AI-modellträning

Att träna en AI-modell är en verksamhet som kräver specialiserad expertis och praktisk kunskap om de verktyg som ska användas. Det ligger därför ofta utanför den tekniska personalens kunnande i företag som utvecklar system för jordbruksbaserade livsmedelstillämpningar. Denna tjänst ger kunden tillgång till ett team av ingenjörer som är experter på att inrätta och genomföra AI-modellutbildningsoperationer, samt till en beräkningsinfrastruktur som kan stödja utbildningen och säkerställa att den blir klar inom en kort tidsram.

Varaktigheten av denna tjänst beror på egenskaperna hos den utbildning som ska utföras och de data som ska användas som indata. Som en riktlinje, i typiska fall tjänsten kan ta 3-4 veckor.Den första fasen av tjänsten innebär en eller flera intervjuer där kunden definierar, tillsammans med agrifoodTEF, mål och verktyg för utbildningen. Om den modell som ska utbildas tillhandahålls av kunden görs det under denna fas, vid behov under NDA. Kunden uppmanas också att förse agrifoodTEF med de uppgifter som ska användas för utbildning, utom när offentligt tillgängliga datauppsättningar väljs. En annan möjlighet är att använda dataset som är tillgängliga för jordbruksbaserade livsmedelsföretag. Den andra fasen av tjänsten omfattar inrättandet och genomförandet av den utbildning som utförs av jordbruksbaserade livsmedelsföretag. Utbildningsförfarandet kommer att övervakas genom spårning av de utvärderingsmått som är relevanta för slutuppgiften (t.ex. träningsförlust med optimeringsmålet, genomsnittlig klassificeringsprecision och noggrannhet, …). Resultatet av tjänsten är den utbildade modellen, som tillhandahålls i det format som kunden föredrar.

Denna tjänstebeskrivning är avsiktligt generisk. Varje instans av denna tjänst är faktiskt anpassad för att anpassa den till den specifika kundens behov och krav. Följande är ett exempel på en serviceinstans. Exempeltjänst: Kunden är intresserad av att snabbt identifiera uppkomsten av Peronospora (dunig mögel) sjukdom i vingårdar. Peronospora symptom kan upptäckas genom att inspektera förändringar på bladytan (utseende av små fläckar, gradvisa förändringar i bladfärgen). Kunden har redan implementerat en datorvisionsmodell för att klassificera löv som friska eller ohälsosamma. Modellen måste dock omskolas för att ta hänsyn till insamlingen av bilder av högre kvalitet och anteckningar om sjukdomssymtom (t.ex. via S00113 – Insamling av testdata under fysisk testning och via S00290 – Datamärkning). Eftersom lösningen förväntas fungera i realtid använder vi en TPU-accelererad pinne som är lätt tillgänglig på marknaden för att träna modellen direkt på enheten i motsats till att träna modellen offline på en fjärrserver. Med tanke på prestandakraven i realtid väljer vi ett inkrementellt träningsprotokoll, där endast ett fåtal bildexempel (dvs. bilder) används för varje uppdatering av modellparametrarna så att kunden kommer att kunna modulärt uppdatera modellen i framtiden, så snart ytterligare bilder förvärvas. Modellens prestanda över tränings iterationer spåras med avseende på den binära korsentropiförlusten i samband med de friska och ohälsosamma klasserna och den genomsnittliga precisionen hos de upptäckta bladregionerna. I slutändan levererar vi de modellkontrollpunkter som ledde till högsta prestanda till kunden, med en rapport som förklarar hur den bästa modellen valdes och de parametrar som användes vid träningstiden (t.ex. inlärningshastighet, batchstorlek, momentum, …). Den utbildade modellen kan tillhandahållas i ett lättviktsformat som stöder inlärning på enheten (t.ex. TFLite) men även i mer interoperabla format som ONNX, för att underlätta omvandlingen mellan olika ramverk för djupinlärning och datorenheter.