AI-modeltraining

Het opleiden van een AI-model is een activiteit die gespecialiseerde expertise en praktische kennis van de te gebruiken instrumenten vereist. Als zodanig staat het vaak buiten de knowhow van het technische personeel van bedrijven die systemen voor agrovoedingstoepassingen ontwikkelen. Deze service biedt de klant toegang tot een team van ingenieurs die expert zijn in het opzetten en uitvoeren van AI-modeltrainingsoperaties, evenals tot een computationele infrastructuur die de training kan ondersteunen en ervoor kan zorgen dat deze binnen een kort tijdsbestek wordt voltooid.

De duur van deze dienst hangt af van de kenmerken van de uit te voeren training en de gegevens die als input moeten worden gebruikt. Als richtlijn kan de dienst in typische gevallen 3-4 weken nodig hebben.De eerste fase van de dienst omvat een of meer interviews waarbij de klant, samen met agrifoodTEF, de doelen en hulpmiddelen van de training definieert. Als het te trainen model door de klant wordt geleverd, gebeurt dit tijdens deze fase, indien nodig onder NDA. De klant wordt ook gevraagd om agrifoodTEF de gegevens te verstrekken die moeten worden gebruikt voor training, behalve wanneer openbaar beschikbare datasets worden gekozen; een andere mogelijkheid is om gebruik te maken van datasets die beschikbaar zijn voor agrifoodTEF.De tweede fase van de dienst omvat het opzetten en uitvoeren van de training, uitgevoerd door agrifoodTEF. De trainingsprocedure zal worden gemonitord door de evaluatiemaatstaven te volgen die relevant zijn voor de eindtaak (bijv. trainingsverlies met de optimalisatiedoelstelling, gemiddelde classificatieprecisie en nauwkeurigheid, …). Het resultaat van de service is het getrainde model, geleverd in het formaat dat de klant verkiest.

Deze servicebeschrijving is opzettelijk generiek. Elk exemplaar van deze service is in feite aangepast om deze aan te passen aan de behoeften en vereisten van de specifieke klant. Het volgende is een voorbeeld van een service-instantie. Voorbeelddienst: De klant is geïnteresseerd in het snel identificeren van de opkomst van de Peronospora (donkere meeldauw) ziekte in wijngaarden. Peronospora-symptomen kunnen worden gedetecteerd door veranderingen op het bladoppervlak te inspecteren (verschijning van kleine vlekken, geleidelijke veranderingen in de bladkleur). De klant heeft al een computer vision model geïmplementeerd om bladeren te classificeren als gezond of ongezond. Het model moet echter worden aangepast om rekening te houden met het verzamelen van afbeeldingen van hogere kwaliteit en annotaties van ziektesymptomen (bv. via S00113 - Verzameling van testgegevens tijdens fysieke tests en via S00290 - Gegevensetikettering). Omdat de oplossing naar verwachting in realtime zal werken, gebruiken we een TPU-versnelde stick die direct beschikbaar is op de markt om het model rechtstreeks op het apparaat te trainen in plaats van het model offline op een externe server te trainen. Gezien de real-time prestatievereisten kiezen we voor een incrementeel trainingsprotocol, waarbij slechts een paar beeldvoorbeelden (d.w.z. opnames) worden gebruikt voor elke update van de modelparameters, zodat de klant het model in de toekomst modulair kan bijwerken zodra extra afbeeldingen worden verkregen. De prestaties van het model over de training iteraties wordt gevolgd met betrekking tot de binaire cross-entropie verlies in verband met de gezonde en ongezonde klassen en de gemiddelde gemiddelde precisie van de gedetecteerde bladgebieden. Uiteindelijk leveren we de modelcheckpoints die hebben geleid tot de hoogste prestaties aan de klant, met een rapport waarin wordt uitgelegd hoe het beste model is gekozen en welke parameters zijn gebruikt tijdens de training (bijv. leersnelheid, batchgrootte, momentum, …). Het getrainde model kan worden geleverd in een lichtgewicht formaat dat on-device learning ondersteunt (bijvoorbeeld TFLite), maar ook in meer interoperabele formaten zoals ONNX, om de conversie tussen verschillende deep learning-frameworks en computerapparatuur te vergemakkelijken.