университет искусственного интеллекта договор
Университет искусственного интеллекта договор
Возврат денежных средств осуществляется в течение 30 календарных дней с момента подачи заявления о возврате денежных средств.
Возврат денежных средств осуществляется в соответствии с условиями заключенного договора об оказании платных образовательных услуг.
После оплаты образовательной программы обучающийся получает доступ в личный кабинет на образовательную платформу УИИ.
Вход в личный кабинет осуществляется на основании предоставленного Университетом логина и пароля.
После входа на образовательную платформу обучающемуся в соответствии с установленным расписанием доступны учебные занятия, а также методические материалы к ним, домашние задания и т.д.
Для оплаты (ввода реквизитов Вашей карты) Вы будете перенаправлены на платёжный шлюз ПАО СБЕРБАНК. Соединение с платёжным шлюзом и передача информации осуществляется в защищённом режиме с использованием протокола шифрования SSL. В случае если Ваш банк поддерживает технологию безопасного проведения интернет-платежей Verified By Visa, MasterCard SecureCode, MIR Accept, J-Secure для проведения платежа также может потребоваться ввод специального пароля.
Настоящий сайт поддерживает 256-битное шифрование. Конфиденциальность сообщаемой персональной информации обеспечивается ПАО СБЕРБАНК. Введённая информация не будет предоставлена третьим лицам за исключением случаев, предусмотренных законодательством РФ. Проведение платежей по банковским картам осуществляется в строгом соответствии с требованиями платёжных систем МИР, Visa Int., MasterCard Europe Sprl, JCB.
Университет искусственного интеллекта договор
Описание занятия: первое занятие начинается с важнейшей темы – данные; любая незамкнутая программа (и особенно нейронные сети) требуют для своей работы поставки данных. На занятии мы познакомимся с основными типами источников данных.
Задание: Логическая задача по теме урока.
Описание занятия: на втором занятии мы более детально рассмотрим особенности и варианты хранения данных в системах-источниках, разберем базовые термины.
Задание: Логическая задача по теме урока.
Описание занятия: на уроке мы узнаем, какие бывают типы хранения данных, разберем преимущества и недостатки наиболее популярных типов хранения данных.
Задание: Задание на подбор оптимального типа хранения данных.
Описание занятия: на уроке раскрываем детали способов и методов получения данных из систем-источников. Мы разберем наиболее популярные методы и инструменты «забора» данных, а также узнаем, как это можно делать с использованием python.
Задание: Практическое задание на выгрузку данных из систем-источников.
Описание занятия: Современный интернет является крупнейшим источником информации, и на занятии мы разберем, как выгружать данные с интернет-сайтов, как исследовать сайты на наличие удобного API для доступа к данным, как эмулировать работу браузера и как автоматизировать этот процесс с помощью Рython.
Задание: Web-crawling реальных сайтов.
Описание занятия: на занятии мы подробно разберем «золотой стандарт» представления данных в современных структурированных хранилищах данных: 2-ю и 3-ю нормальные формы.
Задание: Практическое задание на приведение данных во 2-ю и 3-ю нормальные формы.
Описание занятия: подход хранения данных типа «Ключ-Значение», используется в большинстве современных систем, где важна скорость выдачи информации по ключу. На уроке мы детально ознакомимся с этой архитектурой и преимуществами, которые она дает.
Задание: Практическое задание на приведение неструктурированных данных к типу Key-Value.
Описание занятия: когда в хранилище очень много разнообразных данных, становится сложно ориентироваться в том, как и в каком виде они хранятся. На занятии мы разберем понятие схема данных, изучим, как она помогает в навигации по хранилищу, и научимся создавать их.
Задание: Практическое задание на создание схем данных.
Описание занятия: в любой большой организации имеются сотни и тысячи таблиц с данными в хранилищах, не все эти данные полезны и нужны для аналитиков и моделей машинного обучения. Витрины позволяют организовать данные таким образом, чтобы получить доступ только к той информации и только в том виде, в котором она необходима, исключая лишнее. На занятии мы разберем, как организовать данные в витрины и работать с ними.
Задание: практическое задание на работы с витринами данных.
