✕ סגור 
צור קשר
תודה על ההתעניינות .

Thank you! Your submission has been received!

Oops! Something went wrong while submitting the form

16.07 - הטכנולוגיות החדשות של פוג'יטסו מפחיתות את עלות יצירת בינה מלאכותית עבור יישומי בקרה ויזואלית

IsraelClouds
|
July 16, 2019
להרשמה לניוזלטר

בכנס החדשנות של פוג'יטסו בלונדון, הכריזה החברה על שתי טכנולוגיות שיפחיתו את עלות פתרונות יצירת הבינה המלאכותית עבור יישומים הדורשים בקרה ויזואלית. החידוש המדובר משתמש בסוג חדש של מזהה פגמים, המוריד את העלויות ומאפשר זיהוי תקלות ברמות שלא היו קיימות בעבר. יישום זה משולב עם ממשק משתמש מתוחכם והתוצאות המשולבות מאוד מדוייקות, אוטומטיות וללא צורך בפיקוח עם לימוד מצד היישום במהירות הגבוהה פי 50 עד 100.

פיקוח ויזואלי הינו שיטה לניתוח מידע ויזואלי בד"כ בצורה של תמונות עם מטרה של מציאת אזורי עניין. זה כולל ניתוח של כמויות גדולות של מידע על מנת למצוא את תחומי העניין. בייצור, התהליך הזה בשימוש על מנת לזהות מוצרים פגומים או אזורים פגומים במוצר.

ביישומים תחזוקת תשתיות, משתמשים בכך כדי למצוא סדקים בגשרים או חורים על הכביש, בעוד בתחום הבריאות זה יכול לשמש כדי למצוא כתמים של רקמה לא בריאה. על ידי אוטומציה של בדיקה חזותית, זמן הניתוח יכול להיות מופחת במידה ניכרת ועלות תקורה משמעותית מוסרת. בנוסף, הטכנולוגיה מספקת תוצאות עקביות יותר, על ידי הקטנת הווריאציות הנגרמות על ידי פרשנויות שונות של האדם.

לגבי יצירת מערכי נתונים באיכות גבוהה, האתגר מתרכז סביב מספר קטן מאוד של תחומי עניין, הכרוכים בעלויות גבוהות כדי לבדוק את מספר התמונות הגבוה ביותר הנדרש על מנת לבנות מודל בינה מלאכותית מדויק. לדוגמה, יש צורך לבדוק 100,000 תמונות כדי ליצור מערך נתונים המכיל 100 פגמים (שיעור פגם ממוצע של 0.1%), ומיליון תמונות כדי ליצור מערך נתונים סביר יותר עם 1,000 תחומי עניין.

מעבדות פוג'יטסו באירופה באמצעות טכנולוגיית הבינה המלאכותית שלהן מתגברות על הנושאים הללו ומאפשרות יצירת רמה גבוהה של מערכי נתונים באיכות גבוהה ובעלות נמוכה. ניתן להשתמש בטכנולוגיות החדשות בנפרד או ביחד, עם טכנולוגיית זיהוי אנומליה המשמשת באופן ישיר כדי לזהות כל סוג של סטייה ממה שנחשב לנורמה.

ד"ר עאדל רוז, מנכ"ל מעבדות פוג'יטסו באירופה מסביר את המשמעות של פריצת הדרך הטכנולוגית החדשה, "זהו הפיתוח האחרון בשורה ארוכה של טכנולוגיות בינה מלאכותית במסגרת הפיתוחים שלנו של ניתוח נתונים מתקדמים מומחיות הלמידה מכונה כדי להתמודד עם יישומים מורכבים שאינם פולשניים בדיקות. לאחר שסופקה עם נפח גבוה של עלות נמוכה וזמינים בקלות דגימות חינם פגמים, הטכנולוגיה החדשה שלנו גלאי פגם הוא מסוגל במהירות להבין מה לחפש באופן אוטומטי. זה מפשט ומאיץ את יצירתם של פתרונות למידה ממוחשבת, וכן מאפשר גילוי של חריגות לא ידועות קודם לכן. בשילוב עם ה- GUI החדש שלנו, LabelGear, עיצבנו כלי בדיקה חזותי חדש שיכול להיות מיושם במגוון רחב של משימות ולהוביל להפחתת עלויות, שיפור הדיוק והאצת התהליך הכולל.

