211service.com
Baidus plattform för djupinlärning ger bränsle till framväxten av industriell AI
Tillhandahålls av Baidu
AI driver industriell omvandling inom en mängd olika sektorer, och vi har precis börjat skrapa på ytan av AI-kapacitet. Vissa industriella innovationer märks knappt, som skogsinspektion för brandrisker och förebyggande, men fördelarna med AI i kombination med djupinlärning har en bred inverkan. I Sydostasien har AI-drivna skogsdrönare hjälpt 155 skogskontor att utöka utbudet av skogsinspektioner från 40 % till 100 % och utföra upp till 200 % mer effektivt än manuