искусственный интеллект обучение университет
Искусственный интеллект обучение университет
Университет искусственного интеллекта Терра реализует программы:
Вид: дополнительное профессиональное образование.
Подвид: дополнительные программы профессиональной переподготовки; дополнительные программы повышения квалификации.
Форма обучения: очно-заочная, заочная. Реализация программы осуществляется с применением дистанционных технологий.
Язык образования: русский язык.
Нормативный срок обучения устанавливается образовательной программой.
Лица с ограниченными возможностями здоровья отсутствуют, не обучаются.
Адаптированные образовательные программы не реализуются.
Краткое описание программы.
Образовательная программа представляет собой комплекс основных характеристик образования (объем, содержание, планируемые результаты), организационно-педагогических условий и форм аттестации, который представлен в виде:
Краткое описание программы.
Образовательная программа представляет собой комплекс основных характеристик:
– планируемые результаты обучения;
– календарный учебный график;
– рабочие программы учебных предметов;
– организационно-педагогических условия обучения;
– оценочные материалы и иные компоненты.
Список программ:
Дополнительная профессиональная программа профессиональной переподготовки.
Аннотация к образовательной программе:
1. Дополнительная программа профессиональной переподготовки «DATA-SCIENCE И НЕЙРОННЫЕ СЕТИ НА PYTHON» направлена на получение компетенции, необходимой для выполнения нового вида профессиональной деятельности в сфере DATA-SCIENCE И НЕЙРОННЫЙ СЕТИ.
2. Цель Программы – получение компетенции, необходимой для выполнения нового вида профессиональной деятельности в сфере DATA-SCIENCE И НЕЙРОННЫЙ СЕТИ.
3. Требования к слушателю дополнительной программы профессиональной переподготовки:
К освоению дополнительных профессиональных программ допускаются: лица, имеющие среднее профессиональное и (или) высшее образование, лица, получающие среднее профессиональное и (или) высшее образование.
4. Форма обучения: очно-заочная, заочная, с применением электронного обучения и дистанционных образовательных технологий.
5. Срок освоения дополнительной программы профессиональной переподготовки:
Нормативный срок освоения программы составляет от 250 академических часов, исходя из уровня образовательной программы, которая включает в себя:
– теоретическую части образовательной программы;
– практическую части программы;
– промежуточные аттестации по курсам (дисциплинам);
– итоговую аттестацию.
6. Область профессиональной деятельности выпускника дополнительной программы профессиональной переподготовки:
Областями профессиональной деятельности выпускника программы является деятельность в сфере DATA-SCIENCE И НЕЙРОННЫЙ СЕТИ.
7. Объекты профессиональной деятельности выпускника дополнительной программы профессиональной переподготовки:
Объектом профессиональной деятельности выпускника программы является:
– математические вычисления (анализ и визуализация данных);
– машинное обучение (Machine Learning);
– глубокое обучение (Deep Learning);
– программное обеспечение;
– автоматизация и написание скриптов;
– администрирование ОС и локальных сетей.
Искусственный интеллект обучение университет
Что делает нейронка:
Классифицирует договора в системе делопроизводства
Для чего нужна эта нейронка:
Нейронная сеть обучена классифицировать договора компании на клиентские и внутренние. Нейронная сеть интегрированна в web-сервис для взаимодействия с системой документооборота, и позволяет потоково классифицировать документы, чтобы правильно маршрутизировать их на следующий шаг.
Как решали:
Взаимодействие с системой документооборота осуществляется посредством генерации http запроса содержащего текст документа, к разработанному web-сервису, результатом выполнения которого является ответ в формате JSON, содержащий результат классификации. Кроме того, в рамках работы было проведено сравнение полученных результаты точности классификации с моделями классического машинного обучения, в частности логистической регрессией.
Что делает нейронка:
Нейронная сеть по серии фотографий опознает болезнь садового растения и дает рекомендацию по уходу
Для чего нужна эта нейронка:
Нейронку можно использовать как в частных садово-огородных хозяйствах, так и в агропромышленных комплексах
Что делает нейронка:
Нейронка в потоке информации с видеокамеры распознает нужный объект, например людей или определенных животных
Для чего нужна эта нейронка:
Предположим где-то на полюсе у станции метеонаблюдения появились какие-то люди. Необходимо в потоке видео с камеры наблюдения выявить эти объекты и передать в Москву краткое сообщение об этом через модем спутниковой сети Иридиум. Полный видеопоток нецелесообразно гнать по широкополосной сети для непосредственной обработки в центральный офис. Это очень дорого, и других каналов, кроме спутников Иридиум, на полюсе нет. Данный макет использует модели типа Resnet-18, GoogleNet дообученные на нашей базе.
