18.09.2023 18:26:20 UTC+07:00
– А какие там задачи?
– А какие там задачи?
– Примером задачи может быть система неразрушающего контроля качества сварки на трубопроводе. Мы проектируем систему, которая умеет определять параметры среза и параметры овальности, и определять качество выполнения сварного шва. Сейчас это очень часто делается руками, но есть много способов, таких как лазеры и компьютерное зрение. Наша система позволяет повесить камеры и не нарушает производственную линию. Если говорить о животноводстве, мы много чего делаем здесь для свиноводства. Там тоже задачи похожи. Можно, например, по разделенному мясу определять его различные параметры, такие как правильность разрезки, толщину и слой сала, по которым кусок мяса будет распределен по сорту. Приемка скота вызывает тоже много вопросов. Например, приводят тебе 200 голов заявленных, как свинья, первый сорт такого цвета, такой породы. А по факту выясняется, что там не столько голов, сколько надо, и качество другое. И это все определяется компьютерным зрением.
– Если говорить про направление чат-ботов или компьютерное зрение, где наибольший может быть рост в России в частности?
– Я думаю, что именно управляемая коммуникация сейчас есть период, когда на этом можно заработать, но уже появляются и будут появляться платформы, где все это как сервис предоставляется, то есть возможность и необходимость делать кастомные решения, она может пройти. Поэтому мы сейчас с этим работаем, но мы прекрасно понимаем, что в связи с тем, что через полгода этот сегмент может полностью закрыться, появится один или два сервиса, которые все это компенсируют, с подпиской, и наша работа тут будет закончена.
Но то, что касается обучения приватных моделей под конкретные задачи, в частности под классификацию или компьютерное зрение, это пока выглядит как довольно бесконечный сегмент, потому что несмотря на то, что есть куча решений, в том числе и опенсорсных, под сборку систем на основе компьютерного зрения, все равно под каждый уникальный сценарий, в каждом бизнесе это нужно кастомизировать, нужно обучать, нужно тестировать, и это нужно контролировать уже в процессе эксплуатации. Потому что нейросеть довольно быстро устаревает, если она не дообучается.
И здесь я вижу, как раз по работе будет объем, в России особенно, потому что многие решения западные нам сейчас становятся мало доступны. По разным причинам, и по финансовым, и по требованиям безопасности. Как можно встроить в контур какую-нибудь зарубежную апишку, обученную даже?
– Про что ты говоришь, когда озвучил, что нейросети довольно быстро устаревают?
– Устаревает эффект обучения со временем. Накапливаются ошибки, систему нужно дообучать или перебучать. Изменяется контекст данных.
Я приведу пример. Если ты обучил нейронку искать товары на маркетплейсе, по какому-то принципу, она отлично здесь справляется. Проходит 2-3 месяца, меняется контекст товарного предложения, она начинает работать все хуже. Ее нужно дообучать на более свежих данных. Таким образом, она будет планово развиваться. Ты выполняешь обучение, делаешь разметку данных, и с каждой итерацией у тебя повышается точность. То есть, это такая история на долгосрок.
В каждом проекте, который мы сейчас продаем, предусмотрен специальный комплекс систем, которые позволят заказчику продолжать размечать, и на размеченных данных запускать процесс переобучения нейронов.
Более того, у нас все модели версионируются, то есть вы можете в рамках одного проекта иметь целую историю различных моделей, каждая из которых обучена по определенной логике. Вы можете их сравнивать друг с другом, заменять, переобучать и выбирать наиболее удачные из них и продолжать работать с ними.
– Ты много об этом рассказываешь, видно, что тебя это увлекает. Интересно, ты сам работаешь с людьми или у тебя есть продакты?
У нас кастомно построен процесс поиска и валидации продуктов. Он не построен по методологии каст-девелопмента, каст-ресерча, лин-девелопмента. Мы отказались от всего этого. Мы все это пробовали.
– Примером задачи может быть система неразрушающего контроля качества сварки на трубопроводе. Мы проектируем систему, которая умеет определять параметры среза и параметры овальности, и определять качество выполнения сварного шва. Сейчас это очень часто делается руками, но есть много способов, таких как лазеры и компьютерное зрение. Наша система позволяет повесить камеры и не нарушает производственную линию. Если говорить о животноводстве, мы много чего делаем здесь для свиноводства. Там тоже задачи похожи. Можно, например, по разделенному мясу определять его различные параметры, такие как правильность разрезки, толщину и слой сала, по которым кусок мяса будет распределен по сорту. Приемка скота вызывает тоже много вопросов. Например, приводят тебе 200 голов заявленных, как свинья, первый сорт такого цвета, такой породы. А по факту выясняется, что там не столько голов, сколько надо, и качество другое. И это все определяется компьютерным зрением.
– Если говорить про направление чат-ботов или компьютерное зрение, где наибольший может быть рост в России в частности?
– Я думаю, что именно управляемая коммуникация сейчас есть период, когда на этом можно заработать, но уже появляются и будут появляться платформы, где все это как сервис предоставляется, то есть возможность и необходимость делать кастомные решения, она может пройти. Поэтому мы сейчас с этим работаем, но мы прекрасно понимаем, что в связи с тем, что через полгода этот сегмент может полностью закрыться, появится один или два сервиса, которые все это компенсируют, с подпиской, и наша работа тут будет закончена.
Но то, что касается обучения приватных моделей под конкретные задачи, в частности под классификацию или компьютерное зрение, это пока выглядит как довольно бесконечный сегмент, потому что несмотря на то, что есть куча решений, в том числе и опенсорсных, под сборку систем на основе компьютерного зрения, все равно под каждый уникальный сценарий, в каждом бизнесе это нужно кастомизировать, нужно обучать, нужно тестировать, и это нужно контролировать уже в процессе эксплуатации. Потому что нейросеть довольно быстро устаревает, если она не дообучается.
И здесь я вижу, как раз по работе будет объем, в России особенно, потому что многие решения западные нам сейчас становятся мало доступны. По разным причинам, и по финансовым, и по требованиям безопасности. Как можно встроить в контур какую-нибудь зарубежную апишку, обученную даже?
– Про что ты говоришь, когда озвучил, что нейросети довольно быстро устаревают?
– Устаревает эффект обучения со временем. Накапливаются ошибки, систему нужно дообучать или перебучать. Изменяется контекст данных.
Я приведу пример. Если ты обучил нейронку искать товары на маркетплейсе, по какому-то принципу, она отлично здесь справляется. Проходит 2-3 месяца, меняется контекст товарного предложения, она начинает работать все хуже. Ее нужно дообучать на более свежих данных. Таким образом, она будет планово развиваться. Ты выполняешь обучение, делаешь разметку данных, и с каждой итерацией у тебя повышается точность. То есть, это такая история на долгосрок.
В каждом проекте, который мы сейчас продаем, предусмотрен специальный комплекс систем, которые позволят заказчику продолжать размечать, и на размеченных данных запускать процесс переобучения нейронов.
Более того, у нас все модели версионируются, то есть вы можете в рамках одного проекта иметь целую историю различных моделей, каждая из которых обучена по определенной логике. Вы можете их сравнивать друг с другом, заменять, переобучать и выбирать наиболее удачные из них и продолжать работать с ними.
– Ты много об этом рассказываешь, видно, что тебя это увлекает. Интересно, ты сам работаешь с людьми или у тебя есть продакты?
У нас кастомно построен процесс поиска и валидации продуктов. Он не построен по методологии каст-девелопмента, каст-ресерча, лин-девелопмента. Мы отказались от всего этого. Мы все это пробовали.