Glede na Gartner, je hiperavtomatizacija trend številka ena v letu 2022 in bo napredovala tudi v prihodnosti. Ena od glavnih ovir za hiperavtomatizacijo je na področjih, kjer se še vedno trudimo zmanjšati človeško vpletenost. Inteligentni sistemi se težko ujemajo s človeškimi sposobnostmi vizualnega prepoznavanja, kljub velikemu napredku pri globokem učenju v računalniškem vidu. To je predvsem posledica pomanjkanja označenih podatkov (ali če so podatki redki) in na področjih, kot je nadzor kakovosti, kjer še vedno prevladujejo izurjene človeške oči. Drugi razlog je izvedljivost človeškega dostopa na vseh področjih dobavne verige izdelkov, kot je pregled nadzora kakovosti na proizvodni liniji. Vizualni pregled se široko uporablja za opravljanje notranje in zunanje ocene različne opreme v proizvodnem obratu, kot so rezervoarji, tlačne posode, cevi, prodajni avtomati in druga oprema, ki se širi v številne industrije, kot so elektronika, medicina, CPG, in surovine in še več.
Uporaba umetne inteligence (AI) za samodejni vizualni pregled ali izboljšanje procesa človeškega vizualnega pregleda z AI lahko pomaga pri reševanju izzivov, opisanih spodaj.
Izzivi človeškega vizualnega pregleda
Vizualni pregled, ki ga vodi človek, ima naslednje težave na visoki ravni:
- Lestvica – Večina izdelkov gre skozi več stopenj, od montaže do dobavne verige do nadzora kakovosti, preden so na voljo končnemu potrošniku. Napake se lahko pojavijo med proizvodnim procesom ali sestavljanjem na različnih točkah v prostoru in času. Zato ni vedno izvedljivo ali stroškovno učinkovito uporabiti osebni človeški vizualni pregled. Ta nezmožnost povečanja lahko povzroči katastrofe, kot je npr Razlitje nafte BP Deepwater Horizon in Eksplozija raketoplana Challenger, katerega splošni negativni vpliv (na ljudi in naravo) precej presega denarne stroške.
- Človeška vidna napaka – Na območjih, kjer je mogoče priročno izvesti vizualni pregled s strani človeka, je človeška napaka glavni dejavnik, ki se pogosto spregleda. Glede na naslednje poročilo, je večina inšpekcijskih nalog zapletenih in običajno kažejo stopnje napak 20–30 %, kar neposredno pomeni stroške in neželene rezultate.
- Stroški osebja in razni stroški – Čeprav se lahko skupni stroški nadzora kakovosti po mnenju nekaterih zelo razlikujejo glede na panogo in lokacijo ocene, se plača usposobljenega inšpektorja kakovosti giblje med 26,000–60,000 USD (USD) na leto. Obstajajo tudi drugi razni stroški, ki jih ni vedno mogoče obračunati.
SageMaker JumpStart je odličen kraj za začetek različnih Amazon SageMaker funkcije in zmogljivosti prek izbranih rešitev z enim klikom, primerov prenosnih računalnikov in vnaprej usposobljenih podatkovnih modelov računalniškega vida, obdelave naravnega jezika in tabelarnih podatkov, ki jih lahko uporabniki izberejo, natančno prilagodijo (če je potrebno) in uvedejo z uporabo infrastrukture AWS SageMaker.
V tem prispevku si bomo ogledali, kako hitro uvesti rešitev za samodejno odkrivanje napak, od vnosa podatkov do sklepanja modela, z uporabo javno dostopnega nabora podatkov in SageMaker JumpStart.
Pregled rešitev
Ta rešitev uporablja najsodobnejši pristop globokega učenja za samodejno zaznavanje površinskih napak s pomočjo SageMakerja. Mreža za odkrivanje napak oz DDN model povečuje Hitrejši R-CNN in identificira možne napake na sliki jeklene površine. The Baza podatkov o površinskih napakah NEU, je uravnotežen nabor podatkov, ki vsebuje šest vrst tipičnih površinskih napak vroče valjanega jeklenega traku: zvaljane luske (RS), zaplate (Pa), razpoke (Cr), luknjasto površino (PS), vključke (In), in praske (Sc). Baza podatkov vključuje 1,800 sivinskih slik: 300 vzorcev vsake vrste napake.
vsebina
Rešitev JumpStart vsebuje naslednje artefakte, ki so vam na voljo pri Brskalnik datotek JupyterLab:
- oblikovanje oblakov/ - Oblikovanje oblaka AWS konfiguracijske datoteke za ustvarjanje ustreznih virov SageMaker in uporabo dovoljenj. Vključuje tudi čistilne skripte za brisanje ustvarjenih virov.
