Mukaan Gartner, hyperautomaatio on ykköstrendi vuonna 2022, ja se jatkuu myös tulevaisuudessa. Yksi hyperautomaation suurimmista esteistä on alueilla, joilla pyrimme edelleen vähentämään ihmisten osallistumista. Älykkäillä järjestelmillä on vaikeuksia sovittaa yhteen ihmisen visuaalisia tunnistuskykyjä, vaikka tietokonenäön syväoppiminen on edistynyt huomattavasti. Tämä johtuu pääasiassa selitetyn tiedon puutteesta (tai kun dataa on vähän) ja sellaisilla aloilla, kuten laadunvalvonta, joilla koulutetut ihmissilmät ovat edelleen hallitsevia. Toinen syy on ihmisten saavutettavuus kaikilla tuotteen toimitusketjun osa-alueilla, kuten tuotantolinjan laadunvalvontatarkastuksessa. Visuaalista tarkastusta käytetään laajasti tuotantolaitoksen erilaisten laitteiden, kuten varastosäiliöiden, paineastioiden, putkien, myyntiautomaattien ja muiden laitteiden sisäiseen ja ulkoiseen arviointiin, mikä laajenee monille aloille, kuten elektroniikka, lääketiede, CPG, ja raaka-aineet ja paljon muuta.
Tekoälyn (AI) käyttäminen automatisoituun visuaaliseen tarkastukseen tai ihmisen visuaalisen tarkastusprosessin laajentaminen tekoälyllä voi auttaa vastaamaan alla kuvattuihin haasteisiin.
Ihmisen visuaalisen tarkastuksen haasteet
Ihmisen johtamassa silmämääräisessä tarkastuksessa on seuraavat korkean tason ongelmat:
- Asteikko – Useimmat tuotteet käyvät läpi useita vaiheita kokoonpanosta toimitusketjuun laadunvalvontaan, ennen kuin ne asetetaan loppukuluttajan saataville. Vikoja voi ilmetä valmistusprosessin tai kokoonpanon aikana eri pisteissä tilassa ja ajassa. Siksi henkilökohtaisen silmämääräisen tarkastuksen käyttäminen ei aina ole mahdollista tai kustannustehokasta. Tämä kyvyttömyys skaalata voi johtaa katastrofeihin, kuten BP Deepwater Horizon -öljyvuoto ja Challenger-avaruussukkulan räjähdys, jonka negatiivinen kokonaisvaikutus (ihmisille ja luonnolle) ylittää rahalliset kustannukset melko paljon.
- Inhimillinen näkövirhe – Alueilla, joilla ihmisen ohjaama silmämääräinen tarkastus voidaan tehdä kätevästi, inhimillinen virhe on suuri tekijä, joka usein jää huomiotta. Seuraavan mukaan raporttiUseimmat tarkastustehtävät ovat monimutkaisia ja niissä on tyypillisesti 20–30 prosentin virheprosentti, mikä johtaa suoraan kustannuksiin ja ei-toivottuihin tuloksiin.
- Henkilöstö- ja muut kulut – Vaikka laadunvalvonnan kokonaiskustannukset voivat joidenkin mielestä vaihdella suuresti toimialan ja sijainnin mukaan arviot, koulutetun laatutarkastajan palkka vaihtelee välillä 26,000 60,000–XNUMX XNUMX dollaria (USD) vuodessa. On myös muita sekalaisia kustannuksia, joita ei välttämättä aina oteta huomioon.
SageMaker JumpStart on loistava paikka aloittaa erilaisia Amazon Sage Maker ominaisuuksia ja ominaisuuksia kuratoitujen yhden napsautusratkaisujen, esimerkkimuistikirjojen ja valmiiksi koulutettujen Computer Vision-, Natural Language Processing- ja taulukkotietomallien avulla, joita käyttäjät voivat valita, hienosäätää (tarvittaessa) ja ottaa käyttöön AWS SageMaker -infrastruktuurin avulla.
Tässä viestissä käymme läpi, kuinka voit ottaa nopeasti käyttöön automaattisen vianhakuratkaisun tiedon keräämisestä mallin päättelyyn käyttämällä julkisesti saatavilla olevaa tietojoukkoa ja SageMaker JumpStartia.
Ratkaisun yleiskatsaus
Tämä ratkaisu käyttää huippuluokan syväoppimismenetelmää pintavirheiden automaattiseen havaitsemiseen SageMakerin avulla. Vianhakuverkko tai DDN malli parantaa Nopeampi R-CNN ja tunnistaa mahdolliset viat teräspinnan kuvassa. The NEU-pintavikatietokanta, on tasapainotettu tietojoukko, joka sisältää kuusi erilaista kuumavalssatun teräsnauhan tyypillistä pintavirhettä: sisäänvalssattu asteikko (RS), paikat (Pa), säröily (Cr), kuoppainen pinta (PS), inkluusio (In), ja naarmut (Sc). Tietokanta sisältää 1,800 300 harmaasävykuvaa: XNUMX näytettä kussakin vikatyypissä.
Sisältö
JumpStart-ratkaisu sisältää seuraavat artefaktit, jotka ovat käytettävissäsi osoitteesta JupyterLab-tiedostoselain:
- pilvenmuodostus/ - AWS-pilven muodostuminen määritystiedostot luodaksesi asiaankuuluvia SageMaker-resursseja ja käyttääksesi käyttöoikeuksia. Sisältää myös puhdistuskomentosarjat luotujen resurssien poistamiseksi.
- src / – Sisältää seuraavat:
- ready_data/ – Tietojen valmistelu NEU-aineistoja varten.
- sagemaker_defect_detection/ – Pääpaketti, joka sisältää seuraavat:
- aineisto – Sisältää NEU-tietojoukon käsittelyn.
- mallit – Sisältää Automated Defect Inspection (ADI) -järjestelmän nimeltä Defect Detection Network. Katso seuraava paperi lisätietoja.
- utils – Erilaisia apuohjelmia visualisointiin ja COCO-arviointiin.
- classifier.py – Luokittelutehtävää varten.
- detector.py – Havaintotehtävää varten.
- transforms.py – Sisältää harjoituksissa käytetyt kuvamuunnokset.
- muistikirjat/ – Yksittäiset muistikirjat, joista keskustellaan tarkemmin myöhemmin tässä viestissä.
- skriptit / – Erilaisia käsikirjoituksia koulutusta ja rakentamista varten.
Oletustietojoukko
Tämä ratkaisu kouluttaa luokittimen NEU-CLS-tietojoukossa ja ilmaisimen NEU-DET-tietojoukossa. Tämä tietojoukko sisältää yhteensä 1800 kuvaa ja 4189 rajoitusruutua. Tietojoukossamme esiintyvät viat ovat seuraavat:
- Hullu (luokka:
Cr
, otsikko: 0) - Mukaanotto (luokka:
In
, otsikko: 1) - Kuoppainen pinta (luokka:
PS
, otsikko: 2) - Patch (luokka: Pa, etiketti: 3)
- Kääritty vaaka (luokka:
RS
, otsikko: 4) - Naarmut (luokka:
Sc
, otsikko: 5)
Seuraavassa on esimerkkikuvia kuudesta luokasta.
Seuraavat kuvat ovat näytteitä havaitsemistuloksista. Vasemmalta oikealle, meillä on alkuperäinen kuva, pohjan totuuden tunnistus ja SageMaker DDN -mallin lähtö.
arkkitehtuuri
JumpStart-ratkaisu toimitetaan valmiiksi pakattuna Amazon SageMaker Studio muistikirjat, jotka lataavat tarvittavat tietojoukot ja sisältävät koodin ja aputoiminnot mallin/mallien kouluttamiseen ja käyttöönottoon reaaliaikaisen SageMaker-päätepisteen avulla.
Kaikki muistikirjat lataavat tietojoukon julkiselta Amazonin yksinkertainen tallennuspalvelu (Amazon S3) ämpäri- ja tuontiaputoiminnot kuvien visualisoimiseksi. Kannettavien tietokoneiden avulla käyttäjä voi muokata ratkaisua, kuten hyperparametreja mallin harjoittelua tai suoritusta varten siirrä oppimista jos päätät käyttää ratkaisua vian havaitsemiseen.
Ratkaisu sisältää seuraavat neljä Studio-kannettavaa:
- 0_demo.ipynb – Luo malliobjektin esiopetetusta DDN-mallista NEU-DET-tietojoukossa ja ottaa sen käyttöön reaaliaikaisen SageMaker-päätepisteen takana. Sitten lähetämme joitakin kuvanäytteitä, joissa on vikoja havaitsemista varten ja visualisoimme tulokset.
- 1_retrain_from_checkpoint.ipynb – Kouluttaa esikoulutettua ilmaisintamme vielä muutaman aikakauden ajan ja vertaa tuloksia. Voit myös tuoda oman tietojoukon; käytämme kuitenkin samaa tietojoukkoa muistikirjassa. Mukana on myös vaihe siirtooppimisen suorittamiseksi hienosäätämällä esikoulutettua mallia. Syväoppimismallin hienosäätö yhdessä tietyssä tehtävässä sisältää tietystä tietojoukosta opittujen painojen käyttämisen mallin suorituskyvyn parantamiseksi toisessa tietojoukossa. Voit myös suorittaa hienosäädön samalla tietojoukolla, jota käytettiin alkuopetuksessa, mutta ehkä eri hyperparametreillä.
- 2_detector_from_scratch.ipynb – Kouluttaa ilmaisimemme alusta alkaen tunnistamaan, onko kuvassa vikoja.
- 3_classification_from_scratch.ipynb – Kouluttaa luokittelijamme alusta alkaen luokittelemaan kuvan virhetyypin.
Jokainen muistikirja sisältää pohjakoodin, joka ottaa käyttöön SageMakerin reaaliaikainen päätepiste mallin päättämistä varten. Voit tarkastella muistikirjojen luetteloa siirtymällä JupyterLab-tiedostoselaimeen ja siirtymällä "muistikirjat"-kansioon JumpStart Solution -hakemistossa tai napsauttamalla "Avaa muistikirja" JumpStart-ratkaisussa, erityisesti "Tuotevian tunnistus" -ratkaisusivulla (katso alla ).
Edellytykset
Tässä viestissä hahmoteltu ratkaisu on osa Amazon SageMaker JumpStart. Jotta voit suorittaa tämän SageMaker JumpStart 1P -ratkaisun ja saada infrastruktuurin käyttöön AWS-tilillesi, sinun on luotava aktiivinen Amazon SageMaker Studio -esiintymä (katso Onboard to Amazon SageMaker Domain).
Kaapelikäynnistys ominaisuudet eivät ole käytettävissä SageMaker-muistikirjan ilmentymissä, etkä voi käyttää niitä AWS-komentoriviliitäntä (AWS CLI).
Ota ratkaisu käyttöön
Tarjoamme esittelyvideoita tämän ratkaisun korkean tason vaiheista. Aloita käynnistämällä SageMaker JumpStart ja valitsemalla Tuotevirheiden havaitseminen ratkaisu Ratkaisumme Tab.
Mukana toimitetut SageMaker-muistikirjat lataavat syöttötiedot ja käynnistävät myöhemmät vaiheet. Syöttötiedot sijaitsevat S3-ämpärissä.
Koulutamme luokitin- ja ilmaisinmallit ja arvioimme tulokset SageMakerissa. Halutessasi voit ottaa käyttöön koulutetut mallit ja luoda SageMaker-päätepisteitä.
Edellisessä vaiheessa luotu SageMaker-päätepiste on HTTPS-päätepiste ja pystyy tuottamaan ennusteita.
Voit seurata mallin koulutusta ja käyttöönottoa kautta amazonin pilvikello.
