Landing.AI mempekerjakan ahli visi Dechow untuk memperbaiki kekeliruan Big Data
Artificial Intelligence

Landing.AI mempekerjakan ahli visi Dechow untuk memperbaiki kekeliruan Big Data

Bidang pembelajaran mendalam telah menderita dari apa yang Anda sebut kekeliruan Big Data, keyakinan bahwa semakin banyak data selalu merupakan hal yang baik.

Mungkin sudah waktunya untuk fokus pada kualitas daripada hanya kuantitas.

“Ada masalah yang sangat mendasar yang dihadapi banyak AI,” kata Andrew Ng, pendiri dan CEO Landing.AI, sebuah startup yang bekerja untuk menyempurnakan teknologi untuk keperluan industri, dalam sebuah wawancara dengan ZDNet minggu ini.

“Kebanyakan AI difokuskan untuk memaksimalkan jumlah kalori, yang bekerja hingga titik tertentu,” katanya.

“Dan terkadang Anda memiliki banyak data, tetapi ketika Anda memiliki kumpulan data kecil, itu lebih pada kualitas data daripada volume belaka.”

Ng, yang menjalankan pengembangan sistem AI skala besar termasuk teknologi pengenalan suara ketika ia menjadi pendiri unit Google Brain di Google satu dekade lalu, kini memiliki mandat untuk membangun teknologi AI untuk digunakan oleh klien korporat untuk tujuan praktis, seperti inspeksi lantai pabrik.

Landing.AI telah menerima pembiayaan $57 juta hingga saat ini dalam satu putaran pada bulan November tahun lalu, dari McRock Capital Insight Partners, Taiwania Capital, Canada Pension Plan Investment Board, Intel Capital, Samsung Catalyst Fund, DRIVE Catalyst Far Eastern Group, Walsin Lihwa , dan Dana AI.

Ng juga salah satu pendiri Coursera, perusahaan kurikulum online, dan asisten profesor ilmu komputer di Universitas Stanford.

Kekeliruan Big Data berawal dari kebutuhan teknis yang dimiliki bentuk pembelajaran mendalam AI untuk sampel besar dari domain penyelidikan tertentu. Pendekatan pembelajaran mendalam telah berfokus pada mendapatkan poin data yang cukup untuk menghindari apa yang disebut “over-fitting”, di mana jaringan saraf yang semakin besar hanya akan menghafal data pelatihan.

Jika pembelajaran mendalam menghafal data pelatihan, ia gagal untuk menggeneralisasi tentang sifat data itu, yang biasanya merupakan kunci jaringan saraf yang berguna untuk membuat prediksi.

Tetapi anggaran jutaan atau bahkan miliaran data tidak layak dalam beberapa konteks seperti sistem inspeksi manufaktur, di mana satu cacat dari satu juta bagian yang identik mungkin merupakan satu-satunya data tentang cacat manufaktur.

andrew-ng-2022-zoom-panggilan-dengan-zdnet.jpg

“Saya telah membangun sistem AI dari ratusan juta gambar,” kata Ng, yang merupakan pendiri grup Google Brain Google, dan kepala ilmuwan di Baidu. “Teknik-teknik itu tidak benar-benar berfungsi ketika Anda hanya memiliki 50 gambar,” katanya.

Mendarat.AI

“Saya telah membangun sistem AI dari ratusan juta gambar” di Google dan sebagai kepala ilmuwan di Baidu. “Teknik-teknik itu tidak benar-benar berfungsi ketika Anda hanya memiliki 50 gambar,” katanya.

Ng mengatakan Landing.AI telah mampu mengembangkan model industri yang berguna untuk klien dengan sampel data yang relatif sedikit.

“Daripada Big Data, kami harus fokus pada data yang bagus,” kata Ng.

Berbeda dengan pemikiran tipikal tentang Big Data, menggunakan ukuran sampel yang begitu kecil, dari lusinan daripada jutaan contoh, dapat diterapkan.

“Saya berulang kali terkejut melihat seberapa baik kita bisa membuat jaringan saraf hanya dengan 50 gambar jika Anda memastikannya memiliki 50 gambar yang sangat bagus,” kata Ng. “Alat yang kami inovasikan di Landing.ai adalah, Anda hanya memiliki 50 gambar, jadi bagaimana Anda memberi label untuk mendorong kinerja terbaik dari hanya 50 gambar.”

“Saya merasa kami telah memecahkan resep” untuk menggunakan pembelajaran mendalam di bidang manufaktur, katanya.

Dalam arti tertentu, kekeliruan Big Data dapat dianggap sebagai ekor yang mengibaskan anjing. Untuk menghindari over-fitting, semua perhatian dalam pembelajaran mendalam adalah tentang bagaimana membuat pembelajaran yang mendalam model, struktur program, beroperasi secara optimal.

Sekarang, Ng berdebat untuk fokus yang lebih besar pada titik data apa yang paling penting, dan membuat modelnya sesuai dengan itu.

“Resep yang dikembangkan oleh orang-orang seperti saya dan banyak teman saya untuk membuat AI bekerja di perusahaan perangkat lunak konsumen tidak berhasil untuk perusahaan manufaktur dan banyak perusahaan lain,” kata Ng.

“Masalah mendasarnya adalah, jika Anda memiliki seratus miliar atau jutaan pengguna, Anda dapat membangun sistem AI monolitik; manufaktur adalah sesuatu yang berbeda.”

landingai-2022-dechow-threequarter-new-1.jpg

“Dia adalah seorang guru,” kata Ng dari visi komputer dan pelopor otomasi industri David L. Dechow.

Mendarat.AI

Kebutuhannya banyak, banyak arsitektur, banyak jaringan saraf berbeda untuk menyesuaikan data.

“Tantangan yang dihadapi bidang AI adalah bagaimana kami dapat membantu manufaktur membangun bukan hanya satu atau selusin model AI, tetapi untuk membantu 10.000 produsen berbeda untuk membangun 10.000 model AI yang berbeda karena setiap pabrik, setiap komponen membutuhkan modelnya sendiri.”

Tantangan bagi sebuah startup, tentu saja, adalah “bagaimana melakukannya tanpa saya mempekerjakan 10.000 insinyur.” Pada hari-hari awal Landing.AI — perusahaan itu didirikan pada 2017 — Ng mengatakan bahwa dia “naif.”

“Pada hari-hari awal, kami melakukan banyak pekerjaan konsultasi, mencoba melakukan banyak penyesuaian sendiri, dan itu tidak berskala.” Ng percaya banyak startup AI mengalami masalah itu, menjadi perusahaan konsultan.

Perusahaan berputar untuk membuat alat untuk membuat semua pelanggan melakukan kustomisasi. Hal yang sama, katanya, harus menjadi pendekatan di industri seperti kesehatan.

“Merekayasa data sangat menantang,” kata Ng. “Saya pikir ada insinyur Ai berpengalaman yang telah melakukannya secara intuitif untuk waktu yang lama, tetapi membangun alat yang membuatnya cepat dan mudah bagi banyak orang untuk melakukannya dengan sukses, itu adalah tantangan teknis yang sangat dalam.”

Ng telah menyebarkan Injil dalam pembicaraan tentang penekanan baru pada kualitas, dan tentang cara menyiapkan data untuk pendekatan pembelajaran mesin.

Dia menyebut pandangannya sebagai “AI yang berpusat pada data.”

Lebih lanjut tentang pemikiran Ng dapat dilihat dalam wawancara video pada bulan Maret.

Perusahaan pada hari Rabu mengumumkan telah mempekerjakan David L. Dechow, pelopor di bidang teknologi visi komputer, yang sebelumnya adalah arsitek sistem visi utama untuk startup Integro Technologies.

Sebagian besar pekerjaan pembelajaran mesin yang telah dilakukan di industri selama bertahun-tahun adalah tentang meletakkan kamera di lantai toko untuk mengamati jalur produksi, kata Ng. Dechow telah menjadi pionir dalam pergerakan observasi ke dalam pabrik, katanya.

“Selama beberapa dekade, bahkan sebelum ledakan visi komputer baru-baru ini, produsen telah menempatkan kamera di pabrik,” kata Ng. “Kamera sangat baik dalam mengukur panjang yang tepat dari suatu bagian, dan mendeteksi jenis cacat tertentu jika Anda dapat membuat kode aturan untuk menentukan dengan tepat apa yang Anda cari.”

Dengan sistem pembelajaran mendalam modern, tujuannya adalah membuat AI yang jauh lebih fleksibel untuk deteksi cacat tanpa pendekatan berbasis aturan yang kaku.

“Dalam dunia visi mesin, dan dunia otomasi industri, dia adalah seorang guru,” kata Ng dari Dechow. “Generasi vision engineer saat ini telah dilatih oleh David.

“Jika Anda bisa membawa satu orang dari bidang visi mesin, itu dia,” kata Ng.

Posted By : togel hari ini hongkong yang keluar 2021