Formazione sul modello di IA

La formazione di un modello di IA è un'attività che richiede competenze specialistiche e conoscenze operative degli strumenti da impiegare. In quanto tale, è spesso al di fuori del know-how del personale tecnico delle aziende che sviluppano sistemi per applicazioni agroalimentari. Questo servizio fornisce al cliente l'accesso a un team di ingegneri esperti nell'impostazione ed esecuzione delle operazioni di formazione dei modelli AI, nonché a un'infrastruttura computazionale in grado di supportare la formazione e garantire che venga completata in un breve lasso di tempo.

La durata di questo servizio dipende dalle caratteristiche della formazione da eseguire e dai dati da utilizzare come input. Come linea guida, nei casi tipici il servizio può richiedere 3-4 settimane.La prima fase del servizio prevede uno o più colloqui in cui il cliente definisce, insieme ad agrofoodTEF, gli obiettivi e gli strumenti della formazione. Se il modello da addestrare è fornito dal cliente, viene fatto durante questa fase, sotto NDA se necessario. Il cliente è inoltre invitato a fornire agrifoodTEF i dati da utilizzare per la formazione, tranne quando vengono scelte serie di dati accessibili al pubblico; un'altra possibilità è quella di utilizzare set di dati a disposizione di agrifoodTEF. La seconda fase del servizio prevede l'impostazione e l'esecuzione della formazione, svolta da agrifoodTEF. La procedura di formazione sarà monitorata tracciando le metriche di valutazione che sono rilevanti per l'attività finale (ad esempio, perdita di formazione con l'obiettivo di ottimizzazione, precisione e precisione di classificazione media, …). Il risultato del servizio è il modello addestrato, fornito nel formato preferito dal cliente.

Questa descrizione del servizio è intenzionalmente generica. Ogni istanza di questo servizio è, infatti, personalizzata per adattarla alle esigenze e alle esigenze del cliente specifico. Quello che segue è un esempio di un'istanza di servizio. Esempio di servizio: Il cliente è interessato a identificare tempestivamente l'emergere della malattia della Peronospora nei vigneti. I sintomi della peronospora possono essere rilevati ispezionando i cambiamenti sulla superficie della foglia (apparizione di piccole macchie, cambiamenti graduali nel colore della foglia). Il cliente ha già implementato un modello di visione artificiale per classificare le foglie come sane o malsane. Tuttavia, il modello deve essere riqualificato per tenere conto della raccolta di immagini e annotazioni di qualità superiore dei sintomi della malattia (ad esempio, tramite S00113 - Raccolta dei dati dei test durante i test fisici e tramite S00290 - Etichettatura dei dati). Poiché ci si aspetta che la soluzione funzioni in tempo reale, utilizziamo uno stick con accelerazione TPU prontamente disponibile sul mercato per addestrare il modello direttamente sul dispositivo anziché addestrare il modello offline su un server remoto. Dati i requisiti prestazionali in tempo reale, si opta per un protocollo di training incrementale, in cui per ogni aggiornamento dei parametri del modello vengono utilizzati solo pochi esempi di immagine (es. scatti) in modo che il cliente possa aggiornare modulare il modello in futuro, non appena vengono acquisite ulteriori immagini. Le prestazioni del modello attraverso iterazioni di allenamento sono monitorate rispetto alla perdita di entropia incrociata binaria associata alle classi sane e malsane e alla precisione media delle regioni fogliari rilevate. In definitiva, forniamo i checkpoint del modello che hanno portato alle massime prestazioni per il cliente, con un rapporto che spiega come è stato scelto il modello migliore e i parametri utilizzati al momento dell'allenamento (ad esempio, tasso di apprendimento, dimensioni del lotto, quantità di moto, …). Il modello addestrato può essere fornito in un formato leggero che supporta l'apprendimento sul dispositivo (ad esempio, TFLite) ma anche in formati più interoperabili come ONNX, per facilitare la conversione tra diversi framework di deep learning e dispositivi informatici.