Hallo Leser. Ich habe bereits mehrmals versucht, diesen Artikel zu schreiben, aber jedes Mal, wenn ich ihn aufschob, war ich bei dem Gedanken an die Notwendigkeit, tief über die gesammelten Erfahrungen nachzudenken, von Niedergeschlagenheit und Traurigkeit bedeckt. Ich habe jedoch meine Absicht bekräftigt, dies zu tun, um meine Erfahrungen mit denen von Ihnen zu teilen, die planen, im KI-Bereich etwas Ähnliches zu tun. Alle folgenden Punkte gelten für einen ganz bestimmten Tätigkeitsbereich: KI in Bezug auf Computer Vision.
Haftungsausschluss : Ich bin kein Experte für neuronale Netze, aber ich spiele die Rolle des Eigentümers eines Produkts, bei dem neuronale Netzmodelle für Computer Vision eine Schlüsselrolle spielen. Dieser Artikel richtet sich an diejenigen, die gezwungen sind, die gleiche Arbeit zu leisten, sowie an diejenigen ML-Spezialisten, die verstehen möchten, wie Menschen ihre Aktivitäten von der Seite des Geschäfts aus betrachten.
Daher stellen wir ein Produkt auf der Basis von Computer Vision her, das die Erkennung, Verfolgung, Identifizierung, Neuidentifizierung von Personen sowie die Bestimmung ihres Geschlechts und Alters umfasst.
Wir haben lange Zeit verschiedene Projekte durchgeführt, einschließlich solcher mit ML-Elementen, aber dies ist das erste Mal, dass wir ein Projekt durchführen, bei dem dieser Teil von zentraler Bedeutung ist. Während dieser Zeit habe ich als Produktbesitzer viele neue und seltsame Dinge gelernt und einige Prinzipien formuliert, die für den Erfolg bei der Entwicklung solcher Produkte wichtig sind.
Risiko bei AI-Produkten
Das Risiko ist enorm. Tatsächlich endet die Erstellung eines KI-Produkts, wenn alle Risiken beseitigt sind. Wenn Sie bei der Erstellung von Produkten mit klassischen Algorithmen 5 bis 20% Ihrer Zeit mit Risiko verbringen, ist bei AI-Produkten die Erstellung eines Produkts selbst ein Kampf gegen das Risiko. Ich schätze den Zeitaufwand für das Risikomanagement auf 90-95% der Zeit, die für die Erstellung eines AI-Produkts aufgewendet wurde. Aus dieser Beobachtung ergeben sich wichtige Schlussfolgerungen.
FĂĽr Lebensmittelunternehmen
Der Lieferplan und damit die Kosten werden mit hoher Wahrscheinlichkeit immer wieder versagen, was uns bevorstand.
Das Risiko ist so groĂź, dass es keinen Sinn macht, etwas an dem Produkt zu tun, bevor der AI-Teil fertiggestellt, getestet und geliefert wurde.
FĂĽr Auftragnehmer
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 — , , - .