Baidus dybe læringsplatform giver næring til fremkomsten af ​​industriel AI

Leveret af Baidu

AI driver industriel transformation på tværs af en række sektorer, og vi er lige begyndt at ridse overfladen af ​​AI-kapaciteter. Nogle industrielle innovationer bliver knap bemærket, såsom skovinspektion for brandfare og forebyggelse, men fordelene ved kunstig intelligens kombineret med dyb læring har en bred indvirkning. I Sydøstasien har AI-drevne skovdroner hjulpet 155 skovbrugsbureauer med at udvide rækken af ​​skovinspektioner fra 40 % til 100 % og udføre op til 200 % mere effektivt end manuelle inspektioner.

Dette indhold blev produceret af Baidu.

• Det er ikke skrevet af MIT Technology Reviews redaktion.

Bag disse smarte droner er veltrænede deep-learning-modeller baseret på Baidu's PaddlePaddle, den første open source-deep-learning-platform i Kina. Ligesom almindelige AI-frameworks såsom Googles TensorFlow og Facebooks PyTorch, giver PaddlePaddle, som var open source i 2016, softwareudviklere på alle færdighedsniveauer med de værktøjer, tjenester og ressourcer, de har brug for til hurtigt at adoptere og implementere dyb læring i stor skala.

PaddlePaddle bliver brugt af mere end 1,9 millioner udviklere og 84.000 virksomheder globalt. Industrier i hele Kina bruger platformen til at skabe specialiserede applikationer til deres sektorer, fra bilindustriens acceleration af autonome køretøjer til sundhedsindustriens applikationer til bekæmpelse af covid-19.

Faktisk øger coronavirus-pandemien, som har spredt sig over 150 lande og forårsaget et verdensomspændende økonomisk chok, kravene til AI-transformation. Nu er en hidtil uset mulighed for udviklingen af ​​PaddlePaddle givet stigningen i industriel intelligens og accelerationen af ​​AI-drevet infrastruktur, siger Haifeng Wang, Chief Technology Officer hos Baidu. Vi vil fortsætte med at omfavne open source-ånden, drive teknologisk innovation, samarbejde med udviklere for at fremme deep-learning og AI-teknologier og fremskynde processen med industriel intelligens.

På den nylige Baidu Deep Learning Developer Conference Wave Summit 2020 annoncerede Chief Technology Officer Haifeng Wang PaddlePaddles samarbejde i et hardware-økosystem, der omfatter førende globale teknologivirksomheder som Intel, NVIDIA, Arm China og Huawei.

Hvordan PaddlePaddle trænede affaldssorteringsrobot s

Deep-learning-teknologier skaber muligheder for at modernisere driften, styring af arbejdsbelastning og produktivitet, selv i traditionelle industrier såsom fremstilling, skovbrug, energi og affaldshåndtering. Inden for affaldshåndtering transformerer kunstig intelligens f.eks. affaldsplukning, sortering og genanvendelse, støtter indsatsen for at bevare naturressourcer, reducere kulstofemissioner og mindske affald, der går til lossepladser. Ifølge en rapport fra Verdensbanken er mere end 2 milliarder tons kommunalt fast affald produceres i verden hvert år. Indsamling og adskillelse af det udsætter affaldsplukkere for en række risikofaktorer og farer, hvilket gør dette til et kritisk område for udviklingen af ​​innovative kunstig intelligens-teknologier.

I Europa og USA er computervisionsteknologi blevet brugt i vid udstrækning til at detektere forskellige typer affald, såsom glas, plastik og pap, for at gøre affaldssortering mere effektiv. Men opgaven er ikke lige så effektiv i alle lande.

At bruge traditionelle computer-vision-modeller i Kina ville være nytteløst, siger Zhiwen Zhang, CEO for Jinlu Technology. Affaldet i Kina er ikke kompatibelt med det, der kan opdages af denne teknologi. Komplikationer har en tendens til at opstå med detektionskvaliteten og med at identificere forskelligt affald, siger Zhang.

Zhang, som er veteran med computersyn, kiggede på PaddlePaddle for at udvikle applikationer til forbedring af affaldssortering i Kina. Selvom industrien mangler ekspertise inden for deep learning, behøver udviklere med PaddlePaddle ikke nødvendigvis at være deep-learning-eksperter eller bygge ting som databehandlingsmodeller fra bunden.

Jinlu Technology bruger en affaldssorteringsrobot programmeret med en objektdetektionsmodel til at identificere forskellige typer affald. Den bruger også en billedsegmenteringsmodel til at finde affald og gøre ting som at opdage kanten af ​​en flaske og bestemme dens midtpunkt. Modellen tager kun et halvt sekund at genkende et billede.

For plastikflasker træner Jinlu Technology en instans-segmenteringsmodel ved hjælp af Paddle Detection, et PaddlePaddle-værktøjssæt til billedbehandling. Modellen forudsiger Edgeboard (PaddlePaddles edge computing-udviklingsplatform) gennem Paddle Lite, PaddlePaddles dybe læringsramme, der er skræddersyet til letvægtsmodeller, og sender signaler til robotarme, der klassificerer skraldet. Mens traditionel algoritme-nøjagtighedsscreening forbliver mellem 60 % og 90 %, afhængigt af kvaliteten af ​​affaldet, leverer deep-learning algoritmer en nøjagtighed på 93 % til 99 %.

