Pourquoi avons-nous besoin de l’intelligence artificielle ?
Les systèmes de traitement d’image traditionnels utilisent des algorithmes basés sur des règles qui offrent une grande fiabilité pour les tâches répétitives. En raison du déroulement toujours identique des étapes du processus, seuls de faibles écarts sont tolérés. Dès que la variance des images augmente, par exemple en raison de variations naturelles de l’objet, telles que les nuances de couleur, les formes ou les conditions ambiantes changeantes telles que les conditions d’éclairage, l’application devient de plus en plus complexe et peut par conséquent devenir non économique. Dans le cas contraire, la variance a un impact direct sur la précision ou les performances de l’algorithme. Cela entraîne des erreurs de décision du système de traitement d’image basé sur des règles, telles que des pièces correctes rejetées (également appelées pseudo-rejets) ou des pièces défectueuses non détectées (également appelées glissements). Le traitement d’image industriel a toujours pour objectif de les minimiser.
Les technologies d’IA élargissent les possibilités d’utilisation de la vision industrielle en tolérant les variations dans les données d’image, ce qui permet, par exemple, d’identifier de manière fiable les erreurs irrégulières. Ils augmentent la rentabilité grâce à des taux de détection plus robustes avec une grande variance et réduisent les obstacles à l’entrée dans la vision industrielle, car il n’est plus nécessaire d’avoir une connaissance approfondie des algorithmes.
L’intelligence artificielle est le terme générique qui désigne les technologies qui permettent aux machines de résoudre différentes tâches de manière autonome, souvent inspirées par la pensée et l’apprentissage humains. L’apprentissage automatique (également appelé « Machine Learning ») est un sous-domaine de l’IA dans lequel les algorithmes ne sont pas programmés de manière rigide, mais apprennent des modèles et des relations à partir de données d’exemple. Au lieu de définir chaque règle manuellement, le système « apprend » lui-même comment traduire les entrées en sorties. Le Deep Learning est une forme spécialisée d’apprentissage automatique basée sur des réseaux neuronaux artificiels avec de nombreuses couches de traitement (« deep » = profond). Cette architecture permet d’identifier des modèles très complexes et de fournir des résultats précis, même dans des conditions variables.
Deep Learning
Maschinelles Lernen
Künstliche Intelligenz
Welche Vorteile hat die Nutzung von KI in der Qualitätskontrolle?
Trotz verfügbarer regelbasierter Bildverarbeitung wird die Qualitätskontrolle in Prozessen oftmals noch manuell durch Menschen durchgeführt, da die große Varianz der Fehler oft schwer oder nicht zu erfassen ist. Hier bietet sich der Einsatz von KI-gestützten Bildverarbeitungssystemen an.
| Problemfelder der manuellen Kontrolle | Lösung durch Vorteile der KI-gestützten Bildverarbeitung |
|---|---|
| Inkonsistente Beurteilung der Qualität | Konsistente und wiederholgenaue Beurteilung auf Basis großer Datensätze |
| Limitierte Aufmerksamkeitsspanne | 24/7 im Einsatz ohne Ermüdung |
| Aufwendige Dokumentation der Entscheidungen | Automatische Bildspeicherung mit Heatmap-Darstellung und Score-Wert zur Nachvollzieh- und Rückverfolgbarkeit |
| Höhere Personalkosten, Personalknappheit und hoher Schulungsaufwand | Unabhängig von Personalverfügbarkeit skalierbar, niedrige Einstiegshürde dank geringerem Schulungsaufwand |
|
Problemfelder der manuellen Kontrolle
|
|||
|---|---|---|---|
|
Inkonsistente Beurteilung der Qualität
|
Limitierte Aufmerksamkeitsspanne
|
Aufwendige Dokumentation der Entscheidungen
|
Höhere Personalkosten, Personalknappheit und hoher Schulungsaufwand
|
|
Lösung durch Vorteile der KI-gestützten Bildverarbeitung
|
|||
|
Konsistente und wiederholgenaue Beurteilung auf Basis großer Datensätze
|
24/7 im Einsatz ohne Ermüdung
|
Automatische Bildspeicherung mit Heatmap-Darstellung und Score-Wert zur Nachvollzieh- und Rückverfolgbarkeit
|
Unabhängig von Personalverfügbarkeit skalierbar, niedrige Einstiegshürde dank geringerem Schulungsaufwand
|
Ersetzt KI die regelbasierte Bildverarbeitung?
