Szkolenie w zakresie modelu sztucznej inteligencji

Szkolenie w zakresie modelu sztucznej inteligencji jest działaniem, które wymaga specjalistycznej wiedzy fachowej i praktycznej wiedzy na temat narzędzi, które mają być stosowane. W związku z tym często wykracza poza know-how personelu technicznego firm opracowujących systemy do zastosowań rolno-spożywczych. Usługa ta zapewnia klientowi dostęp do zespołu inżynierów specjalizujących się w tworzeniu i wykonywaniu operacji szkoleniowych modelu AI, a także do infrastruktury obliczeniowej, która może wspierać szkolenie i zapewnić jego ukończenie w krótkim czasie.

Czas trwania tej usługi zależy od cech szkolenia, które ma zostać przeprowadzone, oraz danych, które mają zostać wykorzystane jako dane wejściowe. Jako wytyczna, w typowych przypadkach usługa może wymagać 3-4 tygodni.Pierwsza faza usługi obejmuje jeden lub więcej wywiadów, w których klient określa, wraz z agrifoodTEF, cele i narzędzia szkolenia. Jeśli model, który ma zostać przeszkolony, jest dostarczany przez klienta, odbywa się to na tym etapie, w razie potrzeby w ramach NDA. Klient jest również proszony o dostarczenie agrifoodTEF danych, które mają być wykorzystywane do celów szkoleniowych, z wyjątkiem sytuacji, gdy wybrano publicznie dostępne zbiory danych; Inną możliwością jest wykorzystanie zbiorów danych dostępnych dla agrifoodTEF. Drugi etap usługi obejmuje przygotowanie i przeprowadzenie szkolenia przez agrifoodTEF. Procedura szkolenia będzie monitorowana poprzez śledzenie wskaźników oceny, które są istotne dla zadania końcowego (np. strata szkoleniowa w stosunku do celu optymalizacji, średnia precyzja i dokładność klasyfikacji, …). Wynikiem usługi jest wyszkolony model, dostarczany w formacie preferowanym przez klienta.

Ten opis usługi jest celowo ogólny. Każdy przypadek tej usługi jest w rzeczywistości dostosowany do potrzeb i wymagań konkretnego klienta. Poniżej znajduje się przykład instancji usługi. Przykładowa usługa: Klient jest zainteresowany szybką identyfikacją pojawienia się choroby Peronospora (mączniaka zwyczajnego) w winnicach. Objawy peronospory można wykryć, kontrolując zmiany na powierzchni liści (pojawienie się małych plamek, stopniowe zmiany koloru liści). Klient wdrożył już komputerowy model widzenia, aby sklasyfikować liście jako zdrowe lub niezdrowe. Model ten należy jednak przekwalifikować w celu uwzględnienia gromadzenia obrazów o wyższej jakości i adnotacji o objawach choroby (np. za pośrednictwem S00113 – Gromadzenie danych z badań podczas badań fizycznych oraz za pośrednictwem S00290 – Oznakowanie danych). Ponieważ oczekuje się, że rozwiązanie będzie działać w czasie rzeczywistym, używamy łatwo dostępnego na rynku kija akcelerowanego TPU do trenowania modelu bezpośrednio na urządzeniu, w przeciwieństwie do trenowania modelu offline na zdalnym serwerze. Biorąc pod uwagę wymagania dotyczące wydajności w czasie rzeczywistym, wybieramy protokół szkolenia przyrostowego, w którym tylko kilka przykładów obrazów (tj. ujęć) jest używanych do każdej aktualizacji parametrów modelu, aby klient mógł modułowo aktualizować model w przyszłości, gdy tylko uzyska dodatkowe obrazy. Wydajność modelu w różnych iteracjach treningowych jest śledzona w odniesieniu do binarnej utraty entropii krzyżowej związanej ze zdrowymi i niezdrowymi klasami oraz średniej precyzji wykrytych regionów liści. Ostatecznie dostarczamy klientowi punkty kontrolne modelu, które doprowadziły do najwyższej wydajności, wraz z raportem wyjaśniającym, w jaki sposób wybrano najlepszy model i parametry stosowane w czasie szkolenia (np. wskaźnik uczenia się, wielkość partii, pęd, …). Wyszkolony model można dostarczyć w lekkim formacie, który wspiera uczenie się na urządzeniu (np. TFLite), ale także w bardziej interoperacyjnych formatach, takich jak ONNX, aby ułatwić konwersję między różnymi ramami uczenia głębokiego i urządzeniami obliczeniowymi.