Πώς να επιλέξετε και να αναπτύξετε μοντέλα AI ειδικά για τον κλάδο

Ως τεχνητή νοημοσύνη γίνεται πιο προηγμένο, προηγουμένως αιχμής — αλλά γενικά — τα μοντέλα τεχνητής νοημοσύνης γίνονται συνηθισμένα, όπως το Google Cloud Vision AI or Αναγνώριση Amazon.

Αν και είναι αποτελεσματικές σε ορισμένες περιπτώσεις χρήσης, αυτές οι λύσεις δεν ανταποκρίνονται στις ειδικές ανάγκες της βιομηχανίας αμέσως. Οι οργανισμοί που αναζητούν τα πιο ακριβή αποτελέσματα από τα έργα τεχνητής νοημοσύνης τους θα πρέπει απλώς να στραφούν σε μοντέλα ειδικά για τον κλάδο.

Υπάρχουν μερικοί τρόποι με τους οποίους οι εταιρείες μπορούν να παράγουν αποτελέσματα ειδικά για τον κλάδο. Το ένα θα ήταν να υιοθετήσουμε μια υβριδική προσέγγιση — να υιοθετήσουμε ένα γενικό μοντέλο τεχνητής νοημοσύνης ανοιχτού κώδικα και να το εκπαιδεύσουμε περαιτέρω ώστε να ευθυγραμμιστεί με τις συγκεκριμένες ανάγκες της επιχείρησης. Οι εταιρείες θα μπορούσαν επίσης να απευθυνθούν σε τρίτους προμηθευτές, όπως η IBM ή το C3, και να έχουν πρόσβαση σε μια ολοκληρωμένη λύση απευθείας από το ράφι. Ή - αν το χρειαζόταν πραγματικά - οι ομάδες επιστήμης δεδομένων θα μπορούσαν να δημιουργήσουν τα δικά τους μοντέλα εσωτερικά, από την αρχή.

Ας βουτήξουμε σε καθεμία από αυτές τις προσεγγίσεις και πώς οι επιχειρήσεις μπορούν να αποφασίσουν ποια λειτουργεί για τις διαφορετικές περιστάσεις τους.

Τα γενικά μοντέλα από μόνα τους συχνά δεν το κόβουν

Τα γενικά μοντέλα τεχνητής νοημοσύνης όπως το Vision AI ή το Rekognition και αυτά ανοιχτού κώδικα από το TensorFlow ή το Scikit-learn συχνά αποτυγχάνουν να παράγουν επαρκή αποτελέσματα όταν πρόκειται για εξειδικευμένες περιπτώσεις χρήσης σε βιομηχανίες όπως ο χρηματοοικονομικός ή ο ενεργειακός τομέας. Πολλές επιχειρήσεις έχουν μοναδικές ανάγκες και τα μοντέλα που δεν διαθέτουν τα συμφραζόμενα δεδομένα ενός συγκεκριμένου κλάδου δεν θα είναι σε θέση να παρέχουν σχετικά αποτελέσματα.

Με βάση τα μοντέλα ανοιχτού κώδικα

Στο ThirdEye Data, συνεργαστήκαμε πρόσφατα με μια εταιρεία κοινής ωφέλειας για να επισημάνουμε και να ανιχνεύσουμε ελαττώματα σε ηλεκτρικούς πόλους χρησιμοποιώντας τεχνητή νοημοσύνη για την ανάλυση χιλιάδων εικόνων. Ξεκινήσαμε να χρησιμοποιούμε το Google Vision API και διαπιστώσαμε ότι δεν ήταν σε θέση να παράγει τα επιθυμητά μας αποτελέσματα — με τις τιμές ακρίβειας και ανάκλησης των μοντέλων AI εντελώς άχρηστες. Τα μοντέλα δεν μπόρεσαν να διαβάσουν τους χαρακτήρες μέσα στις ετικέτες στους ηλεκτρικούς στύλους το 90% του χρόνου, επειδή δεν αναγνώριζε τη μη τυπική γραμματοσειρά και τα διαφορετικά χρώματα φόντου που χρησιμοποιούνται στις ετικέτες.

Έτσι, πήραμε βασικά μοντέλα υπολογιστικής όρασης από το TensorFlow και τα βελτιστοποιήσαμε στις ακριβείς ανάγκες της εταιρείας κοινής ωφέλειας. Μετά από δύο μήνες ανάπτυξης μοντέλων τεχνητής νοημοσύνης για τον εντοπισμό και την αποκρυπτογράφηση ετικετών στους ηλεκτρικούς πόλους και άλλους δύο μήνες εκπαίδευσης αυτών των μοντέλων, τα αποτελέσματα εμφανίζουν επίπεδα ακρίβειας άνω του 90%. Αυτά θα συνεχίσουν να βελτιώνονται με την πάροδο του χρόνου με επαναλήψεις επανεκπαίδευσης.

Οποιαδήποτε ομάδα θέλει να επεκτείνει τις δυνατότητές της σε τεχνητή νοημοσύνη θα πρέπει πρώτα να εφαρμόσει τα δεδομένα της και να χρησιμοποιήσει περιπτώσεις σε ένα γενικό μοντέλο και να αξιολογήσει τα αποτελέσματα. Οι αλγόριθμοι ανοιχτού κώδικα με τους οποίους μπορούν να ξεκινήσουν οι εταιρείες μπορούν να βρεθούν σε πλαίσια AI και ML όπως το TensorFlow, το Scikit-learn ή το Microsoft Cognitive Toolkit. Στο ThirdEye Data, χρησιμοποιήσαμε αλγόριθμους συνελικτικού νευρωνικού δικτύου (CNN) στο TensorFlow.

Στη συνέχεια, εάν τα αποτελέσματα είναι ανεπαρκή, η ομάδα μπορεί να επεκτείνει τον αλγόριθμο εκπαιδεύοντάς τον περαιτέρω στα δικά της δεδομένα για συγκεκριμένο κλάδο.

Πηγή: https://techcrunch.com/2021/04/12/how-to-choose-and-deploy-industry-specific-ai-models/