Hoe u branchespecifieke AI-modellen kiest en implementeert

Als kunstmatige intelligentie wordt geavanceerder, voorheen geavanceerde – maar generieke – AI-modellen worden gemeengoed, zoals die van Google Cloud Visie AI or Amazon Rekognition.

Hoewel ze in sommige gebruikssituaties effectief zijn, voldoen deze oplossingen niet direct aan branchespecifieke behoeften. Organisaties die de meest nauwkeurige resultaten uit hun AI-projecten nastreven, zullen zich eenvoudigweg moeten wenden tot branchespecifieke modellen.

Er zijn een aantal manieren waarop bedrijven sectorspecifieke resultaten kunnen genereren. Eén daarvan zou zijn om een ​​hybride aanpak te hanteren: een generiek open-source AI-model en dit verder trainen om het af te stemmen op de specifieke behoeften van het bedrijf. Bedrijven kunnen ook kijken naar externe leveranciers, zoals IBM of C3, en direct toegang krijgen tot een complete oplossing. Of – als dat echt nodig was – konden datawetenschapsteams hun eigen modellen intern bouwen, helemaal opnieuw.

Laten we eens kijken naar elk van deze benaderingen en hoe bedrijven kunnen beslissen welke aanpak geschikt is voor hun specifieke omstandigheden.

Generieke modellen alleen volstaan ​​vaak niet

Generieke AI-modellen zoals Vision AI of Rekognition en open-source modellen van TensorFlow of Scikit-learn leveren vaak onvoldoende resultaten op als het gaat om niche-use cases in sectoren als de financiële sector of de energiesector. Veel bedrijven hebben unieke behoeften, en modellen die niet over de contextuele gegevens van een bepaalde sector beschikken, zullen geen relevante resultaten kunnen opleveren.

Voortbouwend op open-sourcemodellen

Bij ThirdEye Data hebben we onlangs samengewerkt met een nutsbedrijf om defecten in elektriciteitsmasten te labelen en op te sporen door AI te gebruiken om duizenden beelden te analyseren. We zijn begonnen met het gebruik van de Google Vision API en kwamen erachter dat deze niet de gewenste resultaten kon opleveren, waarbij de precisie en herinneringswaarden van de AI-modellen volledig onbruikbaar waren. De modellen konden de tekens in de tags op de elektriciteitspalen 90% van de tijd niet lezen omdat het niet-standaard lettertype en de verschillende achtergrondkleuren die in de tags werden gebruikt, niet werden geïdentificeerd.

Daarom hebben we basiscomputer vision-modellen van TensorFlow overgenomen en deze geoptimaliseerd voor de precieze behoeften van het nutsbedrijf. Na twee maanden ontwikkeling van AI-modellen om tags op de elektrische palen te detecteren en te ontcijferen, en nog eens twee maanden training van deze modellen, laten de resultaten een nauwkeurigheidsniveau van meer dan 90% zien. Deze zullen in de loop van de tijd blijven verbeteren met herhalingen van herscholing.

Elk team dat zijn AI-mogelijkheden wil uitbreiden, moet eerst zijn data en use cases toepassen op een generiek model en de resultaten beoordelen. Open-source algoritmen waarmee bedrijven aan de slag kunnen, zijn te vinden op AI- en ML-frameworks zoals TensorFlow, Scikit-learn of Microsoft Cognitive Toolkit. Bij ThirdEye Data gebruikten we convolutionele neurale netwerkalgoritmen (CNN) op TensorFlow.

Als de resultaten vervolgens onvoldoende zijn, kan het team het algoritme uitbreiden door het verder te trainen op basis van hun eigen branchespecifieke gegevens.

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