KI erweitert die Möglichkeiten industrieller Bildverarbeitung, löst dabei jedoch nur sehr selten bewährte regelbasierte Lösungen komplett ab. Die Kombination aus regelbasierter und KI-basierter Bildverarbeitung erweitert die Vielseitigkeit von Machine Vision. Mit KI lassen sich Inspektionsaufgaben umsetzen, die mit regelbasierter Auswertung zu aufwendig oder unwirtschaftlich wären.
Wann kommen regelbasierte, wann KI-Bildverarbeitungssysteme zum Einsatz?
Der regelbasierte Ansatz herkömmlicher Bildverarbeitungssysteme ist nach wie vor ein bewährter Lösungsweg für optische Inspektionsaufgaben. KI-Technologien erweitern die Anwendungsbereiche von industrieller Bildverarbeitung. Trotz verschiedener Algorithmen gibt es bei den Fähigkeiten beider Technologien zahlreiche Überschneidungen.
In der Regel kommt eine Kombination aus regelbasierter und KI-Tools zum Einsatz. Zum Beispiel: Die regelbasierte Lokalisierung mit Teilenachführung und Ausschneiden des zu prüfenden Objekts wird kombiniert mit KI-basierter Fehlerklassifizierung. Abschließend folgt die regelbasierte Vermessung des Fehlers.
Typische Anwendungsfelder
Regelbasierte Bildverarbeitung
| Vermessung, Messaufgaben |
| Codereading |
| Präzise Ausrichtung, Positionierung (auch Robot Vision, Robot Guidance) |
Kombinationen und Überschneidungen
| Inspektion, Defekterkennung |
| Identifikation (Codereading, OCR / Zeichenerkennung) |
| Lokalisierung von Objekten und Features (auch Robot Vision, Robot Guidance) |
KI-basierte Bildverarbeitung
| Erkennung stark variierender Objekte oder Fehler |
| Herausforderndes OCR (z. B. schlechte Druckqualität, variierende Hintergründe) |
| Lokalisierung von Objekten mit hoher Varianz |
| Klassifzierung (z. B. von Materialien oder Texturen) |
Welche KI-Technologien sind in der Bildverarbeitung im Einsatz?
Clasificación
La clasificación asigna una imagen a una o más clases predefinidas. Se distingue entre Multi-Class y Multi-Label.
Multi-Class: una clase por imagen, p. ej., “tornillo”
o clasificación de fallos con clases mutuamente excluyentes: “OK” (sin defectos) o “NOK” (defectuoso). Queda excluida una clasificación simultánea en ambas clases.
Multi-Label: posibilidad de varias clases por imagen, p. ej., “tornillo”, “clavo”
o clasificación de errores con etiquetas independientes: “abolladura” y “arañazo”. Un objeto puede tener una abolladura, un arañazo, ambos o ninguno de los dos, ya que estas clases no se excluyen mutuamente.
Detección de objetos
La detección de objetos localiza y clasifica varios objetos en la imagen mediante marcos delimitadores, los llamados Bounding Boxes. Para cada objeto encontrado, indica a qué clase pertenece y dónde se encuentra exactamente en la imagen. Hay que distinguir entre la detección de objetos “paralela a los ejes” (como se puede ver en la imagen) y la “orientada”. En la detección de objetos orientados, los cuadros delimitadores están alineados con el objeto y describen el Bounding Box más pequeño posible.
Segmentación
Asigna una clase a cada píxel individual de la imagen para la delimitación exacta de objetos (p. ej., clavo, tornillo, fondo) o defectos (p. ej., defectos de pintura).