Описание занятия: большое структурированное хранилище состоит из сотен таблиц, связанных друг с другом, визуализация и управление этими связями осуществляются инструментами моделирования данных. На уроке мы познакомимся с наиболее популярными коммерческими и некоммерческими решениями по построению моделей данных.
Задание: Практическое задание на создание модели данных.
Описание занятия: на этом уроке мы познакомимся с наиболее распространенными способами загрузки данных (полученных от пользователя или модели машинного обучения) в различные источники данных.
Задание: практическое задание по загрузке данных в систему источника данных.
Описание занятия: наиболее популярная парадигма передачи данных между различными системами – это ETL (Extract Transform Load). Часто данные перед загрузкой в хранилище требуется трансформировать тем или иным образом, парадигма ETL подразумевает, что данные извлекаются «как есть», затем трансформируются и только потом поступают в хранилище. На занятии мы подробно познакомимся с этим процессом.
Задание: практическое задание по теме урока.
Описание занятия: занятие посвящено очень важной теме – целостности и качеству данных. Неправильные или поврежденные данные могут привести к серьезным последствиям, особенно если выявить эту проблему не сразу. Мы изучим основные методы и инструменты для контроля целостности и качества данных.
Задание: практическое задание по теме урока.
Описание занятия: если в процессе загрузки данных возникнет ошибка, это может привести к остановке бизнес-процессов или потере данных. На уроке мы изучим основные методы и системы мониторинга ETL/ELT процессов.
Задание: практическое задание по теме урока.
Описание занятия: из-за своей простоты и наглядности парадигму ETL можно реализовать простейшими средствами (например, набором скриптов), но когда процессов ETL становится очень много, и они подвержены изменениям, не обойтись без мощной системы по управлению этими процессами. На уроке мы изучим несколько современных фреймворков для управления ETL/ELT.
Задание: практическое задание по теме урока.
Описание занятия: если модель написана на одном языке (например, python), а исполняться должна в промышленной системе совсем другим языком и интерфейсом, возникает проблема переноса и совместимости модели. На занятии мы познакомимся с универсальным описательным языком модели PMML и разберем, как с его помощью можно перенести модель из одного языка в другой (с поддержкой PMML-стандарта).
Задание: практическое задание по переносу обученной модели в PMML-стандарт.
Описание занятия: универсальный стандарт PMML является не единственным инструментом переноса модели между языками программирования и разными системами. На уроке мы познакомимся с различными вариантами кроссплатформенного переноса моделей из Python в Си.
Задание: практическое задание по переносу обученной модели из Python в Си.
Описание занятия: на занятии мы коснемся наиболее часто встречающихся проблем при портировании моделей на примере порта модели Keras в Си и разберем варианты решения.
Задание: практическое задание по теме урока
Описание занятия: технологии контейнеризации представляют собой своего рода компактную виртуальную машину, внутри которой содержатся только необходимые компоненты для запуска вашего приложения. На уроке мы подробно познакомимся с технологиями контейнеризации и преимуществами, которые они дают.
Задание: практическое задание на создание простого контейнера.
Описание занятия: на занятии мы подробно разберем архитектуру и особенности трех наиболее популярных реляционных баз данных Postgres / Redshift /Orcale и научимся разворачивать собственную базу данных.
Задание: практическое задание на создание базы данных и ее начальную настройку.
Описание занятия: этот урок посвящен аналитическим хранилищам (оптимизированным на выполнение запросов к данным), мы рассмотрим общую архитектуру таких хранилищ MPP (Massive Parallel Processing) и узнаем, какие есть особенности при работе с этими хранилищами.
Задание: практическое задание по работе с тестовыми хранилищами архитектуры MPP.
Описание занятия: в эпоху больших данных стали возможными сбор, хранение и аналитики петабайтных объемов данных. Большая часть информации в таких хранилищах имеет неструктурированный характер (логи оборудования, тексты, видео/фото поток, детальные логи приложений). Работать с такими данными традиционными способами невозможно. На занятии мы разберем революционные технологии: Apache Hadoop и AWS S3, благодаря которым эффективная работа с петабайтами данных стала возможной.
Задание: практическое задание по запуску виртуальной машины с Hadoop-кластером и работе с ним, задание на AWS S3.
Описание занятия: специализированные хранилища вида «Ключ-Значение», совместимые с технологиями больших данных, – тема этого занятия.
