การประยุกต์ใช้การเรียนรู้เชิงลึกในโลกแห่งความเป็นจริงในระดับอุตสาหกรรม

บริษัทสาธารณูปโภคเป็นเจ้าของสายไฟยาวหลายล้านไมล์ และจำเป็นต้องตรวจสอบสายไฟเหล่านี้เป็นประจำ ความผิดปกติบนสายไฟสามารถส่งผลกระทบอย่างใหญ่หลวง เช่น ไฟฟ้าดับครั้งใหญ่ ไฟป่า และทำให้ชีวิตตกอยู่ในความเสี่ยงร้ายแรง เสาไฟฟ้าหลายล้านเส้นต้องได้รับการตรวจสอบจากมุมต่างๆ เพื่อค้นหาข้อบกพร่องที่อาจกว้างเพียงไม่กี่มิลลิเมตร

การต้องดูภาพจำนวนมหาศาลด้วยตนเองเพื่อค้นหาจุดบกพร่องเหล่านี้ถือเป็นงานที่ลำบากใจ

Sterblue สามารถเข้าถึงระดับมนุษย์ได้ในงานความผิดปกติหลายประการและงานการแบ่งส่วนอุปกรณ์บนอุปกรณ์สายส่งไฟฟ้า โดยใช้วิธีการเรียนรู้เชิงลึกและวิทยาการข้อมูลที่ล้ำสมัย

ที่นี่เรากำลังแบ่งปันข้อมูลเชิงลึกพื้นฐานจากประสบการณ์ที่เพิ่มขึ้นของเรา ซึ่งห่างไกลจากความซ้ำซากจำเจของ AI ในฐานะเครื่องมือมหัศจรรย์ที่ช่วยแก้ปัญหาทั้งหมดได้ในคลิกเดียว

ทุกอย่างเริ่มต้นด้วยข้อมูลที่ดี

ข้อมูลที่มีป้ายกำกับคุณภาพสูงมากเป็นสิ่งจำเป็นในการฝึกโครงข่ายประสาทเทียมให้ประสบความสำเร็จ ความจริงก็คือในปี 2019 เพื่อให้แมชชีนเลิร์นนิงประสบความสำเร็จ คุณต้องมีชุดข้อมูลที่เกือบจะสมบูรณ์แบบ

นี่คือสาเหตุที่กลยุทธ์ของ Sterblue คือการจัดหาโซลูชันการตรวจสอบแบบ end-to-end ที่ครอบคลุมทั้งการวิเคราะห์ข้อมูลอัตโนมัติและการบันทึกข้อมูลอัตโนมัติ การมีแผนการบินที่สะอาด กำหนดได้ชัดเจน และทำซ้ำได้ด้วยโดรนรอบๆ สายไฟ มีความสำคัญอย่างยิ่งในการได้รับชุดข้อมูลที่เป็นเนื้อเดียวกันที่ดี

หลังจากที่เราเริ่มใช้ภาพที่ถ่ายด้วยซอฟต์แวร์โดรน เราสังเกตเห็นการปรับปรุงที่ดีขึ้นอย่างมากเมื่อเปรียบเทียบกับการใช้ภาพที่ถ่ายด้วยวิธีการอื่น

ข้อมูลมากมาย

ข้อมูลคุณภาพสูงเป็นสิ่งหนึ่ง แต่เพื่อสร้างความแตกต่างในโลกของ AI ที่ประยุกต์ จำเป็นต้องมีการเข้าถึงข้อมูลจำนวนมาก

โครงการ AI ใดๆ ที่ขาดข้อมูลการฝึกอบรมจำนวนมากจะถือว่าล้มเหลว ยกเว้นในกรณีที่หายากอย่างยิ่งที่แนวทางการปฏิวัติได้รับการพัฒนาอย่างประสบความสำเร็จ แต่เรากำลังพูดถึงเหตุการณ์ที่เกิดขึ้นครั้งเดียวในรอบทศวรรษที่นี่ สำหรับเรา พื้นที่อื่นๆ ในโลก การมีช่องทางขนาดใหญ่ในการรับข้อมูลเข้าสู่ระบบเป็นสิ่งที่ต้องมีเพื่อให้ได้ผลลัพธ์ที่มีคุณค่า