Что делает нейронка:
Выделяет лица на фотографиях
Для чего нужна эта нейронка:
Данная нейронка реализует нестандартный алгоритм, который позволяет находить лица на фотографиях, без обучения на базе лиц. Точно такой же подход применим и к сегментации других объектов
20 бесплатных курсов по машинному обучению и нейронным сетям
Для всех, кто хочет начать разбираться в искусственном интеллекте. 🤖
1. «Введение в искусственный интеллект» от ТГУ
Продолжительность курса: 4 недели = 1–2 часа в неделю.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Чему научитесь:
Автор курса
Роман Душкин
2. «Введение в машинное обучение» от НИУ «ВШЭ» совместно с «Яндексом»
Продолжительность курса: 7 недель = 2–15 часов в неделю
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Что узнаете и чему научитесь:
Авторы курса
Константин Воронцов
Евгений Соколов
3. «Машинное обучение и анализ данных» от МФТИ совместно с «Яндексом»
Продолжительность курса: 7 месяцев = 8 часов в неделю.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Что узнаете и чему научитесь:
Авторы курса
Евгений Рябенко
Евгений Соколов
Виктор Кантор
Эмили Драл
Константин Воронцов
Антон Слесарев
4. «Машинное обучение в финансах» от SberUniversity
Продолжительность курса: 6 недель = 1–6 часов в неделю.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Что узнаете и чему научитесь:
Преподаватели курса
Ия Малахова
Андрей Духовный
Владимир Власов
5. «Python для анализа данных» от МФТИ совместно с Mail.ru Group
Продолжительность курса: 6 недель = 4–8 часов в неделю.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Что узнаете и чему научитесь:
Преподаватели курса
Никита Пестров
Александр Жебрак
Андрей Шестаков
Елена Широкова
6. «Введение в науку о данных» от СПбГУ
Продолжительность курса: 5 недель = 2–5 часов в неделю.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Что узнаете и чему научитесь:
Кто проводит курс
Санкт-Петербургский государственный университет
7. «Искусственный интеллект для каждого» от DeepLearning.AI
Продолжительность курса: 4 недели = 1–2 часа в неделю.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Что узнаете и чему научитесь:
Преподаватель курса
Эндрю Ын
8. «Машинное обучение» от Стэнфордского университета
Продолжительность курса: 11 недель = 2–8 часов в неделю.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Что узнаете и чему научитесь:
Преподаватель курса
Эндрю Ын
9. «Глубокое обучение» от DeepLearning.AI
Продолжительность курса: 5 месяцев = 7 часов в неделю.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Что узнаете и чему научитесь:
Преподаватели курса
Эндрю Ын
Киан Катарфорош
Юнес Бенсуда Морри
10. «Нейронные сети» от Stepik
Продолжительность курса: 24 урока.
Формат обучения: текстовые уроки + видеоуроки + тесты.
Обратная связь: есть.
Программа обучения:
Что узнаете и чему научитесь:
Преподаватели курса
Арсений Москвичёв
Анастасия Миллер
11. «Создание моделей машинного обучения» от Microsoft
Продолжительность курса: 5 модулей = 6 часов.
Формат обучения: текстовые уроки + тесты.
Обратная связь: нет.
Программа обучения:
Что узнаете и чему научитесь:
Кто проводит курс
Microsoft
12. «Академия искусственного интеллекта» от «СберБанка»
Продолжительность курса: 10 уроков.
Формат обучения: видеоуроки.
Обратная связь: нет.
Программа обучения:
Что узнаете и чему научитесь:
Кто проводит курс
ПАО «Сбербанк»
13. «Нейросети на Python» от Андрея Созыкина
Продолжительность курса: 11 уроков.
Формат обучения: видеоуроки.
Обратная связь: есть (в комментариях под видео).
Программа обучения:
Что узнаете и чему научитесь:
Автор курса
Андрей Созыкин
14. «Нейросети для анализа текстов» от Андрея Созыкина
Продолжительность курса: 14 уроков.
Формат обучения: видеоуроки.
Обратная связь: есть (в комментариях под видео).
Программа обучения: слушатели узнают об обучении нейронных сетей для анализа текстов. Познакомятся с сетями LSTM и GRU и с их помощью смогут проанализировать тональность отзывов YELP и IMDB.
Что узнаете и чему научитесь:
Автор курса
Андрей Созыкин
15. «Нейросети для анализа изображений» от Андрея Созыкина
Продолжительность курса: 10 уроков.
Формат обучения: видеоуроки.
Обратная связь: Есть (в комментариях под видео).
Программа обучения:
Что узнаете и чему научитесь:
Автор курса
Андрей Созыкин
16. «Практическое компьютерное обучение» от Университета Джона Хопкинса
Продолжительность курса: 4 недели = 1–3 часа в неделю.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Что узнаете и чему научитесь:
Преподаватели курса
Джефф Лик
Роджер Пенг
Брайан Каффо
17. «Machine Learning Foundations: A Case Study Approach» от Вашингтонского университета
Продолжительность курса: 6 недель = 3–4 часа в неделю.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Что узнаете и чему научитесь:
Преподаватели курса
Эмили Фокс
Карлос Гестрин
18. «Artificial Intelligence for Robotics» от Udacity
Продолжительность курса: 2 месяца.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Программа обучения:
Что узнаете и чему научитесь:
Преподаватель курса
Себастьян Трун
19. «Machine Learning: Regression» от Вашингтонского университета
Продолжительность курса: 6 недель = 3–5 часов в неделю.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Что узнаете и чему научитесь:
Преподаватели курса
Эмили Фокс
Карлос Гестрин
20. «Machine Learning With Big Data» от Калифорнийского университета в Сан-Диего
Продолжительность курса: 5 недель = 3–6 часов в неделю.
Формат обучения: видеоуроки + текстовые материалы + тесты.
Обратная связь: нет.
Сертификат: выдаётся (платно)
Программа обучения:
Что узнаете и чему научитесь:
Преподаватели курса
Май Нгуен
Илкай Алтинтас
Профессиональный копирайтер. Более 100+ работ в портфолио. Пишу про онлайн-образование.
Искусственный интеллект обучение университет
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.