Nota: Además de los modelos de IA habituales, cada vez hay más modelos de IA entrenados para una aplicación específica, como Deep OCR. El reconocimiento óptico de caracteres con Deep OCR utiliza redes neuronales entrenadas en grandes cantidades de imágenes de texto para extraer letras y números. A diferencia del OCR clásico, permite la detección precisa de texto dinámico con tamaños de fuente variables y diferentes fondos, incluso con impresiones y etiquetas con un diseño específico.
¿Qué es un modelo de IA?
Los modelos de IA son modelos asistidos por ordenador inspirados en el cerebro humano. Se componen de neuronas artificiales que procesan información y están conectadas entre sí mediante ponderaciones. Una ponderación es un valor numérico que determina el grado en que una señal de entrada afecta a la neurona.
Un modelo de IA está estructurado en capas: La “Input Layer” recibe los datos sin procesar (p. ej., imágenes). En las “Hidden Layers” se detectan automáticamente las características, y la “Output Layer” toma una decisión basada en ellas.
Durante el entrenamiento, el modelo de IA compara sus predicciones con la verdad fundamental y ajusta gradualmente las ponderaciones. Este proceso de aprendizaje se repite en muchos ejemplos hasta que el modelo de IA detecta patrones de forma fiable.
Un modelo de IA está estructurado en capas: La “Input Layer” recibe los datos sin procesar (p. ej., imágenes). En las “Hidden Layers” se detectan automáticamente las características, y la “Output Layer” toma una decisión basada en ellas.
Durante el entrenamiento, el modelo de IA compara sus predicciones con la verdad fundamental y ajusta gradualmente las ponderaciones. Este proceso de aprendizaje se repite en muchos ejemplos hasta que el modelo de IA detecta patrones de forma fiable.
Modelo de IA o red neuronal: ¿cuál es la diferencia?
No todos los modelos de IA son una red neuronal. El término “modelo de IA” es un término genérico para muchos tipos de algoritmos, incluidos árboles de decisiones, modelos estadísticos y redes neuronales. Estos últimos son una forma de modelos de IA especialmente adecuados para tareas complejas como el reconocimiento de imágenes o el procesamiento de voz. Sin embargo, los términos “red neuronal” y “modelo de IA” se utilizan a menudo como sinónimos.
No todos los modelos de IA son una red neuronal. El término “modelo de IA” es un término genérico para muchos tipos de algoritmos, incluidos árboles de decisiones, modelos estadísticos y redes neuronales. Estos últimos son una forma de modelos de IA especialmente adecuados para tareas complejas como el reconocimiento de imágenes o el procesamiento de voz. Sin embargo, los términos “red neuronal” y “modelo de IA” se utilizan a menudo como sinónimos.
Input Layer
Hidden Layers
Output Layer
ONNX – le format d’échange universel
Le logiciel de traitement d’image uniVision 3 permet une intégration transparente des réseaux ONNX. GitHub vous permet également de quantifier votre réseau ONNX pour une utilisation sur le matériel wenglor.
wenglor AI Loop – comment fonctionne l’IA dans le traitement d’image industriel
Il est rare qu’un ensemble de données représentatif et complet d’une application soit disponible au début. Des modèles d’IA de haute précision et fiables sont créés grâce à l’extension continue des données et à la validation des réseaux une fois créés. Une approche centrée sur les données et les processus permet d’optimiser systématiquement et de maintenir la précision d’un modèle d’IA tout au long du cycle de vie d’un équipement d’inspection. Les données existantes sont à nouveau contrôlées ou de nouvelles données sont enregistrées et annotées.
Capture et téléchargement d’images
Annotation
Apprentissage et validation
Déploiement
En el primer paso, el más importante para el enfoque centrado en los datos, se capturan imágenes que reproducen la aplicación de la forma más representativa posible. A lo largo del proceso, se añaden continuamente nuevas imágenes.
¿Qué es importante a la hora de crear conjuntos de datos adecuados?
Entre 50 y 100 imágenes reales por clase pueden ser suficientes para obtener los primeros resultados prácticos. Los datos deben ser bien seleccionados, variados y coherentes. Muchos datos de imágenes no implican automáticamente mejores modelos. El objetivo es lograr toda la dispersión natural de lotes, colores, influencias de iluminación, etc. con pocas imágenes de alta calidad para crear una solución robusta y generalizable.
