Bülten
Özel uzman ipuçları, kullanıcı raporları ve daha fazlası.
Yapay zeka tabanlı video analizi, müşterilere önemli faydalar sağlayan teknolojik bir kuantum sıçraması vaat ediyor. Ancak yalnızca yetkin - yani bilgili - kullanıcı teknolojiyi doğru bir şekilde değerlendirebilirse. Aşağıdaki blog makalesi, kişinin kendi özel uygulaması için işlevselliği, kullanılabilirliği ve faydayı doğru bir şekilde değerlendirebilmesi için bazı temel bilgileri aktarmak istiyor.
Sistemlerin de öğrenme güçlükleri var
Yapay Zekaya (AI) dayalı rutinler, video güvenlik teknolojisinde uzun süredir giderek yaygınlaşıyor. Giderek artan sayıda yeni uygulama ve ürün, yeni analizler sunmak veya mevcut analizleri önemli ölçüde daha güvenilir hale getirmek için algoritmalara güveniyor. Amaç, kullanıcılar için kayda değer bir katma değer sağlamak ve sonuçlar da bunu gösteriyor: Sadece bir örnek vermek gerekirse, klasik görüntü işlemenin rüzgarda hareket eden bir ağacı yanlış alarm olarak algılayabilmesi için çok uzun bir süre önce büyük bir çalışma gerekiyordu. Bugün yapay zeka bunu zahmetsizce yapıyor.
Klasik görüntü işleme ile görüntü veya video analizleri ile Yapay Zeka kullanılanlar arasındaki temel ayrım noktası, algoritmaların artık "sadece" programlanmaması, büyük hacimli verilerin yardımıyla "öğretilebilmesidir". Sistem bu verilere dayanarak örüntüleri tespit etmeyi ve buna bağlı olarak örneğin bir ağaç ile davetsiz misafir arasındaki farkı tanımayı öğrenir. Ancak makine öğrenimi kavramı aynı zamanda yeni sorunlar ve zorluklar da ortaya çıkarmaktadır. Bunun en iyi bilinen örneklerinden biri, farklı etnik grupların tanınmasındaki kalite farkıdır ve bu konu haberlerde manşetlere bile taşınmıştır. Yine de arka plan nispeten basittir: Bir yapay zeka sistemi ancak kendisine yeterince ve yeterince çeşitli ve eşit olarak dağıtılmış veri sağlandığında önemli ölçüde öğrenebilir.
YZ sisteminin kalitesi
Tüm bunlar, Yapay Zeka kullanan bir sistemin performans kabiliyeti sorusuna yol açmaktadır. Örneğin iki rutin, iki farklı sistem ya da iki üretici arasında karşılaştırma yapılmasını sağlayan ölçütler nelerdir? Bir ürün broşüründe örneğin "yüzde 95 tespit doğruluğu" veya "güvenilir tanıma" vaat edildiğinde bu ne anlama gelir? 95'lik doğruluk ne kadar iyidir? Ve "güvenilir tanıma" nedir?
Her şeyden önce, yapay zeka rutinlerinin nasıl değerlendirilebileceğini anlamak çok önemlidir. İlk adım, özellikle sınırda olan durumlarda "yanlış" ve "doğru "nun ne anlama geldiğinin uygulamaya ve müşteriye özel olarak tanımlanmasıdır: Örneğin, kişileri tanımak için kurulmuş bir sistemde, görüntü veya video gerçek bir kişiyi bile göstermiyorsa, bunun yerine sadece bir kişiyi tasvir eden bir reklam afişi varsa, bir algılama doğru olarak tanımlanacak mı? Bu ve diğer parametreler tanımlanmalıdır. Bu tanım oluşturulduktan sonra, doğru olması beklenen sonuçların bilindiği bir veri kümesine ihtiyaç vardır. Bu veri kümesi daha sonra doğru ve yanlış tespitlerin yüzdelerini çıkarmak için yapay zeka ile analiz edilecektir. Bu süreçte matematik, kullanıcıya hassasiyet (gerçekten tespit edilen beklenen tespitlerin yüzdesi) veya kesinlik (gerçekten doğru olan tespitlerin yüzdesi) gibi son derece geniş bir metrik yelpazesi sunar. Sonuç olarak, yapay zekanın "kalitesi" her zaman kullanılan değerlendirme veri seti hakkında istatistiksel bir ifadedir.
Bir yapay zeka analizinin kalitesi hakkındaki ifadeler, tüm parametreler bilinmiyorsa dikkatle incelenmelidir.
