Nowa metoda tworzenia modeli AI (źródło: Panasonic HD)
Nowa metoda tworzenia modeli AI (źródło: Panasonic HD)

Modele AI mogą być tworzone taniej i szybciej, dzięki nowej technologii

Modele AI mogą być tworzone szybciej i taniej – jest to możliwe dzięki nowej technologii Panasonic HD. Few-shot Domain Adaptation pozwoli na zmniejszenie ilości danych treningowych. Jak to możliwe?

Przełomowe technologie AI, które zwiększają nasze bezpieczeństwo i wygodę

Sztuczna inteligencja przeżywa ogromny postęp, wspiera nas i przedsiębiorstwa na coraz większych polach, jednak do jej szkolenia potrzebne są ogromne ilości danych. AI uczy się na podstawie już zebranych obrazów, tekstów, głosów czy innych treści, które pozwalają otrzymać niemalże doskonałe modele.

Tak ogromne bazy wymagają odpowiednich lokalizacji, środowiska oraz czasu i pieniędzy, które spełnią wymagania wdrażanych mechanizmów. Mając na uwadze ten fakt, firma Panasonic HD postanowiła stworzyć technologię Few-shot Domain Adaptation, która sprawi, że tworzenie modeli sztucznej inteligencji będzie możliwe z dużą dokładnością, jednak przy zredukowanej ilości danych szkoleniowych niż dotychczas.

Panasonic HD i technologia, która taniej opracuje modele sztucznej inteligencji

Technologia Few-shot Domain Adaptation pozwala na przystosowanie wiedzy na temat modelu, który już został przeszkolony. Taki mechanizm przeszedł trening w oparciu o dużą ilość publicznie dostępnych danych, znanych jako domena źródłowa, do domeny docelowej opartej o kilka przykładów.

Nowa metoda tworzenia modeli AI (źródło: Panasonic HD)
Nowa metoda tworzenia modeli AI (źródło: Panasonic HD)

Algorytm ten został dodatkowo wzmocniony adaptacją domeny z metodą powiększania danych, dzięki temu możliwe jest przeprowadzenie dokładnej syntezy wielu obrazów. Ponadto system ten, przy zastępowaniu obrazów, wykorzystuje położenie i prawdopodobieństwo istnienia obiektów na obrazie w oparciu o informacje znajdujące się w danym obszarze.

Choć metoda brzmi niezwykle skomplikowanie, może przynieść twórcom algorytmów sztucznej inteligencji wiele ułatwień, przy jednoczesnym zachowaniu dokładności. Ponadto zbiory danych treningowych mogą być „lżejsze”, co wpłynie na wzrost szybkości i spadek kosztów wdrażania nowych technologii, wspomagających nas w codziennym życiu.

Rozwiązanie to może znaleźć zastosowanie np. w urządzeniach, zajmujących się wykrywaniem pozycji, postaci, sytuacji, różnic w wyglądzie czy dostosowywaniem warunków oświetleniowych.