לפי גרטנר, היפר-אוטומציה היא המגמה מספר אחת בשנת 2022 והיא תמשיך להתקדם בעתיד. אחד החסמים העיקריים להיפר-אוטומציה הוא באזורים שבהם אנו עדיין נאבקים להפחית את המעורבות האנושית. מערכות חכמות מתקשות להתאים ליכולות הזיהוי החזותי האנושי, למרות ההתקדמות הגדולה בלמידה עמוקה בראייה ממוחשבת. זה נובע בעיקר מהיעדר נתונים מוערים (או כאשר הנתונים דלילים) ובתחומים כמו בקרת איכות, שבהם עדיין שולטות עיניים אנושיות מאומנות. סיבה נוספת היא היתכנות של גישה אנושית בכל תחומי שרשרת אספקת המוצרים, כגון בדיקת בקרת איכות בפס הייצור. בדיקה חזותית נמצאת בשימוש נרחב לביצוע הערכה פנימית וחיצונית של ציוד שונים במתקן ייצור, כגון מיכלי אחסון, מכלי לחץ, צנרת, מכונות אוטומטיות וציוד אחר, המתרחב לתעשיות רבות, כגון אלקטרוניקה, רפואי, CPG, וחומרי גלם ועוד.
שימוש בבינה מלאכותית (AI) עבור בדיקה חזותית אוטומטית או הגדלת תהליך הבדיקה החזותית האנושית עם AI יכול לעזור להתמודד עם האתגרים המפורטים להלן.
אתגרים של בדיקה חזותית אנושית
לבדיקה חזותית בהנחיית אדם יש את הבעיות הבאות ברמה גבוהה:
- סולם - רוב המוצרים עוברים שלבים מרובים, מהרכבה לשרשרת האספקה ועד בקרת איכות, לפני שהם עומדים לרשות הצרכן הסופי. פגמים יכולים להתרחש במהלך תהליך הייצור או ההרכבה בנקודות שונות במרחב ובזמן. לכן, זה לא תמיד אפשרי או חסכוני להשתמש בבדיקה חזותית אנושית אישית. חוסר היכולת להרחיב יכול לגרום לאסונות כגון דליפת שמן של BP Deepwater Horizon ו פיצוץ מעבורת החלל צ'לנג'ר, שההשפעה השלילית הכוללת שלה (על בני האדם והטבע) גוברת על העלות הכספית בהרבה.
- טעות ראייה אנושית - באזורים בהם ניתן לבצע בדיקה ויזואלית בהנחיית אדם בצורה נוחה, טעות אנוש היא גורם מרכזי שלעתים קרובות מתעלמים ממנו. לפי הדברים הבאים לדווח, רוב משימות הבדיקה הן מורכבות ומציגות בדרך כלל שיעורי שגיאה של 20-30%, מה שמתורגם ישירות לעלות ולתוצאות לא רצויות.
- עלויות כוח אדם ושונות - למרות שהעלות הכוללת של בקרת איכות יכולה להשתנות מאוד בהתאם לתעשייה ולמיקום, לפי חלק הערכות, משכורת של מפקח איכותי מיומן נעה בין $26,000–60,000 (USD) לשנה. ישנן גם עלויות שונות אחרות שלא תמיד ניתן להתייחס אליהן.
SageMaker JumpStart הוא מקום נהדר להתחיל בו עם מגוון אמזון SageMaker תכונות ויכולות באמצעות פתרונות שנאספו בלחיצה אחת, מחברות לדוגמה ומודלים מאומנים מראש של ראיית מחשב, עיבוד שפה טבעית ונתונים טבלאיים שמשתמשים יכולים לבחור, לכוונן (במידת הצורך) ולפרוס באמצעות תשתית AWS SageMaker.
בפוסט זה, אנו עוברים על איך לפרוס במהירות פתרון זיהוי פגמים אוטומטי, החל מהטמעת נתונים ועד להסקת מודלים, באמצעות מערך נתונים זמין לציבור ו- SageMaker JumpStart.
