Центральный Пульт

Сценарии глубокого машинного обучения работают не только для технологичных компаний

 

Центральный Пульт

Отрасли, которые традиционно не технологически ориентированы, начинают находить способы использования механизмов глубокого машинного обучения, доказывая, что эти инструменты предназначены не только для крупных технологических компаний.

Когда цифровая рекламная компания Laughlin Constable обратилась к ассоциации производителей клюквы штата Висконсин, предложив им проект использования глубокого машинного обучения для выявления вредителей в болотах на которых растет клюква, идея была встречена скептицизмом.

Было непонятно, есть ли у производителей техническая основа для создания такого глубокого обучения. Но, выступая на саммите Spark+AI в Сан-Франциско, вице-президент компании по техническому проектированию Сэм Саха сказал, что он считает, что стоит попробовать в качестве примера использования в глубоком обучении.

«Много предприятий у которых нет опыта использования AI», — сказал он. «Это становится порочным циклом, когда инновация не течет вниз по течению. В какой-то момент вам нужно просто взять и попробовать».

 

Глубокое обучение не только для крупных технологических компаний

Большинство случаев использования технологий глубокого обучения, которые мы видели в последние годы, поступают от крупных технических игроков, таких как Amazon, Facebook и Google. Это создало представление о том, что, будучи мощным инструментом, глубокое обучение предназначено только для ведущих компаний с ограниченной применимостью в более общих корпоративных задачах. Но некоторые из них пытаются доказать, что это восприятие неправильно.

Саха сказал, что его компания подошла к проекту в качестве доказательства концепции, которая продемонстрировала бы, как менее технологичные компании могут внедрять инструменты AI.

Его команда создала приложение для iPhone, которое позволяет производителям клюквы фотографировать подозреваемых вредителей. Первоначальные изображения были отмечены сотрудниками Ocean Spray, крупного покупателя клюквы, которая заинтересована в здоровье болот. Затем, инженеры данных Laughlin Constable построили модель глубокого обучения, используя TensorFlow для определения конкретных типов вредителей на фотографиях фермеров.

Саха сказал, что это хороший пример того, как инструменты искусственного интеллекта, такие как глубокое обучение, могут использоваться организациями вне технологических центров. Он также показывает мощь инструментов с открытым исходным кодом.

Модель глубокого обучения, используемая в проекте, уже построена и доступна в TensorFlow; его просто нужно было обучить. Но Саха сказал, что сегодня он не видит много людей на предприятиях, которые используют этот подход, основанный на глубоком обучении. Вместо этого он видит убеждение, что если вы не пишете модели с нуля, то вы не делаете реального искусственного интеллекта (ИИ), что  препятствует внедрению ИИ на предприятиях, которые могут извлечь из этого выгоду.

«С деловой стороны люди всегда беспокоятся о том, действительно ли нам нужен ИИ», — сказал Саха. «С технической стороны они говорят, что мы не Google. Мы не Amazon. С чего начать? Прежде чем они даже попытаются решить проблему, они сдаются».

 

Строительство ИИ в строительной отрасли

Трудно быть дальше от ИИ, нежели заливать бетон и прокладывать трубы, но на саммите старший научный сотрудник по строительству компании Bechtel Corp. Эванн Смит описал практику использования компании в области глубокого обучения, которая направлена ​​на оптимизацию планирования строительства.

Смит в настоящее время возглавляет проект по использованию моделей обучения, аналогичных тем, которые используются AlphaGo, модель ИИ, которая победила чемпионов мира в игре Go в 2016 году, чтобы найти самый быстрый маршрут для решений. Модель запускает поэтапное моделирование решений, тестирование оптимальных последовательностей укладки бетона и прокладки труб.

Существует ряд особенностей, уникальных для строительства, которые исторически оставили отрасль менее зависимой от технологий, чем другие. Во-первых, сказал Смит, каждый проект уникален, что означает, что по существу нет набора данных обучения из прошлых проектов, которые могут использоваться для заданий машинного обучения, таких как работа, на которой она работает. Это одна из причин, почему она использует обучение, в котором симуляции по существу становится набором данных обучения.

Кроме того, метод Agile-разработки, ставший ведущей парадигмой для создания приложений AI в большинстве компаний, на самом деле не применим к строительству, в котором проекты выполняются последовательно, а не итеративно.

Тем не менее, Смит сказал, что он думает, что потенциал для использования случаев глубокого обучения в строительной индустрии огромен, и что Бектел только начинает изучать это утверждение.

«Цель состоит в том, чтобы овладеть нашими знаниями в отрасли и связать их с этим глубоким обучением, чтобы продвинуть отрасль вперед», — сказал он. «Возможность оптимизации очень важна».

По материалам TechTarget.

Комментарии