Este servicio se refiere al entrenamiento de modelos de IA en nombre del cliente para una tarea específica y un objetivo de optimización, por ejemplo, mejorar la precisión en la clasificación de cultivos a partir de datos de imágenes.
El modelo objetivo es la solución proporcionada por el cliente que necesita ser mejorada con respecto a un conjunto de características predeterminadas para alcanzar el nivel de rendimiento deseado. Sin embargo, si es necesario, la formación también puede aplicarse a modelos adicionales de última generación disponibles en el mercado con fines de evaluación comparativa.
Si el cliente no lo define, algunas características del proceso de formación pueden identificarse a través del servicio S00179 (actividades de evaluación de escritorio para sistemas y/o datos digitales): por ejemplo, características del modelo para mejorar, bases de referencia del modelo para incluir en la comparación del rendimiento, así como conjuntos de datos de referencia.
Los datos utilizados para la formación del modelo pueden ser proporcionados por el cliente o anotados ad hoc como actividad preparatoria de la formación del modelo (a través del servicio S00290 – Etiquetado de datos); Otra posibilidad es que los datos se recuperen entre conjuntos de datos de referencia que estén abiertamente disponibles. También estaremos de acuerdo con los clientes sobre el nivel de aceleración de hardware requerido, basado en los modelos de IA considerados, por ejemplo, aceleración de GPU a través de la conexión a un servidor remoto frente a la capacitación en el dispositivo.
¿Cómo puede ayudarle el servicio?
El entrenamiento de un modelo de IA es una actividad que requiere experiencia especializada y conocimiento práctico de las herramientas que se emplearán. Como tal, a menudo está fuera del know-how del personal técnico de las empresas que desarrollan sistemas para aplicaciones agroalimentarias.
Este servicio proporciona al cliente acceso a un equipo de ingenieros expertos en la configuración y ejecución de operaciones de entrenamiento de modelos de IA, así como a una infraestructura computacional que puede respaldar el entrenamiento y garantizar que se complete en un corto período de tiempo.
Cómo se entregará el servicio
La duración de este servicio depende de las características de la formación que se vaya a ejecutar y de los datos que se vayan a utilizar como entrada. Como pauta, en casos típicos el servicio puede requerir 3-4 semanas.La primera fase del servicio implica una o más entrevistas donde el cliente define, junto con agrifoodTEF, los objetivos y herramientas de la formación. Si el modelo a capacitar es proporcionado por el cliente, se realiza durante esta fase, bajo NDA si es necesario.
También se pide al cliente que facilite a agrifoodTEF los datos que se utilizarán para la formación, excepto cuando se elijan conjuntos de datos disponibles al público; otra posibilidad es utilizar conjuntos de datos disponibles para agrifoodTEF. La segunda fase del servicio implica la configuración y ejecución de la formación, realizada por agrifoodTEF.
El procedimiento de formación se supervisará mediante el seguimiento de las métricas de evaluación que sean pertinentes para la tarea final (por ejemplo, pérdida de formación en relación con el objetivo de optimización, precisión y precisión de clasificación media, …). El resultado del servicio es el modelo formado, proporcionado en el formato preferido por el cliente.
Personalización del servicio
Esta descripción del servicio es intencionalmente genérica. Cada instancia de este servicio está, de hecho, personalizada para adaptarla a las necesidades y requisitos del cliente específico. El siguiente es un ejemplo de una instancia de servicio.
Ejemplo de servicio: El cliente está interesado en identificar rápidamente la aparición de la enfermedad de Peronospora en los viñedos. Los síntomas de la peronospora se pueden detectar inspeccionando los cambios en la superficie de la hoja (aparición de manchas pequeñas, cambios graduales en el color de la hoja). El cliente ya ha implementado un modelo de visión por computadora para clasificar las hojas como saludables o no saludables.
Sin embargo, el modelo debe volver a entrenarse para tener en cuenta la recopilación de imágenes y anotaciones de síntomas de enfermedad de mayor calidad (por ejemplo, a través de S00113 - Recopilación de datos de pruebas durante las pruebas físicas y a través de S00290 - Etiquetado de datos). Dado que se espera que la solución funcione en tiempo real, utilizamos un stick acelerado por TPU disponible en el mercado para entrenar el modelo directamente en el dispositivo en lugar de entrenar el modelo sin conexión en un servidor remoto.
Dados los requisitos de rendimiento en tiempo real, optamos por un protocolo de entrenamiento incremental, donde solo se utilizan unos pocos ejemplos de imágenes (es decir, tomas) para cada actualización de los parámetros del modelo para que el cliente pueda actualizar modularmente el modelo en el futuro, tan pronto como se adquieran imágenes adicionales. El rendimiento del modelo a través de iteraciones de entrenamiento se rastrea con respecto a la pérdida binaria de entropía cruzada asociada con las clases sanas e insalubres y a la precisión promedio de las regiones foliares detectadas.
En última instancia, entregamos los puntos de control del modelo que condujeron al mayor rendimiento al cliente, con un informe que explica cómo se eligió el mejor modelo y los parámetros utilizados en el momento de la capacitación (por ejemplo, tasa de aprendizaje, tamaño del lote, impulso, …). El modelo entrenado se puede proporcionar en un formato ligero que admite el aprendizaje en el dispositivo (por ejemplo, TFLite), pero también en formatos más interoperables como ONNX, para facilitar la conversión a través de diferentes marcos de aprendizaje profundo y dispositivos informáticos.