- src / – Vsebuje naslednje:
- pripravi_podatke/ – Priprava podatkov za nabore NEU.
- sagemaker_defect_detection/ – Glavni paket, ki vsebuje naslednje:
- nabor podatkov – Vsebuje obdelavo nabora podatkov NEU.
- modeli – Vsebuje sistem za avtomatizirano pregledovanje napak (ADI), imenovan omrežje za odkrivanje napak. Glej naslednje papirja za podrobnosti.
- pripomočki – Različni pripomočki za vizualizacijo in vrednotenje COCO.
- classifier.py – Za nalogo razvrščanja.
- detektor.py – Za nalogo odkrivanja.
- transforms.py – Vsebuje transformacije slik, uporabljene pri usposabljanju.
- zvezki/ – Posamezni zvezki, o katerih bomo podrobneje razpravljali v nadaljevanju te objave.
- scenariji / – Različni skripti za usposabljanje in gradnjo.
Privzeti nabor podatkov
Ta rešitev uri klasifikator na naboru podatkov NEU-CLS in detektor na naboru podatkov NEU-DET. Ta nabor podatkov vsebuje skupno 1800 slik in 4189 omejevalnih okvirjev. Vrste napak v našem naboru podatkov so naslednje:
- Crazing (razred:
Cr
, oznaka: 0) - Vključitev (razred:
In
, oznaka: 1) - Jamičasta površina (razred:
PS
, oznaka: 2) - Obliži (razred: Pa, oznaka: 3)
- Navita tehtnica (razred:
RS
, oznaka: 4) - Praske (razred:
Sc
, oznaka: 5)
Sledijo vzorčne slike šestih razredov.
Naslednje slike so vzorčni rezultati zaznavanja. Od leve proti desni imamo izvirno sliko, zaznavanje resnice na tleh in izhod modela SageMaker DDN.
Arhitektura
Rešitev JumpStart je že priložena Amazon SageMaker Studio prenosniki, ki prenesejo zahtevane nabore podatkov in vsebujejo kodo in pomožne funkcije za usposabljanje modela/-ov in uvajanje z uporabo končne točke SageMaker v realnem času.
Vsi zvezki prenesejo nabor podatkov iz javnega Preprosta storitev shranjevanja Amazon (Amazon S3) vedro in pomočne funkcije za uvoz za vizualizacijo slik. Prenosni računalniki omogočajo uporabniku, da prilagodi rešitev, kot so hiperparametri za usposabljanje modela ali izvedbo transferno učenje v primeru, da se odločite uporabiti rešitev za vaš primer uporabe odkrivanja napak.
Rešitev vsebuje naslednje štiri prenosne računalnike Studio:
- 0_demo.ipynb – Ustvari objekt modela iz vnaprej usposobljenega modela DDN na naboru podatkov NEU-DET in ga razmesti za končno točko SageMaker v realnem času. Nato pošljemo nekaj vzorcev slik z napakami v odkrivanje in vizualiziramo rezultate.
- 1_retrain_from_checkpoint.ipynb – Ponovno usposobi naš predhodno usposobljeni detektor za še nekaj obdobij in primerja rezultate. Prinesete lahko tudi svoj nabor podatkov; vendar uporabljamo isti nabor podatkov v zvezku. Vključen je tudi korak za izvajanje prenosnega učenja s fino nastavitvijo vnaprej usposobljenega modela. Natančna nastavitev modela globokega učenja pri določeni nalogi vključuje uporabo naučenih uteži iz določenega nabora podatkov za izboljšanje učinkovitosti modela na drugem naboru podatkov. Izvedete lahko tudi natančno nastavitev istega nabora podatkov, uporabljenega v začetnem usposabljanju, vendar morda z različnimi hiperparametri.
- 2_detector_from_scratch.ipynb – Usposablja naš detektor od začetka, da ugotovi, ali na sliki obstajajo napake.
- 3_classification_from_scratch.ipynb – Usposablja naš klasifikator iz nič, da razvrsti vrsto napake na sliki.
Vsak prenosni računalnik vsebuje okvirno kodo, ki uvaja SageMaker končna točka v realnem času za sklepanje o modelu. Seznam zvezkov si lahko ogledate tako, da odprete brskalnik datotek JupyterLab in se pomaknete do mape »notebooks« v imeniku rešitve JumpStart ali tako, da kliknete »Open Notebook« na rešitvi JumpStart, natančneje na strani rešitve »Product Defect Detection« (glejte spodaj). ).