Un ejemplo: Si una fábrica solo registra imágenes de placas de circuito impreso defectuosas de una máquina bajo determinadas condiciones de iluminación, el modelo de IA podría aprender a relacionar los errores con las condiciones de fondo o iluminación específicas de esa máquina, en lugar de con las características reales de los errores. Esta distorsión podría hacer que el modelo clasifique los errores de otras máquinas incorrectamente o bajo otras condiciones de iluminación. Al incorporar múltiples imágenes de diferentes máquinas, condiciones de iluminación y ángulos de visión, el modelo de IA aprende las características reales de los errores, lo que garantiza una detección fiable en todos los escenarios de producción.
Una estrategia de iluminación dirigida reduce la varianza de la imagen, aumenta la precisión del modelo y reduce la necesidad de imágenes de entrenamiento. Por ejemplo, con solo una cuarta parte de la cantidad de imágenes se puede lograr la misma precisión mejorando significativamente la calidad de la imagen mediante la elección del principio de iluminación adecuado, el color de la luz (longitud de onda), una iluminación homogénea y filtros ópticos.
Al igual que sucede con los sistemas de procesamiento de imágenes basados en reglas, también aquí se aplica lo siguiente: Unas imágenes deficientes reducen significativamente la precisión del modelo de IA. Asegúrese de obtener imágenes nítidas con suficiente profundidad de campo, elevado contraste y consistencia en la configuración (cámara, iluminación, óptica).
Una resolución más alta muestra más detalles, pero requiere más tiempo de entrenamiento y más recursos. Las imágenes del conjunto de datos se reducen a menudo, p. ej., a 320 × 320 píxeles (imagen de entrada de IA) para el entrenamiento.
Importante: La característica decisiva debe ser claramente detectable incluso con una resolución así de baja. Lo que es visible para el ojo humano también suele poder ser capturado por el modelo de IA.
Las imágenes deben ser reales y, a ser posible, se deben tomar en condiciones cercanas a las de la producción. Genere variaciones naturales, como cambios en el fondo, condiciones de luz ligeramente diferentes, polvo, ruido o ligeras desviaciones de posición para hacer que el conjunto de datos sea más robusto. No obstante, un mecanizado severo o unas piezas defectuosas producidas artificialmente podrían provocar patrones de aprendizaje poco realistas. También es importante evitar errores sistemáticos, como que cada pieza buena tenga una marca, pero no las piezas defectuosas. Asegúrese de que la configuración sea la misma para la cámara, la iluminación y la óptica.
Durante el entrenamiento, utilice únicamente el área de la imagen en la que se encuentra el objeto relevante o el lugar del error. Esto evita que el modelo de IA aprenda involuntariamente en segundo plano o que los detalles importantes estén relativamente subrepresentados. El cropping permite obtener detalles más relevantes a baja resolución y ahorrar tiempo de entrenamiento.
Se recomienda una representación igual de ponderada de todas las clases (p. ej., pieza correcta, pieza defectuosa). Un desequilibrio, como el 99 % OK y el 1 % NOK, conduce a modelos de IA distorsionados que a menudo pasan por alto errores en la aplicación. Una base de datos equilibrada evita el sesgo de selección del modelo de IA y mejora el rendimiento de la detección incluso en patrones de error raros.
Augmentation significa generación artificial de variantes mediante, por ejemplo, la rotación, el aumento (zoom), la distorsión, el ruido o el cambio de brillo. Esto permite ampliar los conjuntos de datos existentes y preparar el modelo de IA para dispersiones reales, lo que es especialmente importante con conjuntos de datos pequeños para lograr rápidamente una mayor exactitud.
Importante: La Augmentation debe seguir siendo realista y práctica, ya que su uso tiene una gran influencia a la hora de equilibrar la exactitud del modelo de IA. Un giro podría ser, por ejemplo, un caso de error y, por lo tanto, no es adecuado para todas las aplicaciones.
