الكرونوميا هي شركة تقنية بيولوجية تستخدم المؤشرات الحيوية - معلومات قابلة للقياس الكمي مأخوذة من تحليل الجزيئات - جنبًا إلى جنب مع التكنولوجيا لإضفاء الطابع الديمقراطي على استخدام العلم والبيانات لتحسين حياة الناس. هدفهم هو تحليل العينات البيولوجية وتقديم معلومات قابلة للتنفيذ لمساعدتك في اتخاذ القرارات - حول أي شيء تكون فيه معرفة المزيد عن غير المرئي أمرًا مهمًا. تتيح منصة Chronomics لمقدمي الخدمات تنفيذ التشخيصات المنزلية بسلاسة على نطاق واسع - كل ذلك دون التضحية بالكفاءة أو الدقة. لقد عالج بالفعل ملايين الاختبارات من خلال هذه المنصة ويقدم تجربة تشخيص عالية الجودة.
خلال جائحة COVID-19 ، باعت Chronomics اختبارات التدفق الجانبي (LFT) للكشف عن COVID-19. يقوم المستخدمون بتسجيل الاختبار على المنصة عن طريق تحميل صورة لشريط الاختبار وإدخال قراءة يدوية للاختبار (إيجابية أو سلبية أو غير صالحة). مع زيادة عدد الاختبارات والمستخدمين ، سرعان ما أصبح من غير العملي التحقق يدويًا مما إذا كانت النتيجة المبلغ عنها تتطابق مع النتيجة في صورة الاختبار. أرادت Chronomics بناء حل قابل للتطوير يستخدم رؤية الكمبيوتر للتحقق من النتائج.
في هذا المنشور ، نشارك كيفية استخدام Chronomics الأمازون إعادة الاعتراف لاكتشاف نتائج اختبار التدفق الجانبي لـ COVID-19 تلقائيًا.
تجهيز البيانات
تُظهر الصورة التالية صورة شريط اختبار تم تحميله بواسطة مستخدم. تتكون مجموعة البيانات من صور مثل هذه. يجب تصنيف هذه الصور على أنها إيجابية أو سلبية أو غير صالحة ، بما يتوافق مع نتيجة اختبار COVID-19.
كانت التحديات الرئيسية مع مجموعة البيانات كما يلي:
- مجموعة بيانات غير متوازنة - كانت مجموعة البيانات منحرفة للغاية. أكثر من 90٪ من العينات كانت من الفئة السلبية.
- مدخلات مستخدم غير موثوقة - القراءات التي تم الإبلاغ عنها يدويًا من قبل المستخدمين لم تكن موثوقة. حوالي 40٪ من القراءات لم تتطابق مع النتيجة الفعلية للصورة.
لإنشاء مجموعة بيانات تدريبية عالية الجودة ، قرر مهندسو Chronomics اتباع الخطوات التالية:
- الشرح اليدوي - حدد 1,000 صورة وقم بتسميتها يدويًا لضمان تمثيل الفئات الثلاث بالتساوي
- تكبير الصورة - زيادة الصور المصنفة لزيادة العدد إلى 10,000
تم إجراء تكبير الصورة باستخدام البومات، مكتبة بايثون مفتوحة المصدر. تم إجراء عدد من التحولات مثل الدوران وإعادة القياس والسطوع لإنشاء 9,000 صورة تركيبية. تمت إضافة هذه الصور الاصطناعية إلى الصور الأصلية لإنشاء مجموعة بيانات عالية الجودة.
بناء نموذج رؤية كمبيوتر مخصص باستخدام Amazon Rekognition
اتجه مهندسو الكرونوميكس نحو ذلك تسميات Amazon Rekognition المخصصة، إحدى ميزات Amazon Rekognition مع إمكانات AutoML. بعد توفير صور التدريب ، يمكن تحميل البيانات وفحصها تلقائيًا ، وتحديد الخوارزميات الصحيحة ، وتدريب نموذج ، وتوفير مقاييس أداء النموذج. يعمل هذا على تسريع عملية التدريب ونشر نموذج رؤية الكمبيوتر بشكل كبير ، مما يجعله السبب الرئيسي لاعتماد Chronomics Amazon Rekognition. باستخدام Amazon Rekognition ، تمكنا من الحصول على نموذج عالي الدقة في غضون 3-4 أسابيع بدلاً من قضاء 4 أشهر في محاولة بناء نموذج مخصص لتحقيق الأداء المطلوب.
يوضح الرسم البياني التالي خط أنابيب التدريب النموذجي. تمت معالجة الصور المشروحة مسبقًا باستخدام ملف AWS لامدا وظيفة. ضمنت خطوة المعالجة المسبقة هذه أن الصور كانت بتنسيق الملف المناسب كما نفذت بعض الخطوات الإضافية مثل تغيير حجم الصورة وتحويل الصورة من RGB إلى تدرج الرمادي. لوحظ أن هذا أدى إلى تحسين أداء النموذج.
بعد تدريب النموذج ، يمكن نشره للاستدلال بنقرة واحدة فقط أو استدعاء API.
أداء النموذج والضبط الدقيق
أسفر النموذج عن دقة تبلغ 96.5٪ ودرجة F1 تبلغ 97.9٪ على مجموعة من الصور خارج العينة. درجة F1 هي مقياس يستخدم الدقة والتذكر لقياس أداء المصنف. ال واجهة برمجة تطبيقات DetectCustomLabels يستخدم للكشف عن تسميات الصورة المرفقة أثناء الاستدلال. تقوم واجهة برمجة التطبيقات أيضًا بإرجاع الثقة التي تتمتع بها Rekognition Custom Labels في دقة التسمية المتوقعة. يحتوي الرسم البياني التالي على توزيع درجات الثقة للتسميات المتوقعة للصور. يمثل المحور السيني درجة الثقة مضروبة في 100 ، والمحور الصادي هو عدد التنبؤات في مقياس اللوغاريتمات.
من خلال تحديد عتبة درجة الثقة ، يمكننا تصفية التوقعات التي لها ثقة أقل. نتج عن عتبة 0.99 دقة 99.6٪ ، وتم تجاهل 5٪ من التوقعات. نتج عن عتبة 0.999 دقة بنسبة 99.87٪ ، مع تجاهل 27٪ من التوقعات. من أجل تقديم القيمة التجارية الصحيحة ، اختارت Chronomics عتبة 0.99 لزيادة الدقة وتقليل رفض التنبؤات. لمزيد من المعلومات، راجع تحليل صورة بنموذج مدرب.
يمكن أيضًا توجيه التنبؤات المهملة إلى الإنسان في الحلقة باستخدام أمازون المعزز بالذكاء الاصطناعي (Amazon A2I) لمعالجة الصورة يدويًا. لمزيد من المعلومات حول كيفية القيام بذلك ، راجع استخدم الذكاء الاصطناعي المعزز من Amazon مع Amazon Rekognition.
الصورة التالية هي مثال حيث حدد النموذج بشكل صحيح الاختبار على أنه غير صالح بثقة تبلغ 0.999.
وفي الختام
في هذا المنشور ، أظهرنا السهولة التي تمكنت بها Chronomics من إنشاء ونشر حل قائم على رؤية الكمبيوتر قابل للتطوير والذي يستخدم Amazon Rekognition للكشف عن نتيجة اختبار التدفق الجانبي لـ COVID-19. ال واجهة برمجة تطبيقات Amazon Rekognition يجعل من السهل جدًا على الممارسين تسريع عملية بناء نماذج الرؤية الحاسوبية.
تعرف على كيفية تدريب نماذج الرؤية الحاسوبية لحالة استخدام الأعمال الخاصة بك عن طريق زيارة الشروع في استخدام التسميات المخصصة Amazon Rekognition ومن خلال مراجعة دليل التسميات المخصصة من Amazon Rekognition.
حول المؤلف
ماتيا سبينيلي هو كبير مهندسي التعلم الآلي في Chronomics ، وهي شركة طبية حيوية. تتيح منصة Chronomics لمقدمي الخدمات تنفيذ التشخيصات المنزلية بسلاسة على نطاق واسع - كل ذلك دون التضحية بالكفاءة أو الدقة.
بيناك بانيغراهي تعمل مع العملاء لبناء حلول تعتمد على التعلم الآلي لحل مشاكل الأعمال الإستراتيجية على AWS. عندما لا يكون مشغولاً بالتعلم الآلي ، يمكن العثور عليه في نزهة أو قراءة كتاب أو متابعة الرياضة.
جاي راو هو مهندس حلول رئيسي في AWS. يستمتع بتقديم التوجيه الفني والاستراتيجي للعملاء ومساعدتهم في تصميم وتنفيذ الحلول على AWS.
الباشمين ميستري هو مدير أول للمنتجات في AWS. خارج العمل ، يستمتع بشمين برحلات التنزه سيرًا على الأقدام والتصوير وقضاء الوقت مع أسرته.
- AI
- ai الفن
- مولد الفن ai
- الروبوت ai
- الأمازون إعادة الاعتراف
- الذكاء الاصطناعي
- شهادة الذكاء الاصطناعي
- الذكاء الاصطناعي في البنوك
- روبوت ذكاء اصطناعي
- روبوتات الذكاء الاصطناعي
- برنامج ذكاء اصطناعي
- التعلم الآلي من AWS
- سلسلة كتلة
- مؤتمر blockchain ai
- عملة عبقرية
- الذكاء الاصطناعي للمحادثة
- مؤتمر التشفير ai
- حلول العملاء
- دال
- التعلم العميق
- google ai
- متوسط (200،XNUMX)
- علوم الحياة
- آلة التعلم
- أفلاطون
- أفلاطون ع
- الذكاء افلاطون البيانات
- لعبة أفلاطون
- أفلاطون داتا
- بلاتوغمينغ
- مقياس ai
- بناء الجملة
- زفيرنت