پلتفرم Geti اینتل با ویژگی‌های حاشیه نویسی هوشمند، برچسب‌گذاری به کمک هوش مصنوعی را برای تعیین رسیدن میوه قهوه با کمترین تلاش ارائه می‌کند – به کشاورزان یا کارشناسان حوزه بدون هیچ تجربه هوش مصنوعی اجازه می‌دهد در آموزش مدل شرکت کنند.
و شما آن را دارید! همانطور که می بینید، کارشناسان کشاورزی فقط با استفاده از یک برنامه تلفن همراه می توانند بینش های عملی در مورد عملکرد خود دریافت کنند تا تصمیمات هوشمندانه تری بگیرند، برداشت محصول را برنامه ریزی کنند و سود نهایی خود را افزایش دهند. توجه به این نکته مهم است که این پلتفرم را می توان برای چندین مورد مختلف استفاده عمودی اعمال کرد.
همکاری هوش مصنوعی کلیدی است
به طور سنتی، توسعه مدل هوش مصنوعی به مجموعه کوچکی از دانشمندان داده یا توسعه‌دهندگان محدود می‌شود، که بخشی از دلیل این است که این فرآیند می‌تواند ماهها طول بکشد تا مدل‌های هوش مصنوعی در آن مقیاس ساخته شوند. و گنجاندن کارشناسان حوزه در این فرآیند دشوار است.
درک رسیدن میوه قهوه و زمان برداشت برای دستیابی به آن دم آوری عالی بسیار مهم است. برای انجام این کار، مجبور شدم مجموعه ای از الگوریتم های بینایی کامپیوتری را برای شمارش میوه های قهوه و تخمین بازده ایجاد کنم. حدود نه ماه طول کشید تا داده ها را جمع آوری کنم، سیستم حاشیه نویسی خودم را طراحی کنم و هزاران تصویر را حاشیه نویسی کنم.
پس از ارسال اطلاعات، آموزش مدل شروع می شود.
توسعه مدل بینایی کامپیوتری در مراحل متعددی مانند حاشیه‌نویسی، آموزش، بهینه‌سازی، آزمایش و استقرار انجام می‌شود، بنابراین همکاری مؤثر می‌تواند دشوار باشد و به زمان، هزینه‌ها و منابعی که برای ایجاد این مدل‌ها نیاز است اضافه شود. و این حتی تغییراتی را که ممکن است ضروری باشد در نظر نمی گیرد، که می تواند منجر به نیاز به شروع کامل از ابتدا و آموزش مجدد مدل شود.
اهمیت کارشناسان حوزه
با بازگشت به ریشه های خود، از یک مزرعه قهوه به عنوان مثال استفاده می کنم تا به شما نشان دهم که شروع ساخت مدل های هوش مصنوعی با پلتفرم Intel Geti دقیقا چقدر آسان است.
در این پست، من به شما توضیح خواهم داد که چگونه این امکان پذیر است، و چگونه می توانید کل تیم خود را برای ایجاد مدل های بینایی کامپیوتری خود سریعتر از همیشه توانمند کنید.
بسیاری از مردم متوجه این موضوع نیستند، اما قهوه یک زنجیره تامین بسیار پیچیده با بازار بیش از 400 میلیارد دلار است.
اکنون آموزش مدل شما کامل شده است و شما آماده تولید آن هستید! پلتفرم Intel Geti شامل بهینه‌سازی‌های داخلی با توزیع Intel® OpenVINO Toolkit است تا کاربران بتوانند عملکرد استنتاج را به‌طور خودکار به حداکثر برسانند و مدل‌ها را در طیف وسیعی از معماری‌های اینتل مستقر کنند.
بر اساس این گزارش گارتنر، به دلیل این مسائل، تنها بخش کوچکی از مدل‌های بینایی کامپیوتری در واقع به تولید می‌رسند و مانع نوآوری بالقوه تجاری می‌شوند.