Importante: La Augmentation debe seguir siendo realista y práctica, ya que su uso tiene una gran influencia a la hora de equilibrar la exactitud del modelo de IA. Un giro podría ser, por ejemplo, un caso de error y, por lo tanto, no es adecuado para todas las aplicaciones.
En el segundo paso se anotan o etiquetan las imágenes. Para cada imagen, el usuario especifica una denominada verdad básica, como, por ejemplo, si se trata de una pieza buena o una pieza mala.
¿Cómo se puede minimizar el esfuerzo del proceso de etiquetado?
Para garantizar una anotación consistente, deberán implicarse en el proceso expertos en aplicaciones, por ejemplo, de producción y control de calidad.
La clasificación según “NOK” y “OK” puede ser subjetiva, por lo que se debe garantizar una delimitación clara de las clases antes de entrenar y seguir anotando.
Consejo: Las muestras límite deben marcarse específicamente como tales mediante etiquetas. De este modo, esta información se puede incluir en la posterior validación de la red.
Consejo: Las muestras límite deben marcarse específicamente como tales mediante etiquetas. De este modo, esta información se puede incluir en la posterior validación de la red.
Durante la evaluación de los datos de entrenamiento, es decisivo basarse exclusivamente en las imágenes, no en el objeto real. Incluso aunque un defecto se detecte más fácilmente en la pieza original, para el modelo de IA solo cuenta lo que se ve en la imagen. Si se incorporan conocimientos adicionales del objeto real se producen incosistencias, ya que más adelante el modelo de IA también funcionará solo con información de la imagen.
El mantenimiento de un catálogo de defectos con tipos de defectos claramente descritos e imágenes de ejemplo ayuda a definir los criterios de exclusión de una forma segura y comprensible. Si se actualiza regularmente, por ejemplo, en caso de nuevos errores o productos, facilitará la transferencia de conocimientos y la integración de etiquetadores adicionales.
Las etiquetas permiten añadir palabras clave, lo que hace que los registros de datos sean más claros y fáciles de clasificar. Mediante la asignación de etiquetas se puede hacer visible, por ejemplo, qué datos se han registrado en qué día del calendario y a qué hora del día o qué datos se consideran muestras límite.
En el siguiente paso se entrena (o se vuelve a entrenar) el modelo de IA. Existen diferentes enfoques, en los que un conjunto de datos siempre se divide en datos de entrenamiento y de prueba.
¿Qué hay que tener en cuenta al entrenar un modelo de IA?
La selección de la arquitectura de red en un formato adecuado para el hardware de inferencia (por ejemplo, INT8) es fundamental para la latencia (velocidad de ejecución) y el equilibrio en la precisión del modelo de IA. En función del caso de aplicación, se puede optimizar pensando en la latencia o en la exactitud.
Consejo: El entrenamiento repetido del modelo de IA con el mismo conjunto de datos puede dar lugar a diferentes valores de rendimiento. Unas diferencias superiores al 5 % indican un registro de datos inconsistente.
Consejo: El entrenamiento repetido del modelo de IA con el mismo conjunto de datos puede dar lugar a diferentes valores de rendimiento. Unas diferencias superiores al 5 % indican un registro de datos inconsistente.
En el entrenamiento se debe establecer una resolución para la imagen de entrada.
Cuanto mayor sea la resolución,
Cuanto mayor sea la resolución,
- mayor será el tiempo de evaluación,
- mayores los requisitos de la memoria RAM para la interferencia (ejecución),
- más larga la duración del entrenamiento
- más datos de entrenamiento se necesita para lograr el mismo equilibrio en la exactitud.
A continuación, se valida el modelo de IA. La IA a menudo se considera una caja negra con entradas y salidas, pero sin información clara para validar el modelo de IA. El informe del modelo de IA proporciona información sobre las exactitudes equilibradas (Recall y Precision), las predicciones erróneas, el tiempo de inferencia previsto y, por lo tanto, ayuda a la trazabilidad.
Trucos y consejos para la transparencia del modelo de IA
La matriz muestra con qué frecuencia las predicciones de un modelo de IA coinciden con las clases reales y dónde se producen los errores.