סקירת פתרונות
פתרון זה משתמש בגישת למידה עמוקה מתקדמת כדי לזהות אוטומטית פגמים על פני השטח באמצעות SageMaker. רשת איתור הפגמים או דגם DDN משפר את R-CNN מהיר יותר ומזהה פגמים אפשריים בתמונה של משטח פלדה. ה מסד נתונים של פגמי שטח של NEU, הוא מערך נתונים מאוזן המכיל שישה סוגים של פגמים טיפוסיים של פני השטח של רצועת פלדה מגולגלת חמה: קנה מידה מגולגל (RS), טלאים (Pa), שגעון (Cr), משטח מגולגל (PS), הכללה (In), ושריטות (Sc). מסד הנתונים כולל 1,800 תמונות בגווני אפור: 300 דוגמאות כל אחת מסוג פגם.
תוֹכֶן
פתרון JumpStart מכיל את החפצים הבאים, הזמינים עבורך מה- דפדפן הקבצים של JupyterLab:
- יצירת ענן/ - AWS CloudFormation קבצי תצורה ליצירת משאבים רלוונטיים של SageMaker והחלת הרשאות. כולל גם סקריפטים לניקוי למחיקת משאבים שנוצרו.
- src / - מכיל את הדברים הבאים:
- הכנת_נתונים/ - הכנת נתונים עבור מערכי נתונים של NEU.
- Sagemaker_defect_detection/ - חבילה עיקרית המכילה את הדברים הבאים:
- מערך נתונים - מכיל טיפול במערך נתונים של NEU.
- מודלים – מכיל מערכת לבדיקת פגמים אוטומטית (ADI) הנקראת רשת איתור פגמים. ראה את הדברים הבאים מאמר לקבלת פרטים.
- כלים - כלי עזר שונים להדמיה והערכת COCO.
- classifier.py – למשימת הסיווג.
- detector.py – למשימת האיתור.
- transforms.py - מכיל את טרנספורמציות התמונה המשמשות באימון.
- מחברות/ - המחברות הבודדות, נדונו ביתר פירוט בהמשך פוסט זה.
- סקריפטים / – תסריטים שונים להדרכה ובנייה.
מערך נתונים ברירת מחדל
פתרון זה מאמן מסווג במערך הנתונים של NEU-CLS וגלאי במערך הנתונים של NEU-DET. מערך נתונים זה מכיל 1800 תמונות ו-4189 תיבות תוחמות בסך הכל. סוג הפגמים במערך הנתונים שלנו הם כדלקמן:
- משוגע (כיתה:
Cr
, תווית: 0) - הכללה (כיתה:
In
, תווית: 1) - משטח מחורר (מחלקה:
PS
, תווית: 2) - תיקונים (מחלקה: Pa, תווית: 3)
- סולם מגולגל (מחלקה:
RS
, תווית: 4) - שריטות (מחלקה:
Sc
, תווית: 5)
להלן תמונות לדוגמה של ששת הכיתות.
התמונות הבאות הן תוצאות זיהוי לדוגמה. משמאל לימין, יש לנו את התמונה המקורית, זיהוי האמת הקרקעית ופלט דגם SageMaker DDN.
אדריכלות
פתרון JumpStart מגיע ארוז מראש סטודיו SageMaker של אמזון מחברות שמורידות את מערכי הנתונים הנדרשים ומכילות את הקוד ופונקציות העזר להכשרת המודל/ים והפריסה באמצעות נקודת קצה של SageMaker בזמן אמת.
כל המחברות מורידות את מערך הנתונים מציבור שירות אחסון פשוט של אמזון (Amazon S3) פונקציות דלי וייבוא כדי להמחיש את התמונות. המחברות מאפשרות למשתמש להתאים אישית את הפתרון, כגון היפרפרמטרים לאימון מודל או ביצוע העברת למידה למקרה שתבחר להשתמש בפתרון למקרה השימוש שלך בזיהוי פגמים.
