AI-modeltræning

Uddannelse af en AI-model er en aktivitet, der kræver specialiseret ekspertise og praktisk viden om de værktøjer, der skal anvendes. Som sådan ligger det ofte uden for knowhow hos det tekniske personale i virksomheder, der udvikler systemer til landbrugsfødevareapplikationer. Denne tjeneste giver kunden adgang til et team af ingeniører, der er eksperter i at oprette og udføre AI-modeltræningsoperationer, samt til en beregningsinfrastruktur, der kan understøtte træningen og sikre, at den bliver afsluttet inden for en kort tidsramme.

Varigheden af denne tjeneste afhænger af funktionerne i den uddannelse, der skal gennemføres, og de data, der skal anvendes som input. Som en retningslinje, i typiske tilfælde tjenesten kan kræve 3-4 uger.Den første fase af tjenesten indebærer en eller flere interviews, hvor kunden definerer, sammen med agrifoodTEF, mål og værktøjer for træningen. Hvis den model, der skal trænes, leveres af kunden, sker det i denne fase, under NDA, hvis det er nødvendigt. Kunden anmodes også om at give agrifoodTEF de data, der skal anvendes til uddannelse, undtagen når der vælges offentligt tilgængelige datasæt. En anden mulighed er at anvende datasæt, der er tilgængelige for agrifoodTEF.Den anden fase af tjenesten omfatter etablering og gennemførelse af den uddannelse, der udføres af agrifoodTEF. Træningsproceduren vil blive overvåget ved at spore de evalueringsparametre, der er relevante for slutopgaven (f.eks. træningstab i forhold til optimeringsmålet, gennemsnitlig klassificeringspræcision og -nøjagtighed, …). Resultatet af tjenesten er den trænede model, der leveres i det format, som kunden foretrækker.

Denne servicebeskrivelse er bevidst generisk. Hvert tilfælde af denne service er faktisk tilpasset for at tilpasse den til den specifikke kundes behov og krav. Følgende er et eksempel på en tjeneste instans. Eksempel på tjeneste: Kunden er interesseret i straks at identificere fremkomsten af Peronospora (duny meldug) sygdom i vinmarker. Peronospora symptomer kan påvises ved at inspicere ændringer på bladoverfladen (udseende af små pletter, gradvise ændringer i bladfarven). Kunden har allerede implementeret en computer vision model til at klassificere blade som sunde eller usunde. Modellen skal dog omskoles for at tage højde for indsamling af billeder af højere kvalitet og anmærkninger af sygdomssymptomer (f.eks. via S00113 — Indsamling af testdata under fysisk testning og via S00290 — Datamærkning). Da løsningen forventes at fungere i realtid, bruger vi en TPU-accelereret stick, der er let tilgængelig på markedet, til at træne modellen direkte på enheden i modsætning til at træne modellen offline på en fjernserver. I betragtning af kravene til ydeevne i realtid vælger vi en trinvis træningsprotokol, hvor der kun bruges nogle få billedeksempler (dvs. billeder) til hver opdatering af modelparametrene, så kunden vil kunne opdatere modellen modulært i fremtiden, så snart der erhverves yderligere billeder. Modellens ydeevne på tværs af trænings iterationer spores med hensyn til det binære krydsentropitab forbundet med de sunde og usunde klasser og til den gennemsnitlige præcision af de detekterede bladområder. I sidste ende leverer vi de modelkontrolpunkter, der førte til den højeste ydeevne til kunden, med en rapport, der forklarer, hvordan den bedste model blev valgt, og de parametre, der blev brugt på træningstidspunktet (f.eks. læringshastighed, batchstørrelse, momentum, …). Den uddannede model kan leveres i et letvægtsformat, der understøtter læring på enheden (f.eks. TFLite), men også i mere interoperable formater som ONNX for at lette konverteringen på tværs af forskellige deep learning-rammer og computerenheder.