Consejo: Los motivos más comunes de las predicciones erróneas son una anotación incorrecta o una muestra límite. En este caso, es necesario adaptar la anotación y repetir el entrenamiento. El objetivo es minimizar las predicciones erróneas.
El Heatmap (mapa de calor) muestra qué área de la imagen resultó decisiva para predecir el resultado. La vista detallada permite sacar conclusiones sobre los errores en la anotación o la distorsión de la muestra. Esto garantiza una mayor transparencia y trazabilidad de los patrones de datos.
La predicción de un modelo de IA se basa en la denominada puntuación (Score), que indica lo seguro que está el modelo de IA a la hora de tomar una decisión. Lo decisivo no es obtener las puntuaciones más altas posibles en todos los casos, sino lograr una distinción clara entre casos seguros e inseguros: Las puntuaciones altas solo deben producirse en caso de resultados claros, mientras que unas puntuaciones deliberadamente más bajas tienen sentido en casos inseguros. De este modo, se evita que el modelo de IA decida “de forma incorrectamente segura” incluso en situaciones poco claras.
Tanto en el entrenamiento como en la inferencia del modelo de IA, la resolución de cada imagen de registro de datos se reduce antes de utilizarse como imagen de entrada de IA. Por tanto, compruebe si la característica relevante sigue siendo detectable. Si no es así, puede ser útil, por ejemplo, recortar más coherentemente o elegir una resolución más alta de la imagen de entrada de IA.
Existen diferentes métodos de validación para evaluar los modelos de IA. Normalmente, los registros se dividen en datos de entrenamiento, validación y prueba.
Nota: Especialmente para conjuntos de datos más pequeños, los usuarios se benefician de la robusta evaluación de la validación cruzada K-Fold. La elección de un método de validación inadecuado da lugar a evaluaciones poco fiables del modelo de IA.
- Los datos de entrenamiento se utilizan para entrenar el modelo de IA, y suelen representar entre el 70 y el 80 % de los datos.
- Los datos de validación se utilizan durante el entrenamiento para ajustar las ponderaciones y comprobar si el modelo de IA está sobreentrenado (Overfitting). Suelen representar entre el 10 y el 20 % de los datos.
- Los datos de prueba solo se utilizan para evaluar la calidad final del modelo de IA, y representan entre el 10 y el 20 % de los datos.
| Característica | Validación del Hold-out (retención) | Validación K-Fold-Cross (validación cruzada K-Fold) |
|---|---|---|
| Descripción | El conjunto de datos se divide una sola vez, p. ej., 80 % de entrenamiento/20 % de prueba | El conjunto de datos se divide en k partes, el modelo de IA se evalúa k veces con cada uno de los otros datos de prueba |
| Ventajas |
|
|
| Desventajas |
|
|
Il modello di IA completamente appreso viene trasferito dall’ambiente di apprendimento alla piattaforma di inferenza, spesso anche su più impianti contemporaneamente. Questa messa in servizio iniziale è nota come distribuzione del modello di IA.
Come si implementa l’IA nell’applicazione di elaborazione di immagine?
Utilizzare l’IA in modo efficace ed efficiente richiede competenze adeguate, altrimenti l’implementazione sarà molto complessa. Con l’AI Lab, wenglor offre una piattaforma di apprendimento intuitiva per la creazione di modelli di IA che possono essere eseguiti senza problemi sul potente hardware wenglor. weHub consente di eseguire continuamente cicli di apprendimento e di ampliare continuamente i record di dati con nuovi dati rilevanti.
Quando si crea un modello di IA, l’utente sceglie innanzitutto un’architettura di rete appropriata. Sulla base di ciò, si sceglie quindi una piattaforma di apprendimento idonea e gli strumenti per l’esecuzione. Il formato di scambio universale Open Neural Network Exchange (ONNX) per le reti di IA offre l’utilizzo multipiattaforma dei modelli di IA come standard aperto. Il software Machine Vision uniVision 3 consente una perfetta integrazione dei modelli IA nel formato ONNX. GitHub consente inoltre di quantificare la rete ONNX per l’utilizzo sull’hardware wenglor.