הפתרון מכיל את ארבעת מחברות הסטודיו הבאות:
- 0_demo.ipynb – יוצר אובייקט מודל ממודל DDN מאומן מראש על מערך הנתונים של NEU-DET ופורס אותו מאחורי נקודת קצה של SageMaker בזמן אמת. לאחר מכן אנו שולחים כמה דוגמאות תמונה עם פגמים לזיהוי ומדמיינים את התוצאות.
- 1_retrain_from_checkpoint.ipynb - מכשיר מחדש את הגלאי המאומן שלנו לעוד כמה עידנים ומשווה תוצאות. אתה יכול גם להביא מערך נתונים משלך; עם זאת, אנו משתמשים באותו מערך נתונים במחברת. כלול גם שלב לביצוע למידת העברה על ידי כוונון עדין של המודל שהוכשר מראש. כוונון עדין של מודל למידה עמוקה במשימה מסוימת אחת כרוך בשימוש במשקלים הנלמדים ממערך נתונים מסוים כדי לשפר את הביצועים של המודל במערך נתונים אחר. אתה יכול גם לבצע כוונון עדין על אותו מערך נתונים המשמש באימון הראשוני אבל אולי עם היפרפרמטרים שונים.
- 2_detector_from_scratch.ipynb - מאמן את הגלאי שלנו מאפס לזהות אם קיימים פגמים בתמונה.
- 3_classification_from_scratch.ipynb – מאמן את המסווג שלנו מאפס לסיווג סוג הפגם בתמונה.
כל מחברת מכילה קוד boilerplate אשר פורס SageMaker נקודת קצה בזמן אמת להסקת מודל. אתה יכול להציג את רשימת המחברות על ידי מעבר לדפדפן הקבצים של JupyterLab וניווט לתיקיית "מחברות" בספריית JumpStart Solution או על ידי לחיצה על "פתח מחברת" בפתרון JumpStart, במיוחד בדף הפתרון "זיהוי פגמים במוצר" (ראה להלן ).
תנאים מוקדמים
הפתרון המתואר בפוסט זה הוא חלק מ אמזון SageMaker JumpStart. כדי להפעיל את SageMaker JumpStart 1P פתרון זה ולהפרוס את התשתית בחשבון AWS שלך, עליך ליצור מופע פעיל של Amazon SageMaker Studio (ראה Onboard to Amazon SageMaker Domain).
קפיצת פתיחה תכונות אינן זמינות במופעי מחברת SageMaker, ואי אפשר לגשת אליהן דרך ממשק שורת הפקודה של AWS (AWS CLI).
פרוס את הפתרון
אנו מספקים סרטוני הדרכה עבור השלבים ברמה גבוהה בפתרון זה. כדי להתחיל, הפעל את SageMaker JumpStart ובחר את איתור פגמים במוצר פיתרון על פתרונות TAB.
המחברות המסופקות של SageMaker מורידות את נתוני הקלט ומשיקים את השלבים המאוחרים יותר. נתוני הקלט ממוקמים בדלי S3.
אנו מאמנים את דגמי המסווגים והגלאים ומעריכים את התוצאות ב- SageMaker. אם תרצה, תוכל לפרוס את המודלים המאומנים וליצור נקודות קצה של SageMaker.
נקודת הקצה של SageMaker שנוצרה מהשלב הקודם היא an נקודת קצה HTTPS ומסוגל לייצר תחזיות.
אתה יכול לעקוב אחר ההדרכה והפריסה של המודל באמצעות אמזון CloudWatch.