Intel® Geti™ سکو در عمل
اینجاست که پلتفرم Intel Geti وارد می‌شود. با استفاده از این پلتفرم، متخصصان حوزه – مانند تولیدکنندگان قهوه، کشاورزان یا کشاورزان – در ایجاد مدل برای شناسایی، تقسیم‌بندی، طبقه‌بندی، ناهنجاری و وظایف زنجیره‌ای همکاری می‌کنند.
نویسنده: پائولا راموس، اوانجلیست هوش مصنوعی
آیا از این راه حل هیجان زده هستید؟ من هم همینطور. شما می توانید تمام تظاهرات من را به عنوان یک ویدیو در اینجا مشاهده کنید.
درباره پائولا:
من یک بشارت دهنده هوش مصنوعی در اینتل هستم. من از اوایل دهه 2000 در کلمبیا روی توسعه فناوری‌های مهندسی یکپارچه جدید، عمدتاً در زمینه بینایی رایانه، رباتیک، و یادگیری ماشینی که در کشاورزی اعمال می‌شود، کار کرده‌ام. در دوره دکتری من و تحقیقات پس از اتمام تحصیلات تکمیلی، چندین فناوری محاسباتی کم‌هزینه، لبه هوشمند و IoT را به کار بردم که می‌توانستند بدون تخصص در سیستم‌های بینایی کامپیوتری کار کنند. اکنون، من به دنبال راه‌حل‌های متقابل عملکردی بیشتری در عمودی‌های مختلف و چالش‌های پیچیده هستم.
برای اطلاعات بیشتر در زمینه هوش مصنوعی و محتوای مرتبط، من را در لینکدین یا مدیوم دنبال کنید.
با این حال، این سال‌ها پیش بود و صنعت از آن زمان تا کنون بسیار تکامل یافته است. به عنوان مثال، فناوری هوش مصنوعی به سرعت پیشرفت کرده است تا جایی که اکنون می توان یک سیستم مشابه یا مشابه را تنها در چند روز یا حتی چند ساعت، با تصاویر کمتر و دقت بهتر ایجاد کرد.
برای دانشمندان داده و توسعه‌دهندگانی که می‌خواهند پلتفرم Intel Geti را حتی فراتر ببرند، اینتل یک SDK منتشر می‌کند که تیم‌ها را قادر می‌سازد تا مدل‌های تولیدی جدید را برای حفظ مدل‌ها ادغام و جذب کنند.
هنگامی که به این موارد استفاده مختلف فکر می کنید، به راحتی می توانید اهمیت نگه داشتن کارشناسان دامنه را در جریان مشاهده کنید. آنها کسانی هستند که در مورد صنعت و راه حل های خود تخصص دارند. و این همان چیزی است که پلتفرم‌هایی مانند پلتفرم Intel Geti را بسیار قدرتمند می‌کند و از تخصص صنعت و هوش مصنوعی برای ایجاد مدل استفاده می‌کند و با دانشمندان داده همکاری می‌کند تا آنها را مستقر کنند.
پلتفرم Intel Geti مجموعه‌ای از ویژگی‌ها را ارائه می‌کند که می‌تواند تجربه‌ای عالی برای افراد غیر فنی ایجاد کند تا با فرآیند حاشیه‌نویسی تعامل داشته باشند، و آنها – متخصصان حوزه – می‌توانند با متخصصان ML در پشت راه‌حل هوش مصنوعی تعامل داشته باشند.
از آنجایی که تغییراتی در فضای کشاورزی وجود دارد، ما نمی‌توانستیم با دقت 96 درصد به جلو برویم، اما در یک محیط کنترل‌شده‌تر – مانند یک محیط تولیدی – ممکن است بخواهید در این زمینه سخت‌گیرانه‌تر عمل کنید.
بهترین بخش این است که برای شروع به تنها 100 تصویر یا کمتر نیاز دارید، در حالی که به طور سنتی باید ده ها هزار تصویر و حاشیه نویسی جمع آوری کنید تا یک مدل بینایی کامپیوتری ممکن شود.
چه کسی قهوه دوست دارد؟ من شخصاً آن را دوست دارم. 😊 اما آیا تا به حال به این فکر کرده اید که در آن فنجان عالی چه چیزی می رود؟ من دارم، به همین دلیل است که در پایان نامه دکتری خود، تصمیم گرفتم سیستم حاشیه نویسی خود را ایجاد کنم که بتواند میوه های قهوه و رسیده بودن آنها را برای برداشت تشخیص دهد.