Jinlu Technology træner en billedsegmenteringsmodel ved hjælp af Paddle Detection, et PaddlePaddle-værktøjssæt til billedbehandling, for at identificere plastikflasker - i et forsøg på at gøre affaldssortering mere effektiv.

Brug af kunstig intelligens i affaldshåndtering lover yderligere potentiale. AI kan ikke kun spare menneskelig arbejdskraft med 96 %, men den kan også forfine sorteringen og yderligere identificere affald, der kan være svært at kategorisere, såsom store stykker organisk stof, små metalstykker og andre partikler. For ikke at nævne, AI kan selv lære at optimere pipelinen, siger Zhang.

Vigtigste funktioner og innovationer i PaddlePaddle

I øjeblikket tilbyder PaddlePaddle 146 algoritmer og har avanceret mere end 200 fortræningsmodeller, nogle af dem med open source-koder for at lette den hurtige udvikling af industrielle applikationer. Platformen er også vært for værktøjssæt til banebrydende forskningsformål, såsom Paddle Quantum til kvanteberegningsmodeller og Paddle Graph Learning til grafindlæringsmodeller.

PaddlePaddle letter AI-udvikling og sænker den tekniske byrde for brugerne ved at bruge et programmerbart skema til at opbygge de neurale netværk. Den understøtter deklarativ og imperativ programmering med udviklingsfleksibilitet - så det kan udvikle software med forskellige typer krav - alt imens den bevarer en høj runtime-ydeevne. Algoritmer kan automatisk designe neurale arkitekturer, der giver bedre ydeevne end dem, der er udviklet af menneskelige eksperter.

I Sydøstasien har AI-drevne skovdroner hjulpet 155 skovbrugsbureauer med at udvide rækken af ​​skovinspektioner fra 40 % til 100 % og udføre op til 200 % mere effektivt end manuelle inspektioner.

PaddlePaddle har også gjort gennembrud inden for ultra-stor-skala dybe neurale netværk træning. Dens platform, den første i verden af ​​sin art, understøtter træning af dybe neurale netværk med mere end 100 milliarder funktioner og billioner af parametre ved hjælp af datakilder fordelt på hundredvis af noder. En af modtagerne er Oppo, en smartphone-producent i Kina, som bruger PaddlePaddle til at øge træningseffektiviteten af ​​sit anbefalingssystem med 80 %.

PaddlePaddle er ikke kun kompatibel med andre open source-rammer til modeltræning, den accelererer også slutningen af ​​dybe neurale netværk for en række forskellige processorer og hardwareplatforme. På den nylige Baidu Deep Learning Developer Conference Wave Summit 2020 annoncerede PaddlePaddle sit samarbejde i et hardware-økosystem, der omfatter førende globale teknologivirksomheder såsom Intel, NVIDIA, Arm China, Huawei, MediaTek, Cambricon, Inspur og Sugon.

PaddlePaddle har stadig plads til forbedringer, siger Baidus corporate vice president Tian Wu. I fremtiden vil PaddlePaddle fortsætte med at fremme distribueret databehandling i stor skala og heterogen databehandling, hvilket giver den mest kraftfulde produktionsplatform og infrastruktur for udviklere til at accelerere udviklingen af ​​intelligente industrier.

PaddlePaddles rolle i kampen mod covid-19

En af de industrielle applikationer udviklet fra PaddlePaddle er i øjeblikket i brug til medicinske formål for at bekæmpe covid-19. Det primære diagnostiske værktøj til lungebetændelse, en af ​​de alvorlige virkninger af covid-19, er en computertomografi (CT) scanning. Med begrænsede læger i frontlinjen og ressourcer til at læse et eksponentielt voksende antal scanninger hurtigt og præcist, er CT-billeddannelsesteknologi afgørende for at hjælpe klinikere med at opdage og overvåge infektioner mere effektivt.

LinkingMed, en Beijing-baseret onkologidataplatform og medicinsk dataanalysevirksomhed, udgav Kinas første open source AI-model for lungebetændelse CT-billedanalyse, drevet af PaddlePaddle. AI-modellen kan hurtigt detektere og identificere pneumoniske læsioner, samtidig med at den giver en kvantitativ vurdering af diagnoseoplysninger, herunder antallet, volumen og andelen af ​​pneumoniske læsioner.

Ved at bruge PaddlePaddle og dets semantiske segmenteringsværktøj PaddleSeg, har LinkingMed udviklet et AI-drevet lungebetændelsesscreening og læsionsdetektionssystem, der bruges på hospitalet tilknyttet Xiangnan University i Hunan-provinsen. Systemet kan lokalisere sygdommen på mindre end et minut med en detektionsnøjagtighed på 92 % og en genkaldelsesrate på 97 % på testdatasæt.

Inden for sundhedsvæsenet bliver PaddlePaddle-platformen brugt til at bygge applikationer til at bekæmpe covid-19.

Robust kunstig intelligens vil være nødvendig for at håndtere de stadig mere komplekse opgaver, der kræves for teknologisk vækst. Baidu er forpligtet til at udvikle PaddlePaddle-deep-learning-platformen sammen med AI-forskere for at skabe en bedre fremtid. Vi er begejstrede for at se, hvad vi har opnået i 2020 og ser frem til nye gennembrud i fremtiden.

skjule