Dopo aver eseguito la messa in funzione, possono esserci i seguenti motivi per eseguire un nuovo apprendimento:
- Vengono visualizzate nuove classi da riconoscere.
- I valori di punteggio si riducono, ad es. a causa di cambi di lotto, portapezzi sporchi o usurati o potenza luminosa ridotta.
- I requisiti di precisione bilanciata cambiano.
Prima di acquisire nuovi dati, assicurati che il database esistente sia coerente e univoco. Esamina le previsioni errate e rivedi ogni annotazione, se necessario. Utilizza strumenti di convalida come la mappa termica, i punteggi e la matrice di confusione. Concentrati quindi sulla classe con le prestazioni peggiori e metti a disposizione circa 100 immagini aggiuntive di questa classe, idealmente di varianti o prodotti in cui il modello ottiene risultati particolarmente deboli e il punteggio è di conseguenza basso. In alternativa è possibile aggiungere anche 50 nuove immagini per classe.
Maggiore è la qualità dei dati, più robusto è il modello di IA. La qualità prevale sempre sulla quantità. Focalizzarsi su dati di alta qualità, bilanciati e realistici porta a modelli di IA più affidabili, riduce il rischio di overfitting e aumenta l’idoneità all’uso quotidiano in produzione. Se si investe tempo nella selezione intelligente dei dati, si risparmia tempo e fatica durante l’apprendimento e si ottengono più rapidamente risultati tracciabili e di elevata precisione.
Confronto tra tre approcci fondamentali per l’apprendimento dei modelli di IA
Il deep learning utilizza reti neurali complesse ed è particolarmente adatto per applicazioni con un’elevata variabilità di immagine e requisiti di precisione elevati. Ciò richiede solitamente una notevole potenza di calcolo e tempi di apprendimento più lunghi. Anche l’edge learning si basa sul deep learning, ma si differenzia per il fatto che il training avviene direttamente sul dispositivo edge. Ciò consente un’implementazione rapida e semplice, ma di solito porta a modelli di IA meno potenti, più adatti a compiti di verifica semplici.
L’edge learning è spesso utilizzato dai principianti dell’IA come soluzione semplice per le attività di elaborazione di immagine, anche laddove le pratiche classiche basate su regole sono più adatte e hanno dimostrato la loro validità da anni. L’utilizzo dell’edge learning comporta dei rischi, poiché la facilità di configurazione delle soluzioni edge spesso va a scapito della robustezza, della tracciabilità e dell’accuratezza del rilevamento.
| Cloud (ad es. AI Lab) | On-Premise | Edge | |
|---|---|---|---|
| Funzionalità | Cloud in hosting esterno | Cloud aziendale, server, PC locale | Locale, direttamente sul dispositivo in produzione |
| Complessità dell’applicazione | Da semplice a complesso | Individuale | Semplice |
| Controllo costi | Pay-per-use, nessun costo di acquisto per l’hardware di apprendimento | Investimenti in hardware e costi operativi | Nessun costo aggiuntivo (funziona su Smart Device) |
| Configurazione e accesso | Nessuna configurazione speciale necessaria, accessibile tramite browser con connessione Internet | È necessaria l’installazione e la configurazione di hardware di apprendimento adeguato | Funziona direttamente sull’hardware (ad es. Smart Camera), è necessario un browser/software di terze parti |
| Flessibilità di apprendimento | Elevata flessibilità da modelli di IA semplici a complessi e record di dati da piccoli a grandi
|
La responsabilità spetta al gestore | La flessibilità di apprendimento è spesso limitata
|
| Convalidabilità e tracciabilità | Validazione statisticamente solida basata su grandi quantità di dati, archiviata centralmente | Validazione statisticamente solida basata su grandi quantità di dati, l’archiviazione è responsabilità dell’utente | Semplice verifica manuale del funzionamento dei singoli componenti |