در اینتل، ما در تلاش هستیم تا این موانع را از بین ببریم و توسعه مدل هوش مصنوعی را از طریق رابط‌های بصری مانند آنچه در پلتفرم نرم‌افزار Intel® Geti™ AI اخیراً منتشر شده، در دسترس‌تر و مشارکتی‌تر کنیم. این پلتفرم به گونه‌ای طراحی شده است که تیم‌های سازمانی متشکل از دانشمندان داده، کارشناسان یادگیری ماشین و متخصصان حوزه را قادر می‌سازد تا مدل‌های بینایی رایانه‌ای را ایجاد و بسازند – که زمان توسعه راه‌حل‌های هوش مصنوعی را به‌طور چشمگیری کاهش می‌دهد.
در این مثال، ما توانستیم با دقت 96 درصد شروع کنیم. اما ما می‌توانیم به پیکربندی و تنظیم دقیق پارامترهای یادگیری مدل‌های هوش مصنوعی خود با ویژگی یادگیری فعال پلت فرم Intel Geti ادامه دهیم. کاربر می تواند یافته های هوش مصنوعی را برای ارائه بازخورد و بهبود مستمر بپذیرد یا رد کند.
و خبرهای خوب دیگری نیز وجود دارد: Intel Geti را می توان در بسیاری از صنایع مختلف استفاده کرد. می توان از آن در شهرهای هوشمند برای نظارت دائمی برای هرگونه تهدید استفاده کرد. در تولید و انبارداری، خط تولید را زیر نظر دارد، عیوب را شناسایی می کند و موجودی را حفظ می کند. و در مراقبت های بهداشتی می تواند تشخیص و مراقبت از بیمار را بهبود بخشد.
برای این مثال، ما بر تقسیم بندی تمرکز خواهیم کرد. در پلتفرم Intel Geti، کاربران این امکان را دارند که بین تقسیم‌بندی نمونه یا تقسیم‌بندی معنایی یکی را انتخاب کنند. من نشان خواهم داد که چگونه یک مدل تقسیم‌بندی نمونه بسازیم، که اشیاء متمایز را در یک تصویر شناسایی و ترسیم می‌کند – یا در این مورد، میوه قهوه را در مراحل مختلف رسیدن. این مدل عالی است زیرا حتی اگر میوه ها در یک تصویر همپوشانی داشته باشند، مدل می تواند مرزها و رسیده بودن آن میوه خاص را تشخیص دهد. (راستش… این سخت ترین قسمت پایان نامه من بود 😉)
در اینجا، پرورش دهندگان قهوه می توانند با استفاده از دستگاه تلفن همراه خود عکس بگیرند، آن را در پلتفرم آپلود کنند و شروع به آموزش هوش مصنوعی برای شناسایی و شمارش میوه قهوه و همچنین مراحل مختلف رسیدگی آن کنند: نابالغ، نیمه بالغ، بالغ یا بیش از حد بالغ.
تولیدکنندگان قهوه دائماً نیاز به نظارت بر محصول خود دارند تا تصمیمات مبتنی بر داده در مورد برداشت را اتخاذ کنند و همچنین تاریخ‌های احتمالی لقاح، رسیدن و آفات را پیش‌بینی کنند. برای تخمین عملکرد باید گلها را در فصل گلدهی یا میوه ها را ماهها قبل از برداشت بشمارند. با شمارش رسیدن میوه قهوه چند هفته قبل از برداشت، پرورش دهندگان می توانند تخمین بزنند که چند نفر برای جمع آوری میوه باید استخدام کنند. در حالی که دانشمندان داده می توانند مدلی بسازند که به این امر کمک کند، آنها تخصص لازم برای درک اینکه آیا یک تکه میوه رسیده است یا نه را ندارند. به همین دلیل است که متخصص دامنه بسیار مهم است و باید در چرخه توسعه هوش مصنوعی گنجانده شود.
