который необходимо отслеживать в любом проекте машинного обучения.
Как видите, автоматическая классификация изображений может помочь компаниям ускорить свои процессы, сократить расходы и извлечь выгоду из существующих баз данных изображений. Какие приложения вы видите для этой технологии? В Arionkoder мы рады помочь вам найти новые способы воспользоваться этим! Свяжитесь с нами здесь, чтобы вместе начать новые великие дела!
Первоначально опубликовано на https://blog.arionkoder.com 4 ноября 2022 г.
