Desenvolvimento de produtos de IA baseado em visão de máquina. Retrospectiva intermediária: pensamentos, dor, sofrimento

Olá leitores. Já tentei escrever este artigo várias vezes, mas cada vez o adiava, pois, ao pensar na necessidade de fazer uma reflexão profunda sobre a experiência acumulada, fui coberto de desânimo e tristeza. No entanto, reforcei minha intenção de fazê-lo para compartilhar minha experiência com aqueles que planejam fazer algo semelhante no campo da IA. Todos os itens a seguir se aplicam a uma área de atividade muito específica: IA em termos de visão computacional.



Isenção de responsabilidade : não sou um especialista em redes neurais, mas desempenho o papel de proprietário de um produto no qual os modelos de rede neural de visão computacional desempenham um papel fundamental. Este artigo é para aqueles que são forçados a fazer o mesmo trabalho, bem como para aqueles especialistas em ML que desejam entender como as pessoas veem suas atividades do lado dos negócios.



Então, estamos fazendo um produto baseado na visão computacional, que inclui detecção, rastreamento, identificação, reidentificação de pessoas, determinação de seu sexo e idade.



Já fazemos vários projetos há muito tempo, inclusive aqueles com elementos de ML, mas é a primeira vez que fazemos um projeto onde essa parte é central. Durante esse tempo, como um product owner, eu aprendi muitas coisas novas e estranhas e formulei alguns princípios que são importantes para alcançar o sucesso na criação desses produtos.



Risco em produtos de IA



O risco é enorme. Na verdade, a criação de um produto de IA termina quando todos os riscos são removidos. Se, no caso de criação de produtos usando algoritmos clássicos, você gasta de 5 a 20% do seu tempo trabalhando com risco, então, no caso de produtos de IA, o próprio processo de criação de um produto é uma luta contra o risco. Eu estimo a quantidade de tempo gasto no combate ao risco em 90-95% do tempo desde a criação de um produto de IA. Conclusões importantes decorrem desta observação.



Para empresas de mercearia



O cronograma de entrega e, portanto, o custo, com alto grau de probabilidade, será repetidamente reprovado, que é o que enfrentamos.



O risco é tão grande que não faz sentido fazer algo sobre o produto antes que a parte de IA seja concluída, testada e entregue.



Para empreiteiros



AI- SMB / . "" Tinkoff, , . — .



, . , " , ".





AI Scrum , .



, , AI, Agile , , , "3 , 2 " .





. , , , .



:



: YOLOv4 – real-time Microsoft COCO



: Yolo4 Yolo3;

TL: , .

, Y3 Y4, .



.





ML, . : / , , , , .



. , . , , , , whatever. ML- , , , . .



, , , , . , , .



( ), ML . -, . , .





, — . .



, , , . , .



, Precision, Recall, F1, etc. .



, , 99.99% , , , , .



-



, . , — . , single shot .



. , realtime Yolo4. — 60 FPS Tesla T4. 416x416 , , FPS.



, Yolo4 , (FYI: ~ 15% ( 110 px 720p). , , . , . , .



: . single shot ML — , .



- .



, :



  • ;
  • Yolo4 320x320, 416x416;
  • .


" , , , , 320x320, 416x416"?



, , :



  • ;
  • , ;
  • ;
  • , , ;
  • .


, , single shot -.





IT 15 , , . , ML, , : " , ".



, , , , .



, BigData Backend ML, .



, " " , . … - , , .



— .



, , , ML , , , .



— Terra Incognita



, Nvidia — Nvidia DeepStream . , DeepStream . Nvidia Inception, , - DeepStream, , .



" PyTorch" " DeepStream" , - C, Gstreamer, , , , TensorRT.



DeepStream — , Segmentation Fault, Python c NumPy, — - Gstreamer.



, Nvidia — . , — Nvidia, ML, .





ML- . , , -, etc. .



, , .





, WBS ML… ML- . , Trello -, ML- -.



:







, , WBS.





ML . — , . . " , ".



, :





, . , , .



ML- — , , , , , , , .




ML , , , , -, 23 , 14 16 , .



, . AI — , , - .




All Articles