kronomik insanların hayatlarını iyileştirmek için bilim ve veri kullanımını demokratikleştirmek için teknolojinin yanı sıra biyobelirteçleri (moleküllerin analizinden alınan ölçülebilir bilgiler) kullanan bir teknoloji-biyo şirketidir. Amaçları, biyolojik örnekleri analiz etmek ve görünmeyenler hakkında daha fazla bilgi sahibi olmanın önemli olduğu her konuda karar vermenize yardımcı olacak eyleme geçirilebilir bilgiler vermektir. Chronomics'in platformu, sağlayıcıların evde tanılamayı, verimlilikten veya doğruluktan ödün vermeden ölçekte sorunsuz bir şekilde uygulamasına olanak tanır. Halihazırda bu platform aracılığıyla milyonlarca testi işledi ve yüksek kaliteli bir teşhis deneyimi sunuyor.
COVID-19 salgını sırasında Chronomics, COVID-19'u tespit etmek için yanal akış testleri (LFT) sattı. Kullanıcılar, test kasetinin bir resmini yükleyerek ve testin manuel okumasını girerek (pozitif, negatif veya geçersiz) testi platforma kaydeder. Test ve kullanıcı sayısındaki artışla birlikte, bildirilen sonucun test resmindeki sonuçla eşleşip eşleşmediğini manuel olarak doğrulamak kısa sürede pratik olmaktan çıktı. Chronomics, sonuçları doğrulamak için bilgisayar görüşünü kullanan ölçeklenebilir bir çözüm oluşturmak istedi.
Bu gönderide, Chronomics'in nasıl kullanıldığını paylaşıyoruz. Amazon Rekognisyon COVID-19 yanal akış testinin sonuçlarını otomatik olarak algılamak için.
Verilerin hazırlanması
Aşağıdaki resimde, bir kullanıcı tarafından yüklenen bir test kasetinin resmi gösterilmektedir. Veri kümesi, bunun gibi görüntülerden oluşur. Bu görüntüler, bir COVID-19 testinin sonucuna karşılık gelen pozitif, negatif veya geçersiz olarak sınıflandırılmalıdır.
Veri kümesiyle ilgili ana zorluklar şunlardı:
- Dengesiz veri kümesi – Veri seti aşırı derecede çarpıktı. Örneklerin %90'ından fazlası negatif sınıftandı.
- Güvenilir olmayan kullanıcı girdileri – Kullanıcılar tarafından manuel olarak bildirilen okumalar güvenilir değildi. Okumaların yaklaşık %40'ı resimdeki gerçek sonuçla eşleşmedi.
Yüksek kaliteli bir eğitim veri seti oluşturmak için Chronomics mühendisleri şu adımları izlemeye karar verdiler:
- Manuel açıklama – Üç sınıfın eşit şekilde temsil edildiğinden emin olmak için 1,000 görüntüyü manuel olarak seçin ve etiketleyin
- Görüntü büyütme – Sayıyı 10,000'e çıkarmak için etiketli görüntüleri artırın
Görüntü büyütme kullanılarak gerçekleştirildi Albümmentasyonlar, açık kaynaklı bir Python kitaplığı. 9,000 sentetik görüntü oluşturmak için döndürme, yeniden ölçeklendirme ve parlaklık gibi bir dizi dönüşüm gerçekleştirildi. Bu sentetik görüntüler, yüksek kaliteli bir veri kümesi oluşturmak için orijinal görüntülere eklenmiştir.
Amazon Rekognition ile özel bir bilgisayar görme modeli oluşturma
Chronomics'in mühendisleri döndü Amazon Rekognition Özel Etiketleri, AutoML yeteneklerine sahip bir Amazon Rekognition özelliği. Eğitim görüntüleri sağlandıktan sonra verileri otomatik olarak yükleyip inceleyebilir, doğru algoritmaları seçebilir, bir model eğitebilir ve model performans ölçümleri sağlayabilir. Bu, bir bilgisayar görü modelinin eğitim ve devreye alma sürecini önemli ölçüde hızlandırır ve Chronomics'in Amazon Rekognition'ı benimsemesinin birincil nedeni haline gelir. Amazon Rekognition ile, istenen performansı elde etmek için özel bir model oluşturmak için 3 ay harcamak yerine, 4-4 haftada son derece doğru bir model elde edebildik.
Aşağıdaki diyagram, model eğitim ardışık düzenini göstermektedir. Açıklamalı görüntüler ilk önce bir AWS Lambda işlev. Bu ön işleme adımı, görüntülerin uygun dosya biçiminde olmasını sağladı ve ayrıca görüntüyü yeniden boyutlandırmak ve görüntüyü RGB'den gri tonlamaya dönüştürmek gibi bazı ek adımlar gerçekleştirdi. Bunun modelin performansını iyileştirdiği gözlenmiştir.