Predpogoji
Rešitev, opisana v tej objavi, je del Amazon SageMaker JumpStart. Če želite zagnati to rešitev SageMaker JumpStart 1P in razmestiti infrastrukturo v vaš račun AWS, morate ustvariti aktiven primerek Amazon SageMaker Studio (glejte Vključevanje v domeno Amazon SageMaker).
jumpstart funkcije niso na voljo v primerkih prenosnika SageMaker in do njih ne morete dostopati prek Vmesnik ukazne vrstice AWS (AWS CLI).
Uvedite rešitev
Ponujamo videoposnetke z navodili za korake na visoki ravni te rešitve. Za začetek zaženite SageMaker JumpStart in izberite Odkrivanje napak izdelka rešitev na rešitve tab.
Priloženi prenosni računalniki SageMaker prenesejo vhodne podatke in zaženejo kasnejše stopnje. Vhodni podatki se nahajajo v vedru S3.
Urimo modele klasifikatorja in detektorja ter ovrednotimo rezultate v SageMakerju. Če želite, lahko uvedete usposobljene modele in ustvarite končne točke SageMaker.
Končna točka SageMaker, ustvarjena v prejšnjem koraku, je Končna točka HTTPS in je sposoben ustvarjati napovedi.
Usposabljanje in uvajanje modela lahko spremljate prek amazoncloudwatch.
Čiščenje
Ko končate s to rešitvijo, se prepričajte, da ste izbrisali vse neželene vire AWS. AWS CloudFormation lahko uporabite za samodejno brisanje vseh standardnih virov, ki sta jih ustvarila rešitev in prenosnik. Na konzoli AWS CloudFormation izbrišite nadrejeni sklad. Če izbrišete nadrejeni sklad, se samodejno izbrišejo ugnezdeni skladi.
Ročno morate izbrisati vse dodatne vire, ki ste jih morda ustvarili v tem zvezku, kot so dodatna vedra S3 poleg privzetega vedra rešitve ali dodatne končne točke SageMaker (z uporabo imena po meri).
zaključek
V tej objavi smo predstavili rešitev z uporabo SageMaker JumpStart za reševanje težav s trenutnim stanjem vizualnega pregleda, nadzora kakovosti in odkrivanja napak v različnih panogah. Priporočili smo nov pristop, imenovan sistem avtomatiziranega pregleda napak, zgrajen z uporabo vnaprej usposobljenih DDN model za odkrivanje napak na jeklenih površinah. Ko ste zagnali rešitev JumpStart in prenesli javne nabore podatkov NEU, ste uvedli vnaprej usposobljen model za končno točko SageMaker v realnem času in analizirali meritve končne točke z uporabo CloudWatch. Razpravljali smo tudi o drugih funkcijah rešitve JumpStart, na primer o tem, kako prinesti lastne podatke o usposabljanju, izvesti učenje prenosa in znova usposobiti detektor in klasifikator.
Preizkusite to Rešitev JumpStart v SageMaker Studio, tako da bodisi ponovno usposobite obstoječi model na novem naboru podatkov za odkrivanje napak ali izberete iz knjižnice SageMaker JumpStart modeli računalniškega vida, NLP modeli or tabelarni modeli in jih razporedite za svoj specifični primer uporabe.
O avtorjih
Vedant Jain je starejši arhitekt za rešitve AI/ML, ki strankam pomaga pridobiti vrednost iz ekosistema strojnega učenja pri AWS. Preden se je pridružil AWS, je bil Vedant specializiran za ML/Data Science v različnih podjetjih, kot so Databricks, Hortonworks (zdaj Cloudera) in JP Morgan Chase. Zunaj svojega dela je Vedant navdušen nad ustvarjanjem glasbe, uporabo znanosti za smiselno življenje in raziskovanjem okusne vegetarijanske kuhinje z vsega sveta.
Tao sonce je uporabni znanstvenik v AWS. Doktoriral je na doktorat iz računalništva na univerzi Massachusetts, Amherst. Njegovi raziskovalni interesi so globoko okrepljeno učenje in verjetnostno modeliranje. Prispeval je k AWS DeepRacer, AWS DeepComposer. Rad ima družabne plese in v prostem času bere.
- Coinsmart. Najboljša evropska borza bitcoinov in kriptovalut.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. PROST DOSTOP.
- CryptoHawk. Altcoin radar. Brezplačen preizkus.