Dr. Maximilian Sand, Yapay Zeka Takım Lideri, Dallmeier electronic
Yaz mı kış mı? - Temsili sonuçlar, parametrelerin kapsamlı bir şekilde değerlendirilmesini gerektirir
Bu ifadenin bir sistemin kullanıcısı veya potansiyel alıcısı için gerçekten ne kadar kullanışlı olduğu veri kümesinin dağılımına bağlıdır. Buna göre, bir değerlendirme iyi bir tanıma performansını kanıtlayabilir. Ancak veri kümesi yalnızca yaz aylarındaki görüntü materyalleri üzerine kurulmuşsa, ışık ve hava koşulları çok farklı olabileceğinden, bu değerlendirmenin yapay zekanın kış aylarındaki kalitesine ilişkin hiçbir geçerliliği yoktur. Genel olarak, bir YZ analizinin kalitesiyle ilgili ifadelerin - özellikle de "%99,9" gibi belirli rakamlardan bahsedenlerin - tüm parametreler bilinmiyorsa ihtiyatla ele alınması gerektiği sonucuna varılır. Kullanılan veri seti, kullanılan metrikler ve diğer parametreler bilinmiyorsa, aslında sonucun ne kadar temsili olduğu konusunda kesin bir açıklama yapmak artık mümkün değildir.
Kesin spesifikasyonlar mevcut değildir
Her sistemin sınırları vardır ve elbette bu yapay zeka sistemleri için de geçerlidir. Bu nedenle, bu sınırları bilmek, doğru kararlar almanın temel ön koşuludur. Ancak burada da, aşağıdaki örnekte gösterildiği gibi, istatistik ve gerçeklik çarpışmaktadır: Mantıksal olarak, bir nesne görüntüde/videoda ne kadar küçükse, bir YZ sistemi onu o kadar az tanıyabilir. Dolayısıyla, kullanıcının bir sistem satın almadan önce kendisine sorduğu ilk soru, nesnelerin algılanabileceği maksimum mesafeyle ilgilidir. Çünkü bunun ihtiyaç duyulan kamera sayısı ve dolayısıyla toplam sistemin maliyeti üzerinde etkileri vardır. Ancak kesin bir mesafe belirlemek oldukça imkansızdır. Analizin %100 doğru sonuç verdiği bir değer olmadığı gibi, tanımanın tamamen imkansız olduğu başka bir değer de yoktur. Bu durumda, bir değerlendirme yalnızca istatistikler verebilir. Örneğin, nesne boyutunun bir fonksiyonu olarak algılama doğruluğu.
En iyisi doğrudan karşılaştırmak
Sistem sınırlarıyla ilgili olarak, örneğin ürün veri sayfalarında, sistemin sınırlarını mümkün olduğu ölçüde belirli minimum ve maksimum değerler kullanarak tanımlamak geleneksel bir uygulamadır. Bunlar örneğin minimum mesafeyi veya minimum çözünürlüğü içerir. Bu aynı zamanda uygundur, çünkü müşteriler veya montajcılar sistemi değerlendirebilmeleri için referans noktalarına ihtiyaç duyarlar. Buna rağmen, elbette hala birçok bilinmeyen vardır - örneğin, üreticinin bu sınır değerleri belirlerken muhafazakar mı yoksa daha iyimser mi davrandığı. Bu nedenle, kullanıcının video analizinde iyi tanımlanmış, net sınırlar olmadığını her zaman akılda tutması tavsiye edilir. Tüm sistemler için, belirli parametreler dahilinde bile kaçınılmaz olarak hatalar meydana gelecektir ve aynı zamanda uygun koşullar altında sınırların dışında da faydalı sonuçlar elde edilebilir.
Bir kullanıcı olarak yapay zeka tabanlı bir analizin gerçek kalitesini öğrenmek istiyorsanız, bu gerçekten sadece doğrudan bir karşılaştırma yaparak mümkündür - çeşitli üreticiler tarafından verilen rakamlar ve parametreler çok büyük farklılıklar gösterir. Ayrıca, elbette sınır koşulları ve girdi tüm sistemler için aynı olmalıdır. Bunun için en uygun seçenek, demo ürünler, kiralık ekipman veya benzerleri ile canlı bir testtir. Böylece sistemin tam olarak ihtiyaç duyulan kullanım durumundaki performans kabiliyeti de ortaya çıkar. Bu arada, bu aynı zamanda genel olarak AI sistemlerinin performans yeteneklerini değerlendirmek için kullanılan ölçütü de tanımlar: Her şey özel kullanım durumuna bağlıdır. Bu, mümkün olduğunca kesin bir şekilde belirtilmelidir. Ancak o zaman doğru çözüme dayalı olarak müşteri için gerçek katma değer üretmek de mümkün olur. Blog Makalesini ve Çizimleri İndirin