Model eğitildikten sonra, yalnızca tek bir tıklama veya API çağrısı kullanılarak çıkarım için dağıtılabilir.
Model performansı ve ince ayar
Model, bir dizi örnek dışı görüntüde %96.5 doğruluk ve %1 F97.9 puanı verdi. F1 puanı, bir sınıflandırıcının performansını ölçmek için hem kesinliği hem de geri çağırmayı kullanan bir ölçüdür. bu DetectCustomLabels API'si çıkarım sırasında sağlanan bir görüntünün etiketlerini algılamak için kullanılır. API ayrıca Rekognition Custom Labels'ın tahmin edilen etiketin doğruluğuna olan güvenini de geri getirir. Aşağıdaki grafik, görüntüler için tahmin edilen etiketlerin güvenirlik puanlarının dağılımını göstermektedir. X ekseni, 100 ile çarpılan güven puanını temsil eder ve y ekseni, log ölçeğindeki tahminlerin sayısını gösterir.
Güven skorunda bir eşik belirleyerek, daha düşük güvenliğe sahip tahminleri filtreleyebiliriz. 0.99'luk bir eşik, %99.6'lık bir doğrulukla sonuçlandı ve tahminlerin %5'i göz ardı edildi. 0.999'luk bir eşik, %99.87'lik bir doğrulukla sonuçlandı ve tahminlerin %27'si göz ardı edildi. Doğru iş değerini sağlamak için Chronomics, doğruluğu en üst düzeye çıkarmak ve tahminlerin reddedilmesini en aza indirmek için 0.99'luk bir eşik seçti. Daha fazla bilgi için, bkz Eğitilmiş bir modelle bir görüntüyü analiz etme.
Atılan tahminler ayrıca döngüdeki bir insana şu şekilde yönlendirilebilir: Amazon Artırılmış AI (Amazon A2I) görüntüyü manuel olarak işlemek için. Bunun nasıl yapılacağı hakkında daha fazla bilgi için, bkz. Amazon Rekognition ile Amazon Augmented AI kullanın.
Aşağıdaki görüntü, modelin testi 0.999'luk bir güvenle geçersiz olarak doğru bir şekilde tanımladığı bir örnektir.
Sonuç
Bu gönderide, Chronomics'in bir COVID-19 yanal akış testinin sonucunu saptamak için Amazon Rekognition'ı kullanan, ölçeklenebilir bilgisayar görüntüsü tabanlı bir çözümü hızla oluşturup devreye almanın kolaylığını gösterdik. bu Amazon Tanıma API'si uygulayıcıların bilgisayarlı görü modelleri oluşturma sürecini hızlandırmasını çok kolaylaştırır.
Belirli iş kullanım durumunuz için bilgisayar görü modellerini nasıl eğitebileceğinizi ziyaret ederek öğrenin. Amazon Rekognition özel etiketlerini kullanmaya başlama ve gözden geçirerek Amazon Rekognition Özel Etiketler Kılavuzu.
Yazarlar Hakkında
Mattia Spinelli bir biyomedikal şirketi olan Chronomics'te Kıdemli Makine Öğrenimi Mühendisidir. Chronomics'in platformu, sağlayıcıların evde tanılamayı, verimlilikten veya doğruluktan ödün vermeden ölçekte sorunsuz bir şekilde uygulamasına olanak tanır.
Pinak Panigrahi AWS'de stratejik iş sorunlarını çözmeye yönelik makine öğrenimi odaklı çözümler oluşturmak için müşterilerle birlikte çalışır. Makine öğrenimiyle meşgul olmadığı zamanlarda yürüyüşe çıkarken, kitap okurken veya spor yaparken bulunabilir.
Jay Rao AWS'de Baş Çözüm Mimarıdır. Müşterilere teknik ve stratejik rehberlik sağlamaktan ve AWS'de çözümler tasarlamalarına ve uygulamalarına yardımcı olmaktan keyif alıyor.
Peşmerge Mistry AWS'de Kıdemli Ürün Yöneticisidir. Pashmeen, iş dışında maceralı yürüyüşler yapmaktan, fotoğraf çekmekten ve ailesiyle vakit geçirmekten hoşlanıyor.
- AI
- yapay zeka
- AI sanat üreteci
- yapay zeka robotu
- Amazon Rekognisyon
- yapay zeka
- yapay zeka sertifikası
- bankacılıkta yapay zeka
- yapay zeka robotu
- yapay zeka robotları
- yapay zeka yazılımı
- AWS Makine Öğrenimi
- blockchain
- blockchain konferans ai
- zeka
- konuşma yapay zekası
- kripto konferans ai
- Müşteri Çözümleri
- dal-e
- derin öğrenme
- google ai
- Orta (200)
- Yaşam Bilimleri
- makine öğrenme
- Platon
- plato yapay zekası
- Plato Veri Zekası
- Plato Oyunu
- PlatoVeri
- plato oyunu
- ölçek ai
- sözdizimi
- zefirnet