Modelli di riqualificazione

Istruire e personalizzare i modelli AI sui propri dati per ottenere le massime prestazioni

I modelli hanno bisogno di essere confezionati su misura. Ecco perché la piattaforma Modzy consente la riqualificazione dei modelli AI per ottenere le massime prestazioni.

La riqualificazione dei modelli AI è fondamentale per mantenere i modelli aggiornati e performanti sui nuovi dati. Mentre gli esseri umani hanno una naturale capacità di trasferire la conoscenza e l'esperienza attraverso diversi compiti e domini, i modelli di apprendimento automatico hanno ancora difficoltà a generalizzare. Ciò significa che innumerevoli ore e risorse vengono spese per addestrare i modelli da zero per poterli eseguire su set di dati leggermente diversi, piuttosto che per riqualificare i modelli di machine learning per renderli più generalizzabili. Il transfer learning si riferisce al concetto di migliorare le prestazioni di un modello di machine learning trasferendo le conoscenze acquisite durante la formazione ad un diverso, ma correlato, set di dati. In termini più semplici, il transfer learning permette di riqualificare rapidamente un modello di IA, già formato, sul proprio dataset, il che rende il modello su misura e più performante sul proprio dataset.

Riqualificazione del modello AI a Modzy

riqualificazione del modello di apprendimento della macchina

A Modzy, siamo stati pionieri di un approccio innovativo per la riqualificazione dei modelli di IA basato sul transfer learning. Questo approccio consente davvero la riqualificazione automatizzata dei modelli, consentendo agli scienziati dei dati di riqualificare rapidamente e facilmente i modelli di machine learning sui propri dati per migliorare le prestazioni, consentendo un notevole risparmio di tempo e di costi.

  • La nostra soluzione di riqualificazione dei modelli di IA, che è diversa dalla semplice formazione di un modello da zero, è stata progettata e progettata per consumare la minor potenza di calcolo possibile nel minor tempo possibile, date le dimensioni del dataset e del compito di destinazione.
  • La nostra soluzione consente la riqualificazione dei modelli di classificazione degli oggetti, una soluzione a un problema molto più complicato. La riqualificazione dei modelli di classificazione delle immagini è facile e le soluzioni a questo problema esistono da anni. 

Durante la formazione, utilizziamo ampi set di dati provenienti da un'ampia gamma di distribuzioni per garantire che i nostri modelli siano in grado di fare previsioni corrette su diversi scenari. La nostra soluzione di riqualificazione dei modelli di machine learning migliora le prestazioni e riduce al minimo la necessità di un grande set di dati etichettati, il che riduce la quantità di risorse computazionali e il tempo necessario per la formazione.

Modzy Retraining Highlights

Oggi, la nostra soluzione consente di riqualificare un modello su un set di 1600 immagini su una GPU in 16 minuti

I modelli addestrati rilevano le persone con una precisione media del 45% di precisione media (rispetto a un benchmark del 5%), e i veicoli con una precisione media del 76% (rispetto a un benchmark del 20%)

Problemi con gli approcci esistenti alla riqualificazione

Ci sono diverse sfide con gli approcci esistenti per la riqualificazione dei modelli di machine learning :  

  • I modelli devono essere addestrati su un ampio set di dati di grandi dimensioni di punti di dati etichettati per essere generalizzabili
  • La raccolta di un campione sufficiente di dati di formazione etichettati è costosa, richiede tempo o può essere impossibile per alcuni scenari
  • L'approccio attuale prevede principalmente la formazione di nuovi modelli da zero per svolgere compiti leggermente diversi, con elevati costi di infrastruttura e di cura dei dati 

L'approccio di Modzy alla riqualificazione dei modelli di IA offre una soluzione a molte delle sfide con le soluzioni di workaround esistenti per la riqualificazione, consentendo l'efficienza delle risorse e soluzioni più performanti.

Dettagli sul programma Quick Start