Puhdistaa
Kun olet valmis käyttämään tätä ratkaisua, varmista, että poistat kaikki ei-toivotut AWS-resurssit. AWS CloudFormationin avulla voit poistaa automaattisesti kaikki vakioresurssit, jotka ratkaisu ja muistikirja ovat luoneet. Poista pääpino AWS CloudFormation -konsolissa. Pääpinon poistaminen poistaa automaattisesti sisäkkäiset pinot.
Sinun on poistettava manuaalisesti kaikki ylimääräiset resurssit, jotka olet luonut tähän muistikirjaan, kuten ylimääräiset S3-säilöt ratkaisun oletussäilön lisäksi tai ylimääräiset SageMaker-päätepisteet (käyttäen mukautettua nimeä).
Yhteenveto
Tässä viestissä esittelimme SageMaker JumpStart -ratkaisun, joka koskee visuaalisen tarkastuksen, laadunvalvonnan ja vikojen havaitsemisen nykytilaa eri toimialoilla. Suosittelimme uutta lähestymistapaa nimeltään Automated Defect Inspection -järjestelmä, joka on rakennettu käyttämällä esikoulutettua DDN malli teräspintojen vikojen havaitsemiseen. Kun käynnistit JumpStart-ratkaisun ja latasit julkiset NEU-tietojoukot, otit käyttöön valmiiksi koulutetun mallin SageMakerin reaaliaikaisen päätepisteen taakse ja analysoit päätepistemittauksia CloudWatchin avulla. Keskustelimme myös muista JumpStart-ratkaisun ominaisuuksista, kuten omien harjoitustietojen tuomisesta, siirtooppimisen suorittamisesta sekä tunnistimen ja luokittelijan uudelleenkouluttamisesta.
Kokeile tätä JumpStart ratkaisu SageMaker Studiossa, joko kouluttamalla nykyinen malli uudelleen uudelle tietojoukolle vian havaitsemista varten tai valitsemalla SageMaker JumpStart -kirjastosta tietokonenäkömallit, NLP mallit or taulukkomallit ja ota ne käyttöön tiettyyn käyttötarkoitukseen.
Tietoja Tekijät
Vedant Jain on Sr. AI/ML Specialist Solutions Architect, joka auttaa asiakkaita saamaan arvoa AWS:n koneoppimisekosysteemistä. Ennen AWS:ään liittymistään Vedant on toiminut ML/Data Science Specialty -tehtävissä useissa yrityksissä, kuten Databricksissa, Hortonworksissa (nykyisin Cloudera) ja JP Morgan Chasessa. Työnsä ulkopuolella Vedant on intohimoinen musiikin tekemiseen, Tieteen avulla merkitykselliseen elämään ja herkullisten kasvisruokien tutkimiseen ympäri maailmaa.
Tao Sun on AWS:n soveltava tutkija. Hän sai Ph.D. tietojenkäsittelytieteen yliopistossa Massachusetts, Amherst. Hänen tutkimusintressiään ovat syvävahvistusoppiminen ja todennäköisyysmallinnus. Hän osallistui AWS DeepRaceriin, AWS DeepComposeriin. Hän pitää juhlatanssista ja lukemisesta vapaa-ajallaan.