| Collaborazione e gestione dei record | Amministrazione centralizzata e possibilità di lavorare in team | A seconda della configurazione | Solo soluzione standalone, nessuna vera collaborazione o controllo basato sui ruoli |
| Scalabilità | Scalabilità automatica tramite server cloud | Dipende dal gestore (memoria, potenza di calcolo, soluzione software) | Scalabile solo con ulteriori acquisti di dispositivi Edge |
| Disponibilità e distribuzione | Centrale, utilizzabile da qualsiasi dispositivo Distribuzione scalabile: Distribuzione di modelli di IA su più linee, sedi o regioni |
Disponibile localmente o all’interno della rete | Disponibile in modo decentralizzato, sull’hardware locale o in rete (offline) |
| Sicurezza dei dati, controllo degli accessi e backup | Dipende dal provider di servizi cloud, centralizzato con ruoli utente e backup | A seconda della configurazione, è responsabilità dell’utente | L’archiviazione locale dei dati è sicura, ma senza gestione centralizzata degli utenti o backup automatici |
|
Funzionalità
|
||
|
Cloud (ad es. AI Lab)
Cloud in hosting esterno
|
On-Premise
Cloud aziendale, server, PC locale
|
Edge
Locale, direttamente sul dispositivo in produzione
|
|
Complessità dell’applicazione
|
||
|
Cloud (ad es. AI Lab)
Da semplice a complesso
|
On-Premise
Individuale
|
Edge
Semplice
|
|
Controllo costi
|
||
|
Cloud (ad es. AI Lab)
Pay-per-use, nessun costo di acquisto per l’hardware di apprendimento
|
On-Premise
Investimenti in hardware e costi operativi
|
Edge
Nessun costo aggiuntivo (funziona su Smart Device)
|
|
Configurazione e accesso
|
||
|
Cloud (ad es. AI Lab)
Nessuna configurazione speciale necessaria, accessibile tramite browser con connessione Internet
|
On-Premise
È necessaria l’installazione e la configurazione di hardware di apprendimento adeguato
|
Edge
Funziona direttamente sull’hardware (ad es. Smart Camera), è necessario un browser/software di terze parti
|
|
Flessibilità di apprendimento
|
||
|
Cloud (ad es. AI Lab)
Elevata flessibilità da modelli di IA semplici a complessi e record di dati da piccoli a grandi
|
On-Premise
La responsabilità spetta al gestore
|
Edge
La flessibilità di apprendimento è spesso limitata
|
|
Convalidabilità e tracciabilità
|
||
|
Cloud (ad es. AI Lab)
Validazione statisticamente solida basata su grandi quantità di dati, archiviata centralmente
|
On-Premise
Validazione statisticamente solida basata su grandi quantità di dati, l’archiviazione è responsabilità dell’utente
|
Edge
Semplice verifica manuale del funzionamento dei singoli componenti
|
|
Collaborazione e gestione dei record
|
||
|
Cloud (ad es. AI Lab)
Amministrazione centralizzata e possibilità di lavorare in team
|
On-Premise
A seconda della configurazione
|
Edge
Solo soluzione standalone, nessuna vera collaborazione o controllo basato sui ruoli
|
|
Scalabilità
|
||
|
Cloud (ad es. AI Lab)
Scalabilità automatica tramite server cloud
|
On-Premise
Dipende dal gestore (memoria, potenza di calcolo, soluzione software)
|
Edge
Scalabile solo con ulteriori acquisti di dispositivi Edge
|
|
Disponibilità e distribuzione
|
||
|
Cloud (ad es. AI Lab)
Centrale, utilizzabile da qualsiasi dispositivo
Distribuzione scalabile: Distribuzione di modelli di IA su più linee, sedi o regioni |
On-Premise
Disponibile localmente o all’interno della rete
|
Edge
Disponibile in modo decentralizzato, sull’hardware locale o in rete (offline)
|
|
Sicurezza dei dati, controllo degli accessi e backup
|
||
|
Cloud (ad es. AI Lab)
Dipende dal provider di servizi cloud, centralizzato con ruoli utente e backup
|
On-Premise
A seconda della configurazione, è responsabilità dell’utente
|
Edge
L’archiviazione locale dei dati è sicura, ma senza gestione centralizzata degli utenti o backup automatici
|
