Álláshirdetések
Events / Courses
Legfrissebb híreink
Érkezik a csomagolóanyagok új korszaka
2024.05.18 12:20
Mi történik, ha a repülőgépen megszűnik az áramellátás?
2024.05.18 08:18
Díjazták a Hankook Tire elektromos buszokhoz készült gumiabroncsait
2024.05.18 04:16
Autopro Blog
Autopro a Facebookon
Galériáink
A szintetikus adatoké a jövő az AI-tanításban
Fotó: Pixabay
Egy teljesen betanított mesterséges intelligencia (AI) modell semmiből történő létrehozása napokig vagy hetekig tarthat, a feladat összetettségétől függően. A mesterséges intelligencia tanításához szükséges nagy mennyiségű adat és idő elveheti a gyártók kedvét, szerencsére azonban van megoldás.
A 2019-es Dotscience felmérés szerint a válaszadók 64,4 százaléka számolt be arról, hogy a mesterséges intelligencia és a gépi tanulás (ML) modelljének létrehozása hét és 18 hónap közötti időbe telik, vagyis ennyi idő múlik el míg az ötletből valóság lesz. A szintetikus adatok használatával azonban a gyártók időt és erőfeszítést takaríthatnak meg saját maguknak– írja a Manufacturing Tomorrow.
Az MIT-n 2017-ben végzett tanulmány két csoportra osztotta az adattudósokat: az egyik szintetikus, a másik valós adatokat használt. Ez a tanulmány azt mutatta, hogy az esetek hetven százalékában a szintetikus adatokat használók csoportja a valós adatok felhasználásával egyenrangú eredményeket tudott produkálni.
Több legyet egy csapásra
Mivel a szintetikus adatok ilyen hasznos alternatívát jelentenek a valós adatok generálásával szemben, nem meglepő, hogy a Gartner tanulmánya szerint 2024-re a mesterséges intelligencia fejlesztései során felhasznált adatok 60 százaléka szintetikus lesz. A szintetikus adatok számos előnnyel járhatnak a gyártók számára, például olcsóbb és gyorsabb alternatívát jelentenek a mesterséges intelligencia betanításához.
A szintetikus adatok másik előnye, hogy lehetővé teszik olyan körülmények szimulálását, amelyek még a gyakorlatban nem merültek fel. Ez különösen hasznos a minőségellenőrzésben, mert így megtanítják az AI-t felismerni azokat a hibákat, amelyekre a gyártóknak nincs valós példája még. A gépi látórendszerek ilyen módon történő betanítása jelentősen lerövidítené a betanítási időt, mivel nem lenne szükség a potenciális hibák valós reprodukciójára.
A szintetikus adatok az emberi hiba lehetőségét is csökkentik, ugyanis általuk nincs szükség a hibákat bemutató egyes képek ember általi címkézésére, aminek hibái sokba kerülhetnek a vállalatoknak. Például a Unity játékszoftver-cég száz millió dollárt veszített, miután egy ML-modellbe hibás adatok kerültek. Ez csak egy olyan példa, ahol a szintetikus adatokkal megelőzhették volna az emberi hibákat.
Végül a szintetikus adatok felhasználása környezeti előnyökkel is járhat, a gépi látási rendszer előre betanításával ugyanis megelőzhetővé válik a hibás termékek készítése – amikre az AI betanítása miatt sincs már szükség.
Érdemes mérlegelni a lehetőségeket
A szintetikus adatokkal megelőzhetők az emberi hibák, és elkerülhető a valós adatok gyűjtésének hosszú folyamata, ami azt jelenti, hogy a szintetikus adatoké a jövő a gépi látási rendszerek betanításában. Az AI-megoldásokba fektetni kívánó gyártóknak érdemes mérlegelniük a szintetikus adatok használatát, hogy értékes időt takaríthassanak meg és csökkentsék a hibás termékek számát.
Tetszett ez a hír? Ne maradjon le a legfontosabb járműipari hírekről, iratkozzon fel hírlevelünkre ezen a linken!