- "
- &
- 000
- 100
- 2022
- 28
- a
- kyvyt
- Meistä
- pääsy
- Mukaan
- Tili
- aktiivinen
- Lisäksi
- osoite
- edistysaskeleet
- AI
- Kaikki
- Vaikka
- aina
- Amazon
- Toinen
- sovellettu
- käyttää
- lähestymistapa
- noin
- keinotekoinen
- tekoäly
- Tekoäly (AI)
- Kokoonpano
- arviointi
- Automatisoitu
- automaattisesti
- Automaatio
- saatavissa
- AWS
- esteet
- ennen
- takana
- ovat
- alle
- välillä
- tuoda
- selain
- Rakentaminen
- kyvyt
- kykenee
- tapaus
- ketju
- haasteet
- jahdata
- Valita
- luokka
- luokat
- luokittelu
- koodi
- Yritykset
- monimutkainen
- tietokone
- Tietojenkäsittelyoppi
- Konfigurointi
- Console
- kuluttaja
- sisältää
- jatkaa
- osaltaan
- ohjaus
- valvonta
- kustannustehokas
- kustannukset
- luoda
- luotu
- luo
- kuratoitu
- Nykyinen
- Nykyinen tila
- asiakassuhde
- Asiakkaat
- räätälöidä
- tiedot
- tietokanta
- syvä
- Riippuen
- sijoittaa
- käyttöön
- käyttöönotto
- lauennut
- Huolimatta
- yksityiskohta
- yksityiskohdat
- Detection
- eri
- suoraan
- katastrofien
- etäisyys
- verkkotunnuksen
- download
- aikana
- kukin
- ekosysteemi
- Elektroniikka
- päätepiste
- laitteet
- arvioida
- arviointi
- esimerkki
- näyttely
- olemassa
- laajenee
- Laitos
- Ominaisuudet
- jälkeen
- seuraa
- alkaen
- tehtävät
- tulevaisuutta
- menee
- Harmaasävy
- suuri
- suuresti
- Käsittely
- auttaa
- auttaa
- horisontti
- Miten
- Miten
- Kuitenkin
- HTTPS
- ihmisen
- Ihmiset
- tunnistaa
- kuva
- kuvien
- Vaikutus
- mukana
- sisältää
- sisällyttäminen
- henkilökohtainen
- teollisuuden
- teollisuus
- Infrastruktuuri
- panos
- esimerkki
- Älykkyys
- Älykäs
- etu
- kysymykset
- IT
- tuloaan
- JP Morgan
- JP Morgan Chase
- Merkki
- Kieli
- käynnistää
- käynnistettiin
- johtaa
- oppinut
- oppiminen
- Kirjasto
- linja
- Lista
- sijainti
- kone
- koneoppiminen
- Koneet
- tehty
- merkittävä
- tehdä
- Tekeminen
- käsin
- valmistus
- Massachusetts
- matching
- tarvikkeet
- mielekäs
- lääketieteellinen
- Metrics
- malli
- mallit
- Raha
- monitori
- lisää
- Morgan
- eniten
- moninkertainen
- Musiikki
- Nasa
- Luonnollinen
- luonto
- navigointi
- negatiivinen
- verkko
- muistikirja
- numero
- saatu
- Öljy
- alkuperäinen
- Muut
- yleinen
- oma
- paketti
- osa
- erityinen
- intohimoinen
- Merkit
- suorituskyky
- esittävä
- ehkä
- pistettä
- mahdollinen
- Ennusteet
- paine
- edellinen
- prosessi
- käsittely
- Tuotteet
- tuotanto
- Tuotteemme
- toimittaa
- mikäli
- julkinen
- laatu
- nopeasti
- Hinnat
- raaka
- Lukeminen
- reaaliaikainen
- vähentää
- merkityksellinen
- tarvitaan
- tutkimus
- Esittelymateriaalit
- tulokset
- ajaa
- palkka
- sama
- SC
- Asteikko
- tiede
- Tiedemies
- Yksinkertainen
- SIX
- ratkaisu
- Ratkaisumme
- jonkin verran
- Tila
- asiantuntija
- Erikoisuus
- erityinen
- erityisesti
- pino
- vaiheissa
- standardi
- Alkaa
- alkoi
- Osavaltio
- huippu-
- Yhä
- Levytila
- studio
- toimittaa
- toimitusketju
- pinta
- järjestelmä
- järjestelmät
- tehtävät
- -
- maailma
- siksi
- Kautta
- aika
- koulutus
- junat
- siirtää
- muunnokset
- tyypillisesti
- yliopisto
- USD
- käyttää
- Käyttäjät
- apuohjelmia
- arvo
- eri
- Videoita
- Näytä
- visio
- visualisointi
- wikipedia
- Referenssit
- maailman-
- vuosi
- Sinun