Задание: практическое задание по работе с Key-Value хранилищами.
Описание занятия: скорость выполнения расчетов и трансформации данных является ключевым фактором для многих современных приложений и систем. На занятии мы рассмотрим передовые архитектуры, позволяющие вычислять, хранить данные в памяти и производить вычисления «на лету», а также обратим внимание на инновационные базы данных на основе GPU (графический процессор) систем.
Задание: практическое задание по работе с in-memory системами.
Описание занятия: на занятии мы систематизируем знания о том, как эффективно получить доступ к данным, хранящимся в различных источниках, с помощью языка программирования Рython.
Задание: практическое задание на получение данных из различных источников при использовании Рython.
Описание занятия: урок будет посвящен подробному обзору методов и способов доставки данных и их обработке в хранилища в режиме реального времени. Такой инструмент, как Apache Kafka, позволяет эффективно настроить передачу потоковых данных (данных, поступающих непосредственно с систем-источников) различным потребителям: хранилища и программы.
Задание: практическое задание по настройке Apache Kafka.
Интеграция в продакшн
Занятия этой части на 100% посвящены практике! Мы будем поднимать, настраивать и объединять между собой различные компоненты для вывода моделей и решений машинного обучения в продакшн. На уроках будет минимум теории, будем решать реальные кейсы из практики, а также будет много работы руками в написании кода. По ходу процесса преподаватель будет делиться с вами ценнейшим практическим опытом и советами.
Описание занятия: с первого же занятия мы с вами, вооружившись теоретическими знаниями, полученными в предыдущих разделах, развернем работоспособное хранилище на базе кластера Hadoop и решим небольшую практическую задачу.
Задание: практический кейс (разработка, разворачивание и настройка хранилища на основе тех. задания).
Описание занятия: продолжим работать с кластером, созданным на первом занятии, будем настраивать загрузку потоков данных в кластер с использованием совместимых ETL-инструментов.
Задание: практический кейс (подача потоков данных в ваше хранилище из ДЗ №1).
Описание занятия: на занятии мы на практике подробно познакомимся с возможностями фреймворка Apache Spark по работе с большими данными, хранящимися в hadoop. Мы научимся трансформировать данные и проводить исследование данных, используя Spark. Будет много кодинга и практических советов.
Задание: практический кейс (трансформация данных, анализ данных).
Описание занятия: продолжим изучать возможности мощнейшего фреймворка Apache Spark, на этот раз мы рассмотрим методы и функции для решения задач машинного обучения при работе с большими данными и научимся строить сложные цепочки обработки данных с последующим автоматизированным применением моделей машинного обучения.
Задание: практический кейс (настройка цепочки обработки данных с включенной в нее моделью машинного обучения).
Описание занятия: кроме классических методов машинного обучения, Apache Spark позволяет работать и с нейронными сетями. Мы разберем нюансы работы и научимся запускать обученные нейронные сети, используя Spark.
Задание: практический кейс (применение предобученных сетей на базе Apache Spark).
Описание занятия: данное занятие откроет новую тему – использование фреймворка Tensor Flow Extended для автоматизации запуска и применения обученных нейронных сетей в практических задачах.
Задание: практический кейс (автоматизация запуска обученной модели при использовании tf serving).
Описание занятия: расширяя знания о фреймворке Tensor Flow Extended, мы рассмотрим его возможности по автоматической обработке и подготовке данных для обученных нейронных сетей.
Задание: практический кейс (подготовка и предобработка данных).
Описание занятия: урок открывает новый блок занятий, посвященных контейнеризации приложений. Используя теоретические знания из части 1, мы научимся упаковывать в контейнеры обученные модели машинного обучения со всеми зависимостями.
Задание: практический кейс (подготовка и упаковка в контейнер модели машинного обучения со всеми компонентами).
Описание занятия: продолжим углубляться в контейнеризацию, данное занятие посвящено изучению фреймворка Kubernetis. Фреймворк позволяет гибко управлять Docker-контейнерами, управлять ресурсами в контейнерах и многое другое.
Задание: практический кейс (организуем управление и распределение ресурсов между группой Docker-контейнеров).
