Cara memilih dan menerapkan model AI khusus industri – TechCrunch


Sebagai kecerdasan buatan menjadi lebih maju, sebelumnya mutakhir – tetapi umum – model AI menjadi hal biasa, seperti Vision AI Google Cloud atau Amazon Rekognition.

Meskipun efektif dalam beberapa kasus penggunaan, solusi ini tidak langsung sesuai dengan kebutuhan khusus industri. Organisasi yang mencari hasil paling akurat dari proyek AI mereka hanya perlu beralih ke model khusus industri.

Setiap tim yang ingin memperluas kemampuan AI-nya harus terlebih dahulu menerapkan data dan kasus penggunaannya ke model generik dan menilai hasilnya.

Ada beberapa cara agar perusahaan dapat menghasilkan hasil khusus industri. Salah satunya adalah dengan mengadopsi pendekatan hybrid – mengambil model AI generik open-source dan melatihnya lebih jauh untuk menyelaraskan dengan kebutuhan spesifik bisnis. Perusahaan juga dapat melihat vendor pihak ketiga, seperti IBM atau C3, dan mengakses solusi lengkap langsung dari rak. Atau – jika mereka benar-benar perlu – tim data science dapat membuat model mereka sendiri secara internal, dari awal.

Mari selami masing-masing pendekatan ini dan bagaimana bisnis dapat memutuskan mana yang berhasil untuk keadaan mereka yang berbeda.

Model generik saja sering tidak cocok

Model AI generik seperti Vision AI atau Rekognition dan model open source dari TensorFlow atau Scikit-learn sering kali gagal memberikan hasil yang memadai dalam hal kasus penggunaan khusus di industri seperti keuangan atau sektor energi. Banyak bisnis memiliki kebutuhan unik, dan model yang tidak memiliki data kontekstual industri tertentu tidak akan dapat memberikan hasil yang relevan.

Membangun di atas model sumber terbuka

Di ThirdEye Data, kami baru-baru ini bekerja dengan perusahaan utilitas untuk menandai dan mendeteksi cacat pada tiang listrik dengan menggunakan AI untuk menganalisis ribuan gambar. Kami mulai menggunakan Google Vision API dan menemukan bahwa itu tidak dapat memberikan hasil yang kami inginkan – dengan presisi dan nilai recall model AI yang sama sekali tidak dapat digunakan. Model tidak dapat membaca karakter dalam tag pada tiang listrik 90% dari waktu karena tidak mengidentifikasi font yang tidak standar dan warna latar belakang yang bervariasi yang digunakan dalam tag.

Jadi, kami mengambil model visi komputer dasar dari TensorFlow dan mengoptimalkannya sesuai kebutuhan tepat perusahaan utilitas. Setelah dua bulan mengembangkan model AI untuk mendeteksi dan menguraikan tag pada tiang listrik, dan dua bulan lagi melatih model ini, hasilnya menunjukkan tingkat akurasi lebih dari 90%. Ini akan terus meningkat seiring waktu dengan pelatihan ulang iterasi.

Setiap tim yang ingin memperluas kemampuan AI-nya harus terlebih dahulu menerapkan data dan kasus penggunaannya ke model generik dan menilai hasilnya. Algoritme sumber terbuka yang dapat dimulai oleh perusahaan dapat ditemukan pada kerangka kerja AI dan ML seperti TensorFlow, Scikit-learn, atau Microsoft Cognitive Toolkit. Di ThirdEye Data, kami menggunakan algoritme convolutional neural network (CNN) di TensorFlow.

Kemudian, jika hasilnya tidak mencukupi, tim dapat memperluas algoritme dengan melatihnya lebih lanjut pada data khusus industri mereka sendiri.

Posted By : Togel Hongkong