เครื่องมือเก็บข้อมูลของ Sterblue ช่วยให้เราได้รับข้อมูลจำนวนมหาศาลเหล่านี้ แต่ถึงอย่างนั้น การใช้พลังงานจำนวนมากเพื่อปรับใช้เชิงปฏิบัติการโซลูชันการบันทึกข้อมูลในวงกว้างก็ถือเป็นสิ่งจำเป็นอย่างยิ่ง ทุกๆ วัน ผู้คนหลายสิบคนมีส่วนร่วมในการรวบรวมข้อมูลในภาคสนาม ซึ่งจำเป็นต้องมีการเตรียมการด้านลอจิสติกส์ที่มีค่าใช้จ่ายสูง

การติดฉลากคุณภาพสูง

การมีรูปภาพดีๆ จำนวนมากจะไม่มีประโยชน์หากการติดป้ายกำกับรูปภาพไม่ได้ดีเลิศ Sterblue เริ่มต้นจากการฝึกโครงข่ายประสาทเทียมโดยใช้รูปภาพที่ผู้ใช้ปลายทาง (ยูทิลิตี้) ติดป้ายกำกับบนแพลตฟอร์มของเรา อย่างไรก็ตาม เราสังเกตเห็นว่าคุณภาพไม่ได้สมบูรณ์แบบเสมอไป

เรื่องนี้สมเหตุสมผล: ผู้ใช้ปลายทางของเราคือบุคคลที่จ่ายเงินให้เราเพื่อหลีกเลี่ยงการติดป้ายกำกับรูปภาพด้วยตนเอง พวกเขายินดีที่จะติดป้ายกำกับชุดข้อมูลตั้งแต่แรกเพื่อเริ่มขั้นตอนการทำงานของ AI แต่ในปี 2019 AI ต้องการข้อมูลมากกว่านั้น และมาตรฐานคุณภาพที่สูงขึ้นซึ่งลูกค้าของเราไม่สามารถให้ได้โดยไม่ทำให้เกิดความเจ็บปวดมากเกินไป

นี่คือเหตุผลที่เราใช้ผู้ให้บริการติดป้ายกำกับข้อมูลบุคคลที่สามเพื่อล้างชุดข้อมูล ดังนั้นเราจึงได้ข้อมูลที่สมบูรณ์แบบสำหรับการฝึกอบรม AI การเปลี่ยนแปลงนี้เมื่อหลายเดือนก่อนเป็นการเปลี่ยนแปลงที่ส่งผลกระทบมากที่สุดเพียงครั้งเดียวที่เราดำเนินการเพื่อให้บรรลุเป้าหมาย

รู้จักโดเมนธุรกิจ

กลยุทธ์ของ Sterblue คือการจัดการประเภทธุรกิจประเภทต่างๆ ตามลำดับมาโดยตลอด สิ่งนี้พิสูจน์แล้วว่ามีคุณค่าอย่างมากเมื่อเราตระหนักว่าความรู้โดเมนธุรกิจเชิงลึกเป็นปัจจัยสำคัญแห่งความสำเร็จในการเรียนรู้ของเครื่องแบบประยุกต์

ความรู้ทางธุรกิจนี้ช่วยให้เราสามารถออกแบบการแสดงข้อมูลที่เหมาะสม เพิ่มประสิทธิภาพเครื่องมือการติดฉลาก รับประกันคุณภาพของข้อมูล และแง่มุมอื่นๆ มากมายของไปป์ไลน์วิทยาศาสตร์ข้อมูล

การฝึกอบรมโครงข่ายประสาทเทียมเชิงลึกโดยไม่มีความรู้ทางธุรกิจก็เหมือนกับการสอนหัวข้อที่คุณไม่รู้อะไรเลยเพียงแค่อ่านหนังสือ: คุณคิดว่ามันอาจจะได้ผลในทางทฤษฎี แต่กลับล้มเหลวในทางปฏิบัติ

ในทางกลับกัน ความรู้ทางธุรกิจโดยละเอียด ที่เราเรียนรู้จากการโต้ตอบกับข้อมูลในโลกแห่งความเป็นจริงตลอดหลายปีที่ผ่านมาถือเป็นทรัพย์สินอันล้ำค่าสำหรับเราในขณะนี้

ทำให้วิทยาศาสตร์ที่ยากลำบากเกิดขึ้น

ตามชื่อของมัน วิทยาศาสตร์ข้อมูลก็คือวิทยาศาสตร์ บางคนมองว่ามันเป็นรูปแบบศิลปะ แต่ก็ไม่ผิดไปกว่านี้อีกแล้ว

