Нейронные сети

Обучение нейронной сети

Разработка приложений ИИ начинается с обучения глубоких нейронных сетей с большими наборами данных. Для исследователей ИИ и разработчиков приложений графические процессоры NVIDIA Volta и Turing, работающие на тензорных ядрах, обеспечивают быстрое обучение и более высокую производительность. С включенными тензорными ядрами матрица смешанной точности FP32 и FP16 значительно увеличивает пропускную способность и сокращает время обучения ИИ. Для разработчиков приложений, интегрирующих глубокие нейронные сети в свои облачные или встроенные приложения, Deep Learning SDK предоставляет высокопроизводительные библиотеки, которые реализуют API-интерфейсы строительных блоков для реализации обучения и логического вывода непосредственно в своих приложениях. Благодаря единой модели программирования для всех платформ графических процессоров – от настольных компьютеров до центров обработки данных и встраиваемых устройств – специалисты могут начать разработку на своем настольном компьютере, масштабировать в облаке и развертывать на своих периферийных устройствах с минимальными изменениями кода или без изменений.

Разработчики и исследователи данных могут получить легкий доступ к оптимизированным контейнерам инфраструктуры глубокого обучения NVIDIA, производительность которых настроена и протестирована для графических процессоров NVIDIA. Это устраняет необходимость управления пакетами и зависимостями или создания структур глубокого обучения из исходного кода.

Например, задача компьютерного зрения является довольно сложной. Цифровые изображения представляют собой огромные таблицы чисел (интенсивности в пикселях), в которых сложно "разглядеть" тот или иной объект. Для решения этой задачи необходим промежуточный этап – извлечение признаков. Грубый пример: чтобы найти на фотографии котика, надо сначала найти его уши, глаза и т.д. Долгое время такого типа визуальные признаки были очень специализированными и конструировались вручную. С приходом в компьютерное зрение сверточных нейросетей появилась возможность обучать этим признакам автоматически из данных.

Читайте далее статью "Нейронные сети: новый прорыв. Мнения экспертов" >>>

Нейронные сети в видеоаналитике: как обучается smart-видеонаблюдение

Конференция "Intelligent Video: искусственный интеллект в видеоаналитике"

Deep Learning

Нейронные сети глубокого обучения

Прежде чем перейти непосредственно к технологиям глубокого обучения и нейронным сетям, посмотрим на стандартное машинное обучение "с высоты птичьего полета". Как правило, оно заключается в построении интеллектуальной модели, которая преобразует одни данные в другие и зависит от набора определенных параметров. Модели показывается обучающая выборка, и ее параметры корректируются таким образом, чтобы обученная модель могла давать правильные ответы в соответствии с известными данными из обучающей выборки, а также хорошо работать с новыми данными, которые она еще не видела. Если модель правильно обучилась, то она умеет обобщать, генерализовать и выдавать верные ответы, причем на входе и выходе могут использоваться самые разные типы данных:

• абстрактная информация (векторы с небольшим количеством элементов и др.);
• изображение/видео (компьютерное зрение);
• текст (анализ комментариев);
• аудио (распознавание речи).

Выше перечислены четыре типа данных. Отобразить одни данные в другие, например изображение в текст, аудио в текст или текст в абстрактную информацию, можно с помощью модели. Именно такие задачи лучше всего на сегодняшний день решают глубокие нейронные сети.

Как должны быть сконфигурированы нейронные сети, чтобы качественно работать? Один из используемых методов — обучение внутреннего промежуточного представления, а именно автоматическое извлечение признаков из данных. Если слоев нейронной сети несколько, то промежуточное представление становится более сложным и многоуровневым. Вычисление одного слоя в простых нейронных сетях эквивалентно одной линейной операции.

Самый распространенный подход к обучению нейронных сетей — это обучение с учителем (на примерах). В этом случае используется обучающая выборка из пар входных объектов и правильных ответов и производится поиск параметров, которые минимизируют ошибки. Ошибка вычисляется и корректируется не сразу на всех образцах, а на подвыборке или одном объекте с помощью стохастического градиентного спуска.

Читайте далее статью "Технологии AI: как машины решают интеллектуальные и творческие задачи" >>>

Цифровое предприятие: информационные технологии в промышленности

Нейросети для торговли

Технологии видеоаналитики

Компания X5 Retail Group пилотирует с помощью видеоаналитики несколько ключевых направлений: анализ доступности товара на полках, табелирование, контроль очередей и пр. Рассмотрим конкретные кейсы и примеры работы решений на реальных данных в разные временные отрезки.

В кейсе распознавания лиц мы сначала детектируем лицо с помощью MTCNN и затем выделяем ключевые точки, чтобы выровнять лицо. После выравнивания оно выглядит как фото на паспорт, только немного искаженное.

Далее мы используем нейросеть, которая выдает эмбеддинги. Это набор абстрактных признаков, которые должны быть разные у людей, не похожих друг на друга и совпадать у одного человека, даже если он был снят в разных условиях.

После этого мы обучаем nmslib. Примечательно то, что мы не обучаем модели под конкретную задачу, мы подбираем трешхолд, по которому определяем, есть ли этот человек в базе или нет.

Антиспуфинг, определение очередей и распознавание действий - в статье "Видеоаналитика в мультиформатной розничной компании X5 Retail Group" >>>

Примеры нейросетей в повседневной жизни

Нейросети в повседневной жизни

Понятие "нейросеть" было придумано достаточно давно и является синонимом алгоритма машинного обучения. Первая версия формального нейрона, ячейки нейронной сети, была предложена Уорреном Мак-Каллоком и Уолтером Питтсом в 1943 г. А уже в 1958 г. Фрэнк Розенблатт разработал первую нейронную сеть. Но первый блин оказался комом, и другие алгоритмы машинного обучения отодвинули на какое-то время нейросети на второй план.

Популярность нейронные сети стали завоевывать после 2010 г. Для того чтобы разобраться, почему это произошло, мы должны понимать, как устроена нейросеть и в чем ее особенность.

Нейронные сети с помощью аппаратных и программных средств имитируют паутину нейронов в человеческом мозге. Но так как мы говорим о машинном обучении, результатом всех вычислений являются ноль (нет) или единица (да): то есть машина нам дает ответ, который близок к значению "нет" или "да". Соответственно, для того чтобы обучить машину распознавать числа, нам понадобится нейросеть, состоящая из секторов, каждый из которых будет отвечать за свою цифру от 0 до 9. Чем больше вариантов ответов может быть, тем крупнее будет наша нейросеть.

Читайте полный текст статьи "Нейросети в повседневной жизни" >>>

Нейросеть предскажет вам дату смерти

Искусственный интеллект в Пенсильвании научили предсказывать повышенный риск смерти пациентов... по результатам ЭКГ. Система сообщает, кто выживет, а кто умрет в течение следующего года.

Разработчики системы утверждают, что данный метод прогнозирования работает точнее других существующих.

Полный текст "Нейросеть предскажет вам дату смерти" >>>

Внедрение цифровых технологий на объектах НИПИГАЗ

Конференция "Индустрия 4.0: внедрение машинного зрения, систем производственной видеоаналитики, искусственного интеллекта" >>

Больше полезной информации про нейронные сети:

• Статьи по теме нейронные сети >>>
• Новости по теме нейронные сети >>>
• Подписка на журнал "Системы безопасности" >>>
  

Машинное зрение на практике

В этой статье мы расскажем вам как новейшие технологии машинного зрения могут помочь в решении повседневных бизнес-задач, расскажем почему решений на рынке много, а хорошо работает и довериться можно всего нескольким, а также расскажем о нашем опыте реализации подобных проектов на производстве и в бизнесе.

Для начала, что такое современные системы машинного зрения и какие задачи они решают?

ЗАДАЧИ: Поиск объекта, Классификация, Трекинг.

КОМПОНЕНТЫ систем машинного зрения:

• Безусловно это камера (редко одна, чаще несколько десятков, возможно сотни).
• ПО работы и управления видеопотоком (VMS или Video Management System).
• Обученная нейронная сеть (одна, а чаще несколько, работающих на решение одной задачи).
• Серверное оборудование с GPU, где обученные нейросети работают с видеопотоком.
• ПО аналитики или "ПО верхнего уровня" куда отправляются результаты от всех перечисленных подсистем, а также прописывается нужная математика и логика исходя из задачи.

Стоит отметить, что среда подготовки и обучения нейросетей не входит в список компонентов машинного зрения, т.к. эта часть выносится за рамки работы готовой системы, но именно ее функционал и возможности играют ключевую роль в качестве обученной нейросети, ее последующего администрирования и изменения под изменяющиеся бизнес-задачи или требования. В список компонентов также не вошли и вторичные системы как программные, так и аппаратные, подключаемые к системам машинного зрения и работающими с командами, полученными от ПО аналитики.

Читайте полный текст в статье "Машинное зрение на практике или наши новые цифровые помощники" >>>

AgroTech: интеллектуальные технологии в сельском хозяйстве

Решения для промышленных предприятий в борьбе с COVID-19

Эпидемия COVID-19 заставила компании пересмотреть систему организации работы сотрудников для минимизации рисков распространения коронавирусной инфекции среди персонала. Особенно важно было найти решения для предприятий непрерывного цикла, сотрудников которых невозможно перевести на удаленный режим работы. Специалисты ООО "Делетрон" разработали и использовали целый комплекс решений, благодаря чему количество случаев заражения сотрудников на предприятиях значительно снизилось.

В марте 2020 г. перед компанией "Делетрон" встала задача – исключить доступ на территорию крупного промышленного предприятия сотрудников с повышенной температурой. Учитывая то, что в утреннее время через КПП проходит более 30 тыс. человек, основной целью являлось сохранение необходимой пропускной способности. При этом требовалось обеспечить быстрый замер температуры бесконтактным способом. Именно поэтому технические специалисты остановили свой выбор на тепловизорах потокового типа для реализации системы тепловизионного контроля с заданными параметрами.

При настройке системы тепловизионного контроля специалисты "Делетрона" столкнулись с рядом проблем. Почти все потоковые тепловизоры имеют релейные выходы, и теоретически не должно было составить труда включить их в логику работы турникета. В случае фиксации факта превышения температуры проход через турникет должен блокироваться. Однако количество релейных выходов и внутренняя логика работы самого тепловизора не позволяли использовать его более чем на одной точке прохода, в противном случае все турникеты в поле видимости камеры (до трех в кадре) оказывались бы заблокированными, что неприемлемо при подобном потоке людей. 

Полный текст статьи "Решения для промышленных предприятий в борьбе с COVID-19" >>>

Нейросеть для диагностики COVID-19

В Москве силами отечественных специалистов была разработана нейросеть для оценки степени поражения легких при коронавирусе COVID-19. Об этом сообщил мэр Москвы Сергей Собянин в своем личном блоге.

Проект получил название "КТ-калькулятор", и его интерфейс действительно напоминает калькулятор, только со значительно большим количеством полей ввода. Для получения результата нужно указать пол, возраст пациента, ответить на вопросы об имеющихся симптомах и привести результаты анализа крови.

В разработке нейросети участвовали, в том числе, сотрудники МГУ им. Ломоносова. В ее основе лежат технологии искусственного интеллекта (ИИ) и машинного обучения, и на первых этапах обучения в нейросеть выгружали медкарты пациентов, вылеченных от коронавируса в Москве в период с весны 2020 г.

В общей сложности разработчики выгрузили в нейросеть свыше 500 тыс. историй болезни пациентов. О том, предоставили ли эти пациенты разработчикам право использовать данные из их медкарт, на сайте Сергея Собянина не сказано.

Полный текст читайте здесь "В России создана нейросеть для диагностики COVID-19" >>>

Международная группа ученых под руководством специалистов из Политехнического института Ренсселера разработала нейросеть, способную предсказать необходимость интенсивной терапии у больных с вызванной COVID-19 пневмонией в 96% случаев. Исследование еще не рецензировалось, предварительные данные были опубликованы в журнале Medical Image Analysis.

Хотя у большинства пациентов COVID-19 протекает в сравнительно легкой форме, некоторые сталкиваются с тяжелой пневмонией, которая приводит к острой дыхательной недостаточности и требует подключения к аппарату ИВЛ. Но количество мест в отделениях интенсивной терапии ограничено, и, по мере увеличения числа зараженных, врачам приходится выбирать, кому из тяжелобольных пациентов помощь окажется нужнее.