Ce service concerne la formation de modèles d'IA au nom du client pour une tâche spécifique et un objectif d'optimisation, par exemple, l'amélioration de la précision de la classification des cultures à partir de données d'image.
Le modèle cible est la solution fournie par le client qui doit être améliorée par rapport à un ensemble de fonctionnalités prédéterminées pour atteindre le niveau de performance souhaité. Toutefois, si nécessaire, la formation peut également être appliquée à d'autres modèles de pointe disponibles sur le marché à des fins d'analyse comparative.
S'il n'est pas défini par le client, certaines caractéristiques du processus de formation peuvent être identifiées via le service S00179 (activités d'évaluation de bureau pour les systèmes numériques et / ou les données): par exemple, les caractéristiques du modèle à améliorer, les niveaux de référence du modèle à inclure dans la comparaison des performances, ainsi que les ensembles de données de référence.
Les données utilisées pour la formation au modèle peuvent être fournies par le client ou annotées ad hoc en tant qu’activité préparatoire à la formation au modèle (via le service S00290 – Étiquetage des données); une autre possibilité est que les données soient récupérées parmi les ensembles de données de référence qui sont ouvertement disponibles. Nous conviendrons également avec les clients du niveau d'accélération matérielle requis, sur la base des modèles d'IA considérés, par exemple, l'accélération GPU via la connexion à un serveur distant par rapport à la formation sur l'appareil.
Comment le service peut-il vous aider?
La formation d’un modèle d’IA est une activité qui nécessite une expertise spécialisée et une connaissance pratique des outils à utiliser. En tant que tel, il est souvent en dehors du savoir-faire du personnel technique des entreprises développant des systèmes pour des applications agroalimentaires.
Ce service offre au client l'accès à une équipe d'ingénieurs experts dans la mise en place et l'exécution d'opérations de formation sur les modèles d'IA, ainsi qu'à une infrastructure de calcul capable de soutenir la formation et de s'assurer qu'elle est terminée dans un court laps de temps.
Comment le service sera fourni
La durée de ce service dépend des caractéristiques de la formation à exécuter et des données à utiliser comme entrée. À titre indicatif, dans les cas typiques, le service peut nécessiter 3-4 semaines.La première phase du service implique un ou plusieurs entretiens où le client définit, avec agrifoodTEF, les objectifs et les outils de la formation. Si le modèle à former est fourni par le client, cela se fait au cours de cette phase, sous NDA si nécessaire.
Le client est également invité à fournir à AgrifoodTEF les données à utiliser pour la formation, sauf lorsque des ensembles de données accessibles au public sont choisis; une autre possibilité est d’utiliser les ensembles de données mis à la disposition de l’agroalimentaireTEF. La deuxième phase du service implique la mise en place et l’exécution de la formation, effectuée par l’agroalimentaireTEF.
La procédure de formation sera surveillée en suivant les mesures d'évaluation pertinentes pour la tâche finale (par exemple, perte de formation liée à l'objectif d'optimisation, précision et exactitude moyennes de la classification, …). Le résultat du service est le modèle formé, fourni dans le format préféré par le client.
Personnalisation du service
Cette description de service est intentionnellement générique. Chaque cas de ce service est, en fait, personnalisé pour l'adapter aux besoins et aux exigences du client spécifique. Ce qui suit est un exemple d'instance de service.
Exemple de service: Le client est intéressé à identifier rapidement l'émergence de la maladie de Peronospora (moisissure) dans les vignobles. Les symptômes de la péronospore peuvent être détectés en inspectant les changements sur la surface des feuilles (apparition de petites taches, changements progressifs de la couleur des feuilles). Le client a déjà mis en place un modèle de vision par ordinateur pour classer les feuilles comme saines ou malsaines.
Cependant, le modèle doit être recyclé pour tenir compte de la collecte d'images de meilleure qualité et d'annotations des symptômes de la maladie (par exemple, via S00113 - Collecte de données d'essai pendant les tests physiques et via S00290 - Étiquetage des données). Étant donné que la solution devrait fonctionner en temps réel, nous utilisons un bâton accéléré par TPU facilement disponible sur le marché pour entraîner le modèle directement sur l'appareil plutôt que de le former hors ligne sur un serveur distant.
Compte tenu des exigences de performance en temps réel, nous optons pour un protocole de formation incrémental, où seuls quelques exemples d'images (c'est-à-dire des prises de vue) sont utilisés pour chaque mise à jour des paramètres du modèle afin que le client puisse mettre à jour le modèle de manière modulaire à l'avenir, dès que des images supplémentaires sont acquises. La performance du modèle à travers les itérations d'entraînement est suivie en ce qui concerne la perte d'entropie croisée binaire associée aux classes saines et malsaines et à la précision moyenne des régions foliaires détectées.
En fin de compte, nous livrons les points de contrôle du modèle qui ont conduit à la plus haute performance au client, avec un rapport expliquant comment le meilleur modèle a été choisi et les paramètres utilisés au moment de la formation (par exemple, taux d'apprentissage, taille du lot, momentum, …). Le modèle formé peut être fourni dans un format léger qui prend en charge l'apprentissage sur appareil (par exemple, TFLite), mais aussi dans des formats plus interopérables comme ONNX, afin de faciliter la conversion entre différents cadres d'apprentissage profond et périphériques informatiques.
