Développement de produits IA basés sur la vision industrielle. Rétrospective intermédiaire: pensées, douleur, souffrance

Bonjour les lecteurs. J'ai déjà essayé d'écrire cet article plusieurs fois, mais à chaque fois je le remettais à plus tard, car, à la pensée de la nécessité de mener une réflexion approfondie sur l'expérience accumulée, j'étais couvert de découragement et de tristesse. Cependant, j'ai renforcé mon intention de le faire afin de partager mon expérience avec ceux d'entre vous qui envisagent de faire quelque chose de similaire dans le domaine de l'IA. Tout ce qui suit s'applique à un domaine d'activité très spécifique: l'IA en termes de vision par ordinateur.

Avertissement : Je ne suis pas un expert des réseaux de neurones, mais je joue le rôle de propriétaire d'un produit dans lequel les modèles de réseaux de neurones de la vision par ordinateur jouent un rôle clé. Cet article s'adresse à ceux qui sont obligés de faire le même travail, ainsi qu'aux spécialistes du ML qui souhaitent comprendre comment les gens voient leurs activités du côté de l'entreprise.

Nous fabriquons donc un produit basé sur la vision par ordinateur, qui comprend la détection, le suivi, l'identification, la ré-identification des personnes, la détermination de leur sexe et de leur âge.

Nous menons différents projets depuis longtemps, y compris ceux avec des éléments ML, mais c'est la première fois que nous réalisons un projet où cette partie est centrale. Pendant ce temps, en tant que product owner, j'ai appris beaucoup de choses nouvelles et étranges et j'ai formulé des principes qui sont importants pour réussir à créer de tels produits.

Risque dans les produits d'IA

Le risque est énorme. En fait, la création d'un produit d'IA se termine lorsque tous les risques sont supprimés. Si, dans le cas de la création de produits à l'aide d'algorithmes classiques, vous passez 5 à 20% de votre temps à travailler avec le risque, alors, dans le cas des produits d'IA, le processus de création d'un produit lui-même est une lutte contre le risque. J'estime le temps passé à lutter contre les risques jusqu'à 90 à 95% du temps depuis la création d'un produit d'IA. Des conclusions importantes découlent de cette observation.

Pour les épiceries

Le calendrier de livraison, et donc le coût, avec un degré de probabilité élevé, échoueront à plusieurs reprises, ce à quoi nous avons été confrontés.

Le risque est si grand qu'il n'a pas de sens de faire quelque chose sur le produit avant que la partie IA ne soit terminée, testée et livrée.

Pour les entrepreneurs

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 — , , - .