Описание занятия: на занятии будет разобрана еще одна тема, связанная с контейнеризацией фреймворка от Google, который направлен на то, чтобы автоматизировать все процессы создания моделей машинного обучения от А до Я.
Задание: практический кейс (по работе с фреймворком).
Описание занятия: на уроке мы продолжим углубляться в возможности облачных вычислений. На данном занятии мы разберем функционал AWS API Gateway и сделаем с его помощью MOCK UP («имитация») функционала Real-Time получения данных из хранилища данных через REST-интерфейс.
Задание: практический кейс (по работе с API Gateway).
Описание занятия: тема урока раскроет невероятный потенциал AWS Lambda (минифункции, написанные на различных языках программирования) как инструмента вычислений в связке с API Gateway. На занятии, используя Lambda (на языке Python), мы напишем работающее промышленное решение, делающее возможным отдачу данных из нашего кластера в real-time режиме по REST-запросу.
Задание: практический кейс (по интеграции AWS Lambda с API Gateway и источниками данных).
Описание занятия: еще одно занятие, затрагивающее тему облачных вычислений и контейнеризации приложений. На занятии мы познакомимся с возможностями AWS Fargate для запуска и управления контейнерами в облаке. Мы напишем простое web-интерактивное приложение, исполняющее обученную модель, упакуем это в контейнер и сделаем контейнер доступным online.
Задание: практический кейс (запуск собственных контейнеров на базе AWS Fargate).
КУРС
«Интеграция AI-решений в production»
КУРС
«Интеграция AI-решений в production»
Университет искусственного интеллекта договор
Организация, в которой трудится Роман, занимается технической диагностикой объектов трубопроводного транспорта. Работа ведется со стальными конструкциями. Их особенность в том, что со временем сталь стареет. И остается два пути: полная замена (это очень дорого) либо оценка технического состояния (выгоднее). Во втором варианте важно вовремя выявить дефект и устранить его, не допустив разрушения конструкции.
Роман создал нейросеть, которая смогла решить задачу выявления и оценки степени опасности дефектов в трубопроводах. Программа получилась автоматизированной, без участия человека. Нейронка вместо специалиста оценивала массив данных и автоматически выявляла дефекты, определяла их типы и параметры.
Размер выборки дипломного проекта составил 50 тыс. объектов. На деле нейронка училась на внутренней базе данных из 120 млн ранее обнаруженных дефектов. Это данные, которые были записаны в результате технической диагностики с применением современных методов неразрушающего контроля.
«В процессе работы над дипломом я понял, что никогда не нужно бояться опуститься на уровень ниже (непосредственно в «сырые» данные) в задаче и понять, какие же исходные данные есть на самом деле. До курса я думал, что диагностическое оборудование способно предоставить в качестве входов для нейросети всего 3 параметра. Оказалось, гораздо больше. Погрузившись в задачу, я понял какие именно параметры оказывают наибольшее «влияние» на итоговые метрики работы нейросети, нашел еще 14 параметров в диагностических. На них и была построена финальная нейросеть для решения моей задачи».
В дальнейшем Роман планирует помимо полносвязных сетей попробовать сверточные сети, чтобы посмотреть, как решится задача с их помощью.
В процессе работы над дипломом я понял, что никогда не нужно бояться опуститься на уровень ниже (непосредственно в «сырые» данные) в задаче и понять, какие же исходные данные есть на самом деле. До курса я думал, что диагностическое оборудование способно предоставить в качестве входов для нейросети всего 3 параметра.
Оказалось, гораздо больше. Погрузившись в задачу, я понял какие именно параметры оказывают наибольшее «влияние» на итоговые метрики работы нейросети, нашел еще 14 параметров в диагностических. На них и была построена финальная нейросеть для решения моей задачи.
В этой работе хочется обратить внимание на точность нейросети, которая оказалась значительно выше точности эксперта.
Часто в подобных задачах нейросети являются дополнением для специалиста, совершая дополнительную проверку. Но в этом примере мы видим достаточно сложную задачу, в которой интеллект нейросети победил человеческий.
Евгений Проворов пришел на обучение в Университет Искусственного Интеллекта для того, чтобы научиться внедрять новые технологии в деятельность компании. Прошлый 25-летний опыт программирования дал хорошую базу для понимания. Но для того чтобы освоить нейросети, пришлось разобраться в Python и изучить тонкости всех процессов.
