传统的深度学习模型是一个监督模型。需要几个月的时间来开发和培养模式之前准备好生产线。联合创始人兼首席执行官,卡琳娜Odinaev Cortica和创始人之一gydF4y2Ba人工智能gydF4y2Ba启动精益AI,解释了为什么传统的深度学习模型是坏了,替代方案是什么。gydF4y2Ba

传统的深度学习模型是监督。所示的模型必须是成百上千的pre-tagged缺陷图片,教它如何确定什么是一个缺陷。过程需要大量的人工参与,从质量经理必须标记缺陷和人工智能专家优化体系结构和超参数。gydF4y2Ba

这次旅行并不是一件容易的事,可能需要数月时间。过程需要成千上万的图像和大量的时间——通常为每个相机和两个月对于每个产品类型,虽然这取决于任务上可以有很大的不同。你可能听到大胆的营销主张需要越来越少的图片,但你会经常发现在实践中,模型没有按预期工作,需要更多的图片和反馈。在许多情况下,质量经理将武力必须手动创建类似生产缺陷用于训练目的。鉴于这些人工缺陷不一定代表实际的缺陷,也就不足为奇了,这种方法会导致更进一步的问题。gydF4y2Ba

经过几周甚至几个月的工作训练模型pre-tagged数据集,结果仍是未知之数。系统就像一个黑盒,因为当失败时你无法明白为什么。另一个常见的挑战在生产过程中变化。所需的模型是适应变化,所以没有这个能力在线学习你很快就会遇到性能退化。gydF4y2Ba

完全无监督模式gydF4y2Ba

相反的监管模式是一个完全无监督模式。一些系统依靠部分统计数据来理解什么是好的,什么是一个缺陷。这种方法有许多挑战,包括工件在生产没有缺陷,缺陷在不同的地区和不同的敏感性这一事实缺陷定义是动态的。gydF4y2Ba

理想情况下,一个模型设计缺陷检测应该代表质量经理的知识和理解。他们知道他们的产品比任何人都更好地和他们的输入和反馈可以减轻上面描述的许多问题。最优解是一个模型更接近于无监督的一方面,但没有完全无监督系统的缺点。gydF4y2Ba

我们的无监督系统设计目标。而不必标记自己大量数据,你可以简单的饲料模型未标记数据和学习的本身,不受监督,有缺陷的产品是什么样子的。没有摆脱现实的喂它很多图片,但是这个过程是自动的,因此更快、更容易。gydF4y2Ba

一个无监督模式可以自动化构建模型的过程,因为它的算法允许它流未加标签的图片和工作本身可能的缺陷是什么样子。然而,一旦它能够识别异常值或潜在缺陷,你需要有人的知识产品的提供反馈,并允许模型不断优化。使用这种方法你利用质量管理的知识,但是你不要穿出来,要求标签成千上万的图片。gydF4y2Ba

这个过程需要多长时间?这是最大的投资回报。相比传统的模型需要花几个月的时间来准备部署到生产线,无监督模型可以提供一个可行的解决方案在几周或更少。模型本身可以学习生产线,节省您的时间和麻烦。和输入的质量经理,你喜欢自动化的好处没有与完全无监督系统遇到的问题到目前为止未能提供一个可行的解决方案。gydF4y2Ba

两全其美是一个人工智能的解决方案,允许质量经理保留控制的AI系统学习,但可以避免的麻烦浪费数月的标记工作。我们的无监督系统旨在实现这一愿景,利用和集成的质量控制知识,但自动化所需的繁琐工作,监督模型。gydF4y2Ba

精益AI使用Cortica提供目视检查软件的专利机器学习算法在工业中最艰难的用例。为了了解更多的情况,访问gydF4y2Balean-ai-tech.comgydF4y2Ba