יישומים פוטנציאליים כוללים ייצור, שבו מצלמות ממוקמות בנקודות מפתח על קו הייצור, וברציפות ישנו ניטור איכות המוצר וזיהוי כל הפגמים הפוטנציאליים. בתעשיית הפלדה למשל, שם סליל פלדה באורך 2 ק"מ מיוצר בכל שעה, כ -70,000 תמונות משמשים ללכוד את פני השטח של סליל אחד ומעל 1 מיליון במהלך היום. עם פתרון אוטומטי ללא, פיקוח של, 80-90% של הפגמים ניתן לזהות באופן אוטומטי להקצות תוויות מתאימות, כיסוי על 200 סוגים של פגמים כי צריך להיות מוכר. יישומים פוטנציאליים אחרים כוללים ניטור תשתיות ובריאות, שבו הפתרון יכול לשמש כדי לאבחן ולסנן את הפרעות, כגון הפרעות בחזה (באמצעות צילומי רנטגן). בארה"ב לבדה, כ -150 מיליון בדיקות בריאות כאלה מבוצעות מדי שנה. תיוג ידני של הכמות העצומה של תמונות כתוצאה מכך הוא יקר ודורש זמן רב, אבל הופך להיות אפשרי עם טכנולוגיות פיקוח ובדיקה ויזואלית-אוטומטיות של פוג'יטסו.

אודות הטכנולוגיה

המעבדות של פוג'יטסו אירופה משתמשות בנתונים נטולי פגם בעיקר כדי ליצור מודל מדויק של מה שנחשב לנורמלי (למשל, מוצרים טובים, משטח רגיל, רקמה בריאה). השוואה בין המודל הנלמד ללא פגם לבין התמונה בפועל מדגישה כל דפוס צפוי (תחומי עניין), ללא קשר אם דפוסים כאלה כבר נראו בעבר על ידי המערכת. בעוד הנתונים באמצעות נתונים ללא תווית לבד, המערכת יכולה באופן אוטומטי לגלות 80-90% של תחומי עניין.

ממשק ה- LabelGearמאפשר לתוויות להיות מוקצות במהירות לאזורי עניין שהתגלו באופן אוטומטי על מנת ליצור מערך נתונים אימונים באיכות גבוהה. זה אשכולות אזורים של עניין מבוסס על המראה החזותי שלהם על מנת לאפשר למשתמש תווית אשכולות כולו ולא תמונות בודדות בכל פעם. לאחר שקבוצת משנה קטנה של הנתונים תויגה (לדוגמה, 10%), הממשק הגרפי בונה ייצוג פנימי של הנתונים, המאפשר להם לחזות את סוג הנתונים שעדיין לא נספרו. זה מאפשר באופן דינמי לסדר מחדש את תוויות היעד, בעקביות למקם את ההתאמות סביר ביותר בתחילה, ובכך לצמצם את הזמן הכרוך במציאת התווית הנכונה. על ידי זיהוי אוטומטי של תחומי העניין, תיוג של אשכול בכל פעם ותיקון מחדש של התוויות באופן דינמי מאפשרות ליצור מערכי נתונים באיכות גבוהה במהירות גבוהה פי 50 עד 100 מאשר בטכנולוגיות רגילות.

עבור משימות סיווג או איתור, אם כמויות גדולות של תמונות ללא תווית הינן זמינות, ניתן להשתמש ב-LabelGear ישירות להקצות את התוויות הדרושות במהירות. עם זאת, אם הפתרון מחייב סימוני חריגה שאינם נמצאים במאגר הנתונים של האימון, טכנולוגיית זיהוי האנומליה של Fujitsu יכולה לספק תכונה נוספת זו.

לחץ לכתבה המקורית
בואו נעבוד ביחד
support@israelclouds.com
צרו קשר