Компания занимается автоматизацией различных процессов на промышленных предприятиях. Идея была в том, чтобы создать нейросеть, способную определить возгорание на ранней стадии по видеосъемке с камер наблюдения. В дальнейшем такую «нейронку» возможно внедрить в качестве дополнения либо вместо традиционных систем пожарной сигнализации в офисах, производственных, складских помещениях и открытых промплощадках.
Пожарные датчики обычно срабатывают от 30 секунд до 2 минут после начала возгорания. За это время огонь увеличивается, и потушить его гораздо сложнее. Решение быстрого реагирования на огонь в первые 20-30 секунд поможет предотвратить пожары.
Евгений протестировал нейросеть на базе 1000 фото с огнем и дымом, 20 видео с началом пожаров, 15 видео с камер офисного наблюдения. Сходу была достигнута высокая точность в 90,8%, но нейросеть не распознавала небольшой огонь меньше 1-2% изображения (500-1000 пикселей). После этого решили обучить нейронную сеть по разнице кадров, чтобы отслеживать небольшие изменения по динамике огня.
Я постоянно консультирую компании и рассказываю о наших кейсах. После диплома Евгения уже 3 компании сказали о том, что им очень актуальна такая система. Они попросили контакты Евгения, и также решили отправить к нам своих разработчиков, чтобы сделать свою собственную систему. Среди таких заказчиков была крупная казахская компания из нефтегазовой отрасли.
Проект Евгения показал, что с помощью нейросети можно определить пожар в несколько раз быстрее стандартных методов отслеживания. Это пример того, как нейросеть может дать прорывные результаты в таких сферах, которые, казалось бы, невозможно улучшить. Предотвращение появления пожаров — это значимый социальный проект. Это не только сэкономленные на ремонт деньги, но и спасенные человеческие жизни.
Год назад Денис Яцышин увидел сильную потребность фармацевтического рынка в новом продукте. Основная «боль» — в отсутствии единой системы учета всех аптечных товаров. Каждая компания ведет собственные справочники с дублями, неточностями, опечатками. Это создает трудности в поиске и отчетности.
На данный момент эталонный справочник состоит из 170 000 наименований. Туда входят медикаменты и БАДы, а также сопутствующие товары: леденцы, подгузники, женская гигиена, косметика, детские товары.
База данных для обучения составляет чуть более 2 миллионов записей для обучения сети.
Из-за того что в системе учета по-разному написаны позиции, маркетологи и маркетинговые компании не могут учесть все продажи и в итоге не получают бонусы в полном объеме.
Для того чтобы автоматизировать процессы между крупными оптовыми поставщиками и аптеками, Денис Яцышин создает систему, которая могла бы находить автоматически любые написания одинаковых товаров в разных номенклатурных справочниках.
Тестовая нейронная сеть была построена на основании часто используемых товаров, но 8 месяцев написания алгоритма не принесло желаемых результатов.
Познакомившись с основателями Университета Искусственного Интеллекта, Денис Яцышин понял, что сможет найти тот самый идеальный механизм.
Стояла глобальная цель — разработать систему, способную автоматически сопоставлять номенклатурный справочник с неким эталоном.
В результате обучения точность распознавания наименований стремится к показателям, близким к распознаванию человеком. Благодаря этому программа может в скором времени стать отличным помощником как в аптеках и аптечных сетях, так и в других областях на фармацевтическом рынке, таких как фарм. аналитика.
Денис нашел огромное количество возможностей по её улучшению. Например, сделать сегментацию текстов подобно тому, как это делает человеческий мозг.
Стояла глобальная цель — разработать систему, способную автоматически сопоставлять номенклатурный справочник с неким эталоном.
В результате обучения точность распознавания наименований стремится к показателям, близким к распознаванию человеком. Благодаря этому программа может в скором времени стать отличным помощником как в аптеках и аптечных сетях, так и в других областях на фармацевтическом рынке, таких как фарм. аналитика.
Задача была сложная, так как требовалось охватить большой объем — 170 тыс. позиций.
Несмотря на наличие внушительной базы, благодаря правильному подходу удалось создать продукт, который по точности распознавания победил всех конкурентов на рынке.
Тимофей Скрыльник пришел на обучение, имея основательную базу и все шансы на успех. В прошлом — образование МГУ ВМК, кафедра методов математического прогнозирования под руководством Ю.И. Журавлёва. В МГУ Тимофей познакомился с наработками СССР в области методов, называемых сейчас Data Science.
Сейчас это уже забыто, но эти методы широко разрабатывались Советским Союзом, в том числе для боевых систем. В дальнейшей карьере Тимофей получил опыт разработки на C++ и опыт внедрения систем корпоративной аналитики на платформе Oracle Applications, бизнес-образование в одной из ведущих европейских бизнес-школ.
В качестве дипломной работы Тимофей создал продукт, позволяющий по серии фотографий опознать болезнь садового растения. В итоге получилось приложение для Android, которым могут пользоваться садоводы-любители, фермеры, агрокомпании.
За основу Тимофей взял более 3000 изображений и сузил выбор до огурцов и помидоров. Нейронку писал каждый день на протяжении 2,5 месяцев. На обучающей выборке нейросеть смогла распознать 17 видов болезней с точностью 98%.
Для применения в реальных садах и полях требуются биотехнологические исследования: болезнь имеет десятки симптомов и характеристик, тонкие различия могут быть выявлены только с помощью микроскопа и исследований в лаборатории, после чего нейросеть легко их изучит.
По завершению дипломной работы Тимофей увидел, что уже было создано несколько похожих продуктов. А значит:
1. Есть конкурентный рынок, продукт востребован.
2. Идея рабочая, потому что одновременно пришла нескольким разработчикам сразу.
После окончания обучения Тимофей в качестве разработчика присоединился к стартап компании, работающей в сфере применения Data Science к задачам электронного маркетинга. Стартап осуществляет разработку ИИ системы и предоставляет консультационные услуги по ее применению на данных клиента. Дипломная сработала как портфолио и «продала» как специалиста.
Я очень оптимистично смотрю в будущее, в котором искусственный интеллект займет достойное место во всех областях нашей жизни. Что может получиться в результате такого «слияния» описал Айзек Азимов в своих книгах, назвав это культурой C/Fe. То есть культура, где сочетается лучшее от человеческого существа (культура С) и возможностей разумной машины (культура Fe).
Айзек Азимов выявил множество проблем, с которыми придется столкнуться, переходя к новой культуре. Однако, его мир, в целом, весьма неплох, жизнеспособен и в уж точно не менее интересен, чем наш, в котором все ходят к 9 утра на работу, выполняя там задачи, которые лет 20 как пора поручить не очень сложному автомату.
Очень рад, что после обучения в Университете Искусственного Интеллекта у меня получится войти в процесс создания мира, в котором ИИ станет одной из основополагающих технологий. В конце концов, ИИ, который мы обучаем, может стать только лишь нашей копией. От нас зависит, какие черты учителей он в себя примет.
Сергей Шепелевич — системный инженер-администратор из Белоруссии, десять лет работающий удаленно в российской компании. Понимая, что перспективы на работе ограничены, Сергей начал искать новую тему для профессионального развития.
«Я давно наблюдал за сферой искусственного интеллекта. И когда увидел рекламу курса Университета, решил обучиться созданию нейросети».
Сергей поставил высокую цель — ему хотелось взять такую тему диплома, которую можно сразу применить на практике. Для определения направления он встретился с заведующим отделения онкологии местной больницы и узнал о том, что требуется помощь в маммограммах.
В Республике 1,5 миллиона женщин, которых нужно обследовать каждый год, а врачей не хватает. Программа, созданная на основе нейросети, поможет охватить все женское население в вопросах обследования.
Целью работы было создать решение, способное определять 3 состояния пациентов:
1. Отсутствие патологий.
2. Обнаружена доброкачественная опухоль, но рака нет.
Основная база для исследования — 340 образцов фотографий маммограмм, но их было недостаточно. Поставив целью увеличение размера данных и привлечение внимания к идее, Сергей связался с Министерством здравоохранения Республики Беларусь и побывал на встрече с врачами. По их мнению, задача решала только часть проблемы. Они предложили идею того, чтобы нейросеть могла подсветить те области, в которых есть проблема.
«Я доработал нейросеть, и у меня получилось создать 2 программы. Первая определяет, есть рак или нет, но пропускает доброкачественные опухоли. Базовая точность — 70 %. Вторая — отсекает тех, кто здоров. Базовая точность — 90 %».
То, что у меня сейчас есть — одна из важных заготовок, которую можно использовать внутри сканера по определению рака. Программа сможет сразу сортировать пациентов: есть проблема или нет. И нужно ли проходить дальнейшее обследование.
Самая большая проблема с внедрением — ответственность за принятие решения. Ошибка здесь может стоить жизни. Но программа — не замена врача, а помощь ему. Специалисты утверждают, что нейросеть уже в текущем виде сможет страховать молодых врачей. Врач не допустит ошибку — программа напомнит. Специалист сможет поправить программу в случае, если она вдруг ошибется.
«В настоящее время я решаю вопрос с получением данных для улучшения нейросети. Пока мешает бюрократическая проблема, но этот вопрос я обязательно решу».
Я давно наблюдал за сферой искусственного интеллекта. И когда увидел рекламу курса Университета, решил обучиться созданию нейросети».
«Я доработал нейросеть, и у меня получилось создать 2 программы. Первая определяет, есть рак или нет, но пропускает доброкачественные опухоли. Базовая точность — 70 %. Вторая — отсекает тех, кто здоров. Базовая точность — 90 %.
Для меня дипломная работа Сергея — самая социально значимая и важная. За реализованной нейронной сетью стоят десятки тысяч спасенных жизней.
Внедрив нейросеть в медицинское оборудование, можно значительно влиять на качество жизни общества. Этот пример в который раз показывает, насколько нейросети могут улучшить жизнь людей в совершенно разных сферах.
Дмитрий Полещенко — преподаватель ВУЗа, решивший расширить свой кругозор в области современных нейронных сетей и получить практические навыки в их проектировании. Объектом дипломной работы стала важная задача для одного из переделов металлургического завода.
На металлургическом заводе города производится металлопродукция. Одним из промежуточных звеньев являются стальные заготовки сечением 300х360, на торец которых механическим способом (клеймовочной машиной) наносится девятизначное клеймо.
Одной из технологических операций является загрузка данных заготовок в печь для нагрева перед прокатом. Загрузкой занимается оператор в ручном режиме. Посад зависит от марки стали, который забит в коде. Также оператор должен сличать данный код с тем, что реализовано в его базе для каждой из четырех печей под конкретного потребителя. Если он вдруг ошибается и садит в печь не ту заготовку, то покупатель получит не ту заготовку и выставит предприятию штраф, который исчисляется десятком миллионов рублей.
Для помощи оператору с целью дублирующего контроля на данный момент создается система, обеспечивающая автоматическую идентификацию номера литой заготовки.
Первоначально задача распознавания решалась на сверточных нейронных сетях. Однако, с их помощью задачу решить не удалось, точность распознавания не поднималась выше 65%.
Во время обучения Дмитрий узнал о различных более мощных структурах нейронных сетей способных решать поставленную задачу. В рамках исследования, совместно с коллективом единомышленников для распараллеливания огромного объема работ, была решена задача по определению типа нейросети, которая наиболее точно распознавала цифры клейма. В исследовании прорабатывалось применение базовых архитектур сетей из библиотеки Segmentation models, а именно Unet, FPN, Linknet, PSPNet. В качестве backbones использовались сети resnet34, seresnet34. Также удалось разобраться с установкой, обучением и работой сети FasterRCNN.
Для создания датасета на заводе была установлена видеокамера с помощью которой удалось собрать базу для обучения сетей, состоящую из 10 000 изображений.
В результате исследования были выявлено, что наилучший результат из сетей библиотеки Segmentation models дает сочетание FPN c backbones seresnet34 и этот результат соизмерим по качеству с результатом сети FasterRCNN.
В результате на тестовой выборке из 1000 клейм FPN сеть дала 90 % точности, FRCNN — 92 %. Однако следует отметить, что сеть FasterRCNN работает быстрее. Для выдачи результата она тратит порядка 0,2 сек, а сеть FPN – 1 сек.
В планах — улучшить точность распознавания до 99 %. Есть гипотеза, что самый лучший результат получится на совмещении этих двух сетей.