تطوير منتجات الذكاء الاصطناعي على أساس رؤية الآلة. بأثر رجعي وسيط: أفكار ، ألم ، معاناة

مرحبا القراء. لقد حاولت بالفعل كتابة هذا المقال عدة مرات ، لكن في كل مرة أؤجلها ، لأنه عند التفكير في الحاجة إلى التفكير العميق في التجربة المتراكمة ، كنت أشعر باليأس والحزن. ومع ذلك ، فقد عززت نيتي للقيام بذلك من أجل مشاركة تجربتي مع أولئك الذين يخططون للقيام بشيء مماثل في مجال الذكاء الاصطناعي. كل ما يلي ينطبق على مجال نشاط محدد للغاية: الذكاء الاصطناعي من حيث رؤية الكمبيوتر.

إخلاء المسؤولية : أنا لست خبيرًا في الشبكات العصبية ، لكني ألعب دور مالك المنتج الذي تلعب فيه نماذج الشبكة العصبية للرؤية الحاسوبية دورًا رئيسيًا. هذه المقالة مخصصة لأولئك الذين يجبرون على القيام بنفس العمل ، وكذلك لمتخصصي ML ​​الذين يرغبون في فهم كيف ينظر الناس إلى أنشطتهم من جانب الأعمال.

لذلك ، نحن نصنع منتجًا يعتمد على رؤية الكمبيوتر ، والتي تشمل الكشف والتتبع وتحديد الهوية وإعادة التعرف على الأشخاص وتحديد جنسهم وعمرهم.

لقد قمنا بتنفيذ مشاريع مختلفة لفترة طويلة ، بما في ذلك تلك التي تحتوي على عناصر ML ، ولكن هذه هي المرة الأولى التي ننفذ فيها مشروعًا يكون فيه هذا الجزء مركزيًا. خلال هذا الوقت ، بصفتي مالك منتج ، تعلمت الكثير من الأشياء الجديدة والغريبة وصاغت بعض المبادئ المهمة لتحقيق النجاح في إنشاء مثل هذه المنتجات.

المخاطر في منتجات الذكاء الاصطناعي

الخطر هائل. في الواقع ، ينتهي إنشاء منتج الذكاء الاصطناعي بالفعل عند إزالة جميع المخاطر. إذا كنت ، في حالة إنشاء منتجات باستخدام الخوارزميات الكلاسيكية ، تقضي من 5 إلى 20٪ من وقتك في العمل مع المخاطرة ، ففي حالة منتجات الذكاء الاصطناعي ، فإن عملية إنشاء منتج بحد ذاته هي معركة ضد المخاطر. أقدر مقدار الوقت الذي يقضيه في مكافحة المخاطر بنسبة 90-95 ٪ من الوقت من إنشاء منتج AI. استنتاجات مهمة تتبع من هذه الملاحظة.

لشركات البقالة

جدول التسليم ، وبالتالي التكلفة ، بدرجة عالية من الاحتمالية ، سيتم إخفاقها بشكل متكرر ، وهو ما واجهناه.

المخاطرة كبيرة لدرجة أنه ليس من المنطقي القيام بشيء حيال المنتج قبل اكتمال جزء الذكاء الاصطناعي واختباره وتسليمه.

للمقاولين

AI- SMB / . "" Tinkoff, , . — .

, . , " , ".

AI Scrum , .

, , AI, Agile , , , "3 , 2 " .

. , , , .

:

: YOLOv4 – real-time Microsoft COCO

: Yolo4 Yolo3;

TL: , .

, Y3 Y4, .

.

ML, . : / , , , , .

. , . , , , , whatever. ML- , , , . .

, , , , . , , .

( ), ML . -, . , .

, — . .

, , , . , .

, Precision, Recall, F1, etc. .

, , 99.99% , , , , .

-

, . , — . , single shot .

. , realtime Yolo4. — 60 FPS Tesla T4. 416x416 , , FPS.

, Yolo4 , (FYI: ~ 15% ( 110 px 720p). , , . , . , .

: — . single shot ML — , .

- .

, :

• ;
• Yolo4 320x320, 416x416;
• .

" , , , , 320x320, 416x416"?

, , :

• ;
• , ;
• ;
• , , ;
• .

, , single shot -.

IT 15 , , . , ML, , : " , ".

, , , , .

, BigData Backend ML, .

, " " , . … - , , .

— .

, , , ML , , , .

— Terra Incognita

, Nvidia — Nvidia DeepStream . , DeepStream . Nvidia Inception, , - DeepStream, , .

" PyTorch" " DeepStream" , - C, Gstreamer, , , , TensorRT.

DeepStream — , Segmentation Fault, Python c NumPy, — - Gstreamer.

, Nvidia — . , — Nvidia, ML, .

ML- . , , -, etc. .

, , .

, WBS ML… ML- . , Trello -, ML- -.

:

, , WBS.

ML . — , . . " , ".

, :

, . , , .

ML- — , , , , , , , .

ML , , , , -, 23 , 14 16 , .

, . AI — , , - .