לנקות את
כשתסיים עם הפתרון הזה, ודא שאתה מוחק את כל משאבי AWS לא רצויים. אתה יכול להשתמש ב-AWS CloudFormation כדי למחוק אוטומטית את כל המשאבים הסטנדרטיים שנוצרו על ידי הפתרון והמחברת. במסוף AWS CloudFormation, מחק את ערימת האב. מחיקת ערימת האב מוחקת באופן אוטומטי את הערימות המקוננות.
עליך למחוק ידנית כל משאבים נוספים שייתכן שיצרת במחברת זו, כגון דלי S3 נוספים בנוסף לדלי ברירת המחדל של הפתרון או נקודות קצה נוספות של SageMaker (באמצעות שם מותאם אישית).
סיכום
בפוסט זה, הצגנו פתרון באמצעות SageMaker JumpStart כדי לטפל בבעיות במצב הנוכחי של בדיקה ויזואלית, בקרת איכות וזיהוי פגמים בתעשיות שונות. המלצנו על גישה חדשה בשם Automated Defect Inspection system שנבנתה באמצעות מכשיר מאומן מראש דגם DDN לזיהוי פגמים על משטחי פלדה. לאחר שהשקת את פתרון JumpStart והורדת את מערכי הנתונים הציבוריים של NEU, פרסת מודל מאומן מראש מאחורי נקודת קצה של SageMaker בזמן אמת וניתחת את מדדי נקודות הקצה באמצעות CloudWatch. דנו גם בתכונות אחרות של פתרון JumpStart, כגון איך להביא נתוני אימון משלך, לבצע למידה של העברה, ולאמן מחדש את הגלאי והמסווג.
נסה זאת פתרון JumpStart ב- SageMaker Studio, או אימון מחדש של המודל הקיים על מערך נתונים חדש לזיהוי פגמים או לבחור מספריית SageMaker JumpStart של דגמי ראייה ממוחשבת, דגמי NLP or דגמים טבלאיים ולפרוס אותם עבור מקרה השימוש הספציפי שלך.
על הכותבים
וודנט ג'יין הוא ארכיטקט פתרונות מומחה בינה מלאכותית/ML, המסייע ללקוחות להפיק ערך מהאקולוגית של למידת מכונה ב-AWS. לפני הצטרפותו ל-AWS, Vedant כיהן בתפקידי ML/Data Science Specialty בחברות שונות כגון Databricks, Hortonworks (כיום Cloudera) ו-JP Morgan Chase. מחוץ לעבודתו, Vedant נלהב ליצור מוזיקה, להשתמש במדע כדי לנהל חיים משמעותיים ולחקור מטבח צמחוני טעים מרחבי העולם.
טאו סאן הוא מדען יישומי ב-AWS. הוא השיג את הדוקטורט שלו. במדעי המחשב מאוניברסיטת מסצ'וסטס, אמהרסט. תחומי העניין המחקריים שלו נעוצים בלמידת חיזוק עמוק ובמודל הסתברותי. הוא תרם ל-AWS DeepRacer, AWS DeepComposer. הוא אוהב ריקודים סלוניים וקריאה בזמנו הפנוי.