วิทยาศาสตร์ข้อมูลคือวิทยาศาสตร์ และนั่นหมายถึงการประเมินผลลัพธ์เทียบกับการวัดตามวัตถุประสงค์ในชีวิตจริง และไม่ละสายตาจากความจริงอันยากลำบาก มันง่ายที่จะหลอกตัวเองและกระตือรือร้นที่จะดูผลลัพธ์ที่น่าอัศจรรย์เหล่านี้ที่ AI ของคุณมอบให้ เมื่อสิ่งรอบตัวเต็มไปด้วยผลลัพธ์ขยะ สม่ำเสมอ ตัวชี้วัดเชิงวัตถุประสงค์เป็นวิธีที่ดีในการทราบว่าคุณอยู่ที่ไหนอย่างแม่นยำและคุณกำลังไปในทิศทางที่ถูกต้องหรือไม่ ผลลัพธ์โดยสรุปไม่ได้

ความสำเร็จใน AI ไม่ได้เกิดขึ้นจากการแสดงผาดโผนที่ไม่เหมือนใคร แต่โดยใช้วิธีการที่ล้ำสมัยอย่างมีระเบียบวิธี พร้อมด้วยแนวปฏิบัติและความคิดสร้างสรรค์ที่เป็นประโยชน์ไปพร้อมกัน

พลังแห่งการผสม

Machine Learning ไม่ใช่ปัญหาที่ได้รับการแก้ไขอย่างสมบูรณ์ ซึ่งหมายความว่าสำหรับปัญหาหนึ่งๆ หลายวิธีสามารถให้ผลลัพธ์ที่ดีได้ ในฐานะนักวิทยาศาสตร์ข้อมูล จำเป็นต้องเปิดกว้างต่อแนวทางต่างๆ และลองใช้เพื่อค้นหาแนวทางที่เกี่ยวข้องกับกรณีการใช้งานมากที่สุด

บ่อยครั้ง ความคงทนของโซลูชันขั้นสุดท้ายทำได้โดยการใช้โซลูชันต่างๆ ผสมผสานกันอย่างชาญฉลาด ภาพประกอบนี้คือตัวอย่างที่เป็นปฏิปักษ์: สติกเกอร์ธรรมดาๆ หรือพิกเซลที่เปลี่ยนแปลงเล็กน้อยสามารถ "หลอกสถาปัตยกรรมโครงข่ายประสาทเทียม" เพื่อสร้างความสับสนให้กับวัตถุกับวัตถุอื่นที่ดูเหมือนจะไม่เกี่ยวข้องกัน

เช่นเดียวกับสัตว์พันธุ์แท้ที่เปราะบางที่สุด และสัตว์ผสมพันธุ์ก็แข็งแกร่งกว่า การใช้ตาข่ายประสาทเทียมพันธุ์แท้บางครั้งก็เปราะบาง ผลิตภัณฑ์ที่ผสมผสานแนวทางการเรียนรู้ของเครื่องประยุกต์ต่างๆ จะมีประสิทธิภาพมากขึ้น

การสนับสนุนเครื่องมือ

เราเห็นว่าการบรรลุผลลัพธ์ที่มีคุณค่าในการประยุกต์ใช้ Machine Learning นั้นขึ้นอยู่กับองค์ประกอบสำคัญหลายประการที่ระบุไว้ข้างต้นในโพสต์นี้

สิ่งที่ฉันไม่ได้พูดถึงก็คือแต่ละองค์ประกอบเหล่านี้ต้องอาศัยเครื่องมือจำนวนมากเพื่อที่จะทำงานได้อย่างมีประสิทธิภาพ การพัฒนาเครื่องมือที่สนับสนุนและเพิ่มประสิทธิภาพขั้นตอนเหล่านี้ทั้งหมดคือสิ่งที่จริงๆ แล้วเกี่ยวกับแมชชีนเลิร์นนิงแบบประยุกต์

การพัฒนาโมเดลโครงข่ายประสาทเทียมใหม่เป็นเพียงส่วนเล็กๆ ที่ทำให้ประสบความสำเร็จในการประยุกต์ใช้แมชชีนเลิร์นนิงแบบประยุกต์ งานส่วนใหญ่เป็นเครื่องมือสนับสนุนทั้งหมดที่อยู่รอบ ๆ งาน

ตั้งแต่อินเทอร์เฟซการติดป้ายกำกับข้อมูลที่มีประสิทธิภาพสูงไปจนถึงการวางแผนการบินด้วยโดรนที่เหมาะสมที่สุด เครื่องมือ Sterblue ทั้งหมดมีส่วนร่วมในการสนับสนุนกรณีการใช้งานที่มีประสิทธิภาพสำหรับการเรียนรู้ของเครื่องในวงกว้าง