Identyfikacja problemu

Precyzujemy jakie kategorie obiektów system AI ma rozpoznawać. Mogą to być porównania typu:

• dobre, uszkodzone przedmioty
• świeża, zepsuta żywność
• różne klasy materiałów
• kompletność złożeń
• identyfikacja osób

Dokumentowanie

Zbieranie nazwanych próbek zdjęć odbywa się poprzez kamerę video lub specjalną aplikację mobilną, którą można zainstalować na telefonie. Każde zdjęcie należy odpowiednio sklasyfikować po jego zrobieniu wybierając z listy kategorię z pkt. 1

Archiwizacja

Każde zdjęcie po etapie dokumentacji przesyłane jest do archiwum w chmurze, skąd nasz algorytm po zakończeniu procesu wykorzysta je do nauki klasyfikacji.

>

Dobór właściwej architektury splotowych sieci neuronowych

Proces ten opiera się na doborze odpowiedniej architektury CNN w celach jak najlepszego rozpoznawania obrazów.

Dostosowanie hiperparametrów modelu

W tym kroku dobieramy odpowiednie hiperparametry modelu dla danej architektury CNN i dostosowujemy je w taki sposób, aby uzyskać jak najlepszy wynik.

Testowanie na danych nie uwzględnianych w procesie nauki

Ten etap pozwala na testowanie w warunkach pracy w modelu nadzorowanym przez człowieka i dostosowywanie wyników poprzez dotrenowanie i optymalizację kroku 1 i 2.

Wystawienie modelu w chmurze lub na urządzeniu EDGE

Model wraz z API do jego obsługi może zostać wystawiony w postaci kontenera lub „web serwisu” w chmurze lub na urządzeniu mobilnym, wspierającym technologię Docker.

Portal administracyjny

W celach kontroli dostępu, billingu, konfiguracji podstawowych parametrów działania, administratorzy posiadają możliwość zarządzania mechanizmem z poziomu portalu webowego.

Integracje

System może komunikować się z dowolnym innym oprogramowaniem lub systemem (np. MES) dzięki możliwości stworzenia dedykowanych integracji.