- Source: https://aws.amazon.com/blogs/machine-learning/visual-inspection-automation-using-amazon-sagemaker-jumpstart/
- "
- &
- 000
- 100
- 2022
- 28
- a
- sposobnosti
- O meni
- dostop
- Po
- Račun
- aktivna
- Poleg tega
- Naslov
- napredek
- AI
- vsi
- Čeprav
- vedno
- Amazon
- Še ena
- uporabna
- Uporabi
- pristop
- okoli
- umetni
- Umetna inteligenca
- Umetna inteligenca (AI)
- Skupščina
- ocenjevanje
- Avtomatizirano
- samodejno
- Avtomatizacija
- Na voljo
- AWS
- ovire
- pred
- zadaj
- počutje
- spodaj
- med
- prinašajo
- brskalnik
- Building
- Zmogljivosti
- lahko
- primeru
- verige
- izzivi
- Chase
- Izberite
- razred
- razredi
- Razvrstitev
- Koda
- Podjetja
- kompleksna
- računalnik
- Računalništvo
- konfiguracija
- Konzole
- Potrošnik
- Vsebuje
- naprej
- prispevali
- nadzor
- Nadzor
- stroškovno učinkovito
- stroški
- ustvarjajo
- ustvaril
- ustvari
- kurirano
- Trenutna
- Trenutno stanje
- po meri
- Stranke, ki so
- prilagodite
- datum
- Baze podatkov
- globoko
- Odvisno
- razporedi
- razporejeni
- uvajanje
- razpolaga
- Kljub
- Podatki
- Podrobnosti
- Odkrivanje
- drugačen
- neposredno
- nesreče
- razdalja
- domena
- prenesi
- med
- vsak
- ekosistem
- Elektronika
- Končna točka
- oprema
- oceniti
- Ocena
- Primer
- izkazujejo
- obstoječih
- širi
- Sklad
- Lastnosti
- po
- sledi
- iz
- funkcije
- Prihodnost
- dogaja
- Sivine
- veliko
- zelo
- Ravnanje
- pomoč
- pomoč
- obzorje
- Kako
- Kako
- Vendar
- HTTPS
- človeškega
- Ljudje
- identificirati
- slika
- slike
- vpliv
- vključeno
- vključuje
- vključitev
- individualna
- industrij
- Industrija
- Infrastruktura
- vhod
- primer
- Intelligence
- Inteligentna
- interesi
- Vprašanja
- IT
- pridružil
- jp morgan
- JP Morgan Chase
- label
- jezik
- kosilo
- začela
- vodi
- naučili
- učenje
- Knjižnica
- vrstica
- Seznam
- kraj aktivnosti
- stroj
- strojno učenje
- Stroji
- je
- velika
- Znamka
- Izdelava
- ročno
- proizvodnja
- Massachusetts
- ujemanje
- materiali
- smiselna
- medicinski
- Meritve
- Model
- modeli
- Denarno
- monitor
- več
- Morgan
- Najbolj
- več
- Glasba
- Nasa
- naravna
- Narava
- krmarjenje
- negativna
- mreža
- prenosnik
- Številka
- pridobljeni
- Olje
- izvirno
- Ostalo
- Splošni
- lastne
- paket
- del
- zlasti
- strastno
- Obliži
- performance
- izvajati
- mogoče
- točke
- mogoče
- Napovedi
- tlak
- prejšnja
- Postopek
- obravnavati
- Izdelek
- proizvodnja
- Izdelki
- zagotavljajo
- če
- javnega
- kakovost
- hitro
- Cene
- Surovi
- reading
- v realnem času
- zmanjša
- pomembno
- obvezna
- Raziskave
- viri
- Rezultati
- Run
- plače
- Enako
- SC
- Lestvica
- Znanost
- Znanstvenik
- Enostavno
- SIX
- Rešitev
- rešitve
- nekaj
- Vesolje
- specialist
- Posebnost
- specifična
- posebej
- sveženj
- postopka
- standardna
- Začetek
- začel
- Država
- state-of-the-art
- Še vedno
- shranjevanje
- studio
- dobavi
- dobavne verige
- Površina
- sistem
- sistemi
- Naloge
- O
- svet
- zato
- skozi
- čas
- usposabljanje
- vlaki
- prenos
- transformacije
- tipično
- univerza
- ameriški dolar
- uporaba
- Uporabniki
- javne gospodarske službe
- vrednost
- različnih
- Video posnetki
- Poglej
- Vizija
- vizualizacija
- Wikipedia
- delo
- svet
- leto
- Vaša rutina za