人工智能解決方案不僅僅是定義機器學習模型
AI Solutions Are More Than Just Defining Machine Learning Models.
3 June, 2021 by
人工智能解決方案不僅僅是定義機器學習模型
Laps Solutions Limited

“Those of us in machine learning are really good at doing well on a test set, but unfortunately deploying a system takes more than doing well on a test set.”, Dr. Andrew Ng, who co-founded Google Brain and Coursera, is currently CEO of DeepLearning.AI, said.
 
當你計劃開發 AI 方案來解決業務問題時,你不僅需要讓 AI 和 ML 專業人員找到合適的機器學習模型,使用測試數據訓練模型並利用模型預測你認為有價值的信息,你還必須整合 AI 子系統以與現有系統和許多工作流無縫協作。
 
我們最近參與了一個使用人工智能識別系統的道路缺陷檢測項目。這是一個使用監督機器學習模型的系統。機器學習訓練和測試數據是數千張道路缺陷的分類圖像,機器學習模型用於預測道路的健康狀況。如果你熟悉 AI 和 ML,你可能會認為這個 AI 子系統開發看起來並不太困難。(順便說一句,在這裡準備分類圖像可能是最耗時間和人力資源。)
 
但是,完整項目需要更多資源才能使人工智能識別系統適合實際業務使用。首先,為了檢測缺陷,會利用行駛車輛上的攝像鏡頭連續拍攝沿路圖像,以便可以定時取樣照片,或沿路拍攝視頻然後進行後端處理,將視頻轉換為有用的圖像。項目還將涵蓋使用邊緣計算設備 (此處為移動應用程序和手機) 和雲計算集成 (將視頻或圖像文件上傳到雲儲存區域) 的前端應用程序 (Front-end Application) 開發,應用程序將被道路上的前線人員使用。
 
為了運用機器學習模型的預測結果,將使用 ERP 系統整合相關信息和工作流程。例如,根據特定位置或區域的缺陷警報 (defect alerts) 和全球定位系統 (GPS) 數據,ERP 會自動向指定主管或經理發出臨時檢查和維修訂單請求,以批核工作行動。同時,智能系統為相關工作流程、管理和操作報表提供用戶界面。
 
總之,部署 AI 系統(用於商業用途)不僅僅需要在測試(訓練)數據集上做得好。

Share this post