- "
- &
- 000
- 100
- 2022
- 28
- a
- יכולות
- אודות
- גישה
- פי
- חֶשְׁבּוֹן
- פעיל
- תוספת
- כתובת
- התקדמות
- AI
- תעשיות
- למרות
- תמיד
- אמזון בעברית
- אחר
- יישומית
- החל
- גישה
- סביב
- מלאכותי
- בינה מלאכותית
- בינה מלאכותית (AI)
- עצרת
- הערכה
- אוטומטי
- באופן אוטומטי
- אוטומציה
- זמין
- AWS
- מחסומים
- לפני
- מאחור
- להיות
- להלן
- בֵּין
- להביא
- דפדפן
- בִּניָן
- יכולות
- מסוגל
- מקרה
- שרשרת
- האתגרים
- מרדף
- בחרו
- בכיתה
- כיתות
- מיון
- קוד
- חברות
- מורכב
- המחשב
- מדעי מחשב
- תְצוּרָה
- קונסול
- צרכן
- מכיל
- להמשיך
- תרם
- לִשְׁלוֹט
- בקרות
- עלות תועלת
- עלויות
- לִיצוֹר
- נוצר
- יוצר
- אוצר
- נוֹכְחִי
- מצב נוכחי
- מנהג
- לקוחות
- אישית
- נתונים
- מסד נתונים
- עמוק
- תלוי
- לפרוס
- פרס
- פריסה
- פורס
- למרות
- פרט
- פרטים
- איתור
- אחר
- ישירות
- אסונות
- מרחק
- תחום
- להורדה
- בְּמַהֲלָך
- כל אחד
- המערכת האקולוגית
- מכשירי חשמל
- נקודת קצה
- ציוד
- להעריך
- הערכה
- דוגמה
- תערוכה
- קיימים
- מתרחב
- מתקן
- תכונות
- הבא
- כדלקמן
- החל מ-
- פונקציות
- עתיד
- הולך
- גוונים אפורים
- גדול
- מאוד
- טיפול
- לעזור
- עזרה
- אופק
- איך
- איך
- אולם
- HTTPS
- בן אנוש
- בני אדם
- לזהות
- תמונה
- תמונות
- פְּגִיעָה
- כלול
- כולל
- הַכלָלָה
- בנפרד
- תעשיות
- תעשייה
- תשתית
- קלט
- למשל
- מוֹדִיעִין
- אינטליגנטי
- אינטרסים
- בעיות
- IT
- הצטרפות
- JP מורגן
- ג'יי.פי מורגן צ'ייס
- תווית
- שפה
- לשגר
- הושק
- עוֹפֶרֶת
- למד
- למידה
- סִפְרִיָה
- קו
- רשימה
- מיקום
- מכונה
- למידת מכונה
- מכונה
- עשוי
- גדול
- לעשות
- עשייה
- באופן ידני
- ייצור
- מסצ'וסטס
- תואם
- חומרים
- משמעותי
- רפואי
- מדדים
- מודל
- מודלים
- מוניטרית
- צג
- יותר
- מורגן
- רוב
- מספר
- כלי נגינה
- נאס"א
- טבעי
- טבע
- מנווט
- שלילי
- רשת
- מחברה
- מספר
- מושג
- שמן
- מְקוֹרִי
- אחר
- מקיף
- שֶׁלוֹ
- חבילה
- חלק
- מסוים
- לוהט
- טלאים
- ביצועים
- ביצוע
- אוּלַי
- נקודות
- אפשרי
- התחזיות
- לחץ
- קודם
- תהליך
- תהליך
- המוצר
- הפקה
- מוצרים
- לספק
- ובלבד
- ציבורי
- איכות
- מהירות
- תעריפים
- חי
- קריאה
- זמן אמת
- להפחית
- רלוונטי
- נדרש
- מחקר
- משאבים
- תוצאות
- הפעלה
- משכורת
- אותו
- SC
- סולם
- מדע
- מַדְעָן
- פָּשׁוּט
- שישה
- פִּתָרוֹן
- פתרונות
- כמה
- מֶרחָב
- מומחה
- התמחות
- ספציפי
- במיוחד
- לערום
- שלבים
- תֶקֶן
- התחלה
- החל
- מדינה
- מדינה-of-the-art
- עוד
- אחסון
- סטודיו
- לספק
- שרשרת אספקה
- משטח
- מערכת
- מערכות
- משימות
- השמיים
- העולם
- לכן
- דרך
- זמן
- הדרכה
- רכבות
- להעביר
- טרנספורמציות
- בדרך כלל
- אוניברסיטה
- ש״ח
- להשתמש
- משתמשים
- כלי עזר
- ערך
- שונים
- וידאו
- לצפיה
- חזון
- ראיה
- ויקיפדיה
- תיק עבודות
- עוֹלָם
- שנה