Машинное обучение

Как это работает

Рабочий процесс машинного обучения состоит из трёх фаз:

1. Обучение. Алгоритму подаются тысячи и миллионы размеченных примеров (изображений лиц, номеров, объектов), и он корректирует свои внутренние параметры для минимизации ошибок предсказания.
2. Валидация. Отдельные данные проверяют, что модель обобщается на новые примеры, а не запоминает обучающий набор.
3. Инференс. Обученная модель развёртывается в продакшене и применяется к живому видео за миллисекунды на кадр.

Классическое машинное обучение использовало вручную созданные признаки и алгоритмы, такие как деревья решений, SVM и случайные леса. Современная видеоаналитика преимущественно использует глубокое обучение — подобласть машинного обучения на основе многослойных нейронных сетей.

Почему это важно

Машинное обучение сняло потолок, в который упиралось программное обеспечение на основе правил в видеонаблюдении:

• Адаптивность — модели переобучаются на новых данных для работы с новыми ракурсами камер, освещением или типами объектов.
• Масштаб — одна модель обслуживает тысячи камер с идентичной логикой.
• Точность — передовые модели превосходят человеческую производительность во многих узких визуальных задачах.

Вся платформа VEZHA от IncoreSoft работает на обученных моделях машинного обучения, каждая из которых специализирована на одной задаче — распознавании лиц, ALPR, обнаружении огня и других.

Сценарии применения

• Распознавание лиц и автомобильных номеров для безопасности и контроля доступа
• Обнаружение дыма, огня и аномалий для промышленной и общественной безопасности
• Аналитика трафика, розницы и рабочего места для операций
• Предиктивные оповещения, которые изучают нормальные паттерны и помечают отклонения

Часто задаваемые вопросы

В чём разница между AI, машинным обучением и глубоким обучением?

AI — это широкая цель заставить машины действовать разумно. Машинное обучение — один из методов её достижения. Глубокое обучение — конкретный тип машинного обучения, использующий нейронные сети со многими слоями. Все три термина часто используются взаимозаменяемо в маркетинге, но технически они вложены друг в друга.

Может ли машинное обучение работать офлайн?

Да. После обучения модель машинного обучения работает полностью офлайн. Краевые развёртывания в платформе IncoreSoft выполняют инференс на месте без подключения к интернету.

Сколько данных нужно для обучения полезной модели?

Это зависит от задачи. Узкие детекторы объектов могут работать с несколькими тысячами размеченных примеров; промышленное распознавание лиц обычно использует миллионы. Трансферное обучение — дообучение существующей модели — резко снижает требования.