Hola lectores Ya intenté escribir este artículo varias veces, pero cada vez lo pospuse, porque, al pensar en la necesidad de realizar una reflexión profunda sobre la experiencia acumulada, me embargó el desaliento y la tristeza. Sin embargo, he reforzado mi intención de hacerlo para compartir mi experiencia con aquellos de ustedes que planean hacer algo similar en el campo de la IA. Todo lo siguiente se aplica a un área de actividad muy específica: la IA en términos de visión por computadora.
Descargo de responsabilidad : no soy un experto en redes neuronales, pero desempeño el papel de propietario de un producto en el que los modelos de redes neuronales de visión por computadora juegan un papel clave. Este artículo es para aquellos que se ven obligados a hacer el mismo trabajo, así como para aquellos especialistas en ML que desean comprender cómo las personas ven sus actividades desde el lado de los negocios.
Entonces, estamos haciendo un producto basado en la visión por computadora, que incluye detección, seguimiento, identificación, reidentificación de personas, determinación de su género y edad.
Hemos estado haciendo varios proyectos durante mucho tiempo, incluidos aquellos con elementos ML, pero esta es la primera vez que hacemos un proyecto donde esta parte es central. Durante este tiempo, como propietario de un producto, aprendí muchas cosas nuevas y extrañas y formulé algunos principios que son importantes para lograr el éxito en la creación de dichos productos.
Riesgo en productos de IA
El riesgo es colosal. En realidad, la creación de un producto de IA termina cuando se elimina todo riesgo. Si, en el caso de crear productos utilizando algoritmos clásicos, pasa del 5 al 20% de su tiempo trabajando con riesgo, entonces, en el caso de productos de IA, el proceso de creación de un producto en sí mismo es una lucha contra el riesgo. Calculo la cantidad de tiempo que se dedica a combatir el riesgo hasta en un 90-95% del tiempo desde la creación de un producto de IA. De esta observación se desprenden importantes conclusiones.
Para empresas de abarrotes
El cronograma de entrega, y por lo tanto el costo, con un alto grado de probabilidad, fallará repetidamente, que es lo que enfrentamos.
El riesgo es tan grande que no tiene sentido hacer algo con el producto antes de completar, probar y entregar la parte de IA.
Para contratistas
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 — , , - .