Dieser Service umfasst die Schulung von KI-Modellen im Auftrag des Kunden für eine bestimmte Aufgabe und ein Optimierungsziel, z.B. die Verbesserung der Genauigkeit der Zuschnittklassifizierung aus Bilddaten.
Das Zielmodell ist die vom Kunden bereitgestellte Lösung, die in Bezug auf eine Reihe von vordefinierten Funktionen verbessert werden muss, um das gewünschte Leistungsniveau zu erreichen. Bei Bedarf kann die Schulung jedoch auch auf zusätzliche, auf dem Markt verfügbare State-of-the-Art-Modelle für Benchmarking-Zwecke angewendet werden.
Wenn nicht vom Kunden definiert, können einige Merkmale des Schulungsprozesses über den Service S00179 (Arbeitsplatzbewertung für digitale Systeme und/oder Daten) identifiziert werden: z. B. zu verbessernde Modellmerkmale, Referenzmodell-Baselines, die in den Leistungsvergleich einbezogen werden sollen, sowie Benchmark-Datensätze.
Die für die Schulung des Modells verwendeten Daten können entweder vom Kunden bereitgestellt oder ad hoc als Vorbereitungsmaßnahme für die Schulung des Modells kommentiert werden (über den Dienst S00290 – Datenkennzeichnung); Eine andere Möglichkeit besteht darin, dass Daten unter Referenz-Benchmark-Datensätzen abgerufen werden, die offen verfügbar sind. Wir werden uns auch mit den Kunden auf das erforderliche Maß an Hardwarebeschleunigung einigen, basierend auf den betrachteten KI-Modellen, z.B. GPU-Beschleunigung über die Verbindung zu einem Remote-Server im Vergleich zu Schulungen auf dem Gerät.
Wie kann der Service Ihnen helfen?
Die Ausbildung eines KI-Modells ist eine Tätigkeit, die Fachwissen und Arbeitskenntnisse über die einzusetzenden Instrumente erfordert. Als solches liegt es oft außerhalb des Know-hows des technischen Personals von Unternehmen, die Systeme für Agrar- und Lebensmittelanwendungen entwickeln.
Dieser Service bietet dem Kunden Zugang zu einem Team von Ingenieuren, die Experten für die Einrichtung und Durchführung von KI-Modelltrainings sind, sowie zu einer Recheninfrastruktur, die das Training unterstützen und sicherstellen kann, dass es innerhalb eines kurzen Zeitrahmens abgeschlossen wird.
Wie der Service geliefert wird
Die Dauer dieses Dienstes hängt von den Merkmalen der durchzuführenden Schulung und den als Eingabe zu verwendenden Daten ab. Als Richtlinie kann die Dienstleistung in typischen Fällen 3-4 Wochen dauern.Die erste Phase der Dienstleistung umfasst ein oder mehrere Interviews, bei denen der Kunde zusammen mit agrifoodTEF die Ziele und Werkzeuge der Schulung definiert. Wenn das zu trainierende Modell vom Kunden zur Verfügung gestellt wird, erfolgt dies in dieser Phase, bei Bedarf unter NDA.
Der Kunde wird auch gebeten, agrifoodTEF die für die Schulung zu verwendenden Daten zur Verfügung zu stellen, es sei denn, öffentlich zugängliche Datensätze werden ausgewählt; Eine weitere Möglichkeit besteht darin, Datensätze zu verwenden, die agrifoodTEF zur Verfügung stehen.Die zweite Phase des Dienstes umfasst die Einrichtung und Durchführung der von agrifoodTEF durchgeführten Schulung.
Das Schulungsverfahren wird überwacht, indem die Bewertungsmetriken verfolgt werden, die für die Endaufgabe relevant sind (z. B. Schulungsverlust im Hinblick auf das Optimierungsziel, durchschnittliche Klassifizierungsgenauigkeit und -genauigkeit, …). Das Ergebnis der Dienstleistung ist das trainierte Modell, das in dem vom Kunden bevorzugten Format bereitgestellt wird.
Service-Anpassung
Diese Servicebeschreibung ist absichtlich generisch. Jede Instanz dieser Dienstleistung ist in der Tat maßgeschneidert, um sie an die Bedürfnisse und Anforderungen des jeweiligen Kunden anzupassen. Das Folgende ist ein Beispiel für eine Dienstinstanz.
Beispiel Service: Der Kunde ist daran interessiert, das Auftreten der Peronospora-Krankheit (Schimmelpilzkrankheit) in Weinbergen zeitnah zu identifizieren. Peronospora-Symptome können durch die Untersuchung von Veränderungen auf der Blattoberfläche (Erscheinen kleiner Flecken, allmähliche Veränderungen der Blattfarbe) erkannt werden. Der Kunde hat bereits ein Computer-Vision-Modell implementiert, um Blätter als gesund oder ungesund zu klassifizieren.
Das Modell muss jedoch umgeschult werden, um der Erfassung hochwertigerer Bilder und Anmerkungen zu Krankheitssymptomen Rechnung zu tragen (z. B. über S00113 – Erhebung von Testdaten während physischer Tests und über S00290 – Datenkennzeichnung). Da erwartet wird, dass die Lösung in Echtzeit funktioniert, verwenden wir einen TPU-beschleunigten Stick, der auf dem Markt verfügbar ist, um das Modell direkt auf dem Gerät zu trainieren, anstatt das Modell offline auf einem Remote-Server zu trainieren.
Angesichts der Echtzeit-Leistungsanforderungen entscheiden wir uns für ein inkrementelles Trainingsprotokoll, bei dem bei jeder Aktualisierung der Modellparameter nur wenige Bildbeispiele (z.B. Aufnahmen) verwendet werden, so dass der Kunde das Modell in Zukunft modular aktualisieren kann, sobald zusätzliche Bilder erfasst werden. Die Leistung des Modells über Trainingsiterationen hinweg wird in Bezug auf den binären Kreuzentropieverlust, der mit den gesunden und ungesunden Klassen verbunden ist, und auf die mittlere durchschnittliche Genauigkeit der detektierten Blattregionen verfolgt.
Letztendlich liefern wir dem Kunden die Modell-Checkpoints, die zu der höchsten Leistung geführt haben, mit einem Bericht, in dem erklärt wird, wie das beste Modell ausgewählt wurde und welche Parameter zur Trainingszeit verwendet wurden (z.B. Lernrate, Chargengröße, Momentum, …). Das trainierte Modell kann in einem leichten Format bereitgestellt werden, das On-Device-Learning (z.B. TFLite) unterstützt, aber auch in interoperableren Formaten wie ONNX, um die Konvertierung über verschiedene Deep-Learning-Frameworks und Computergeräte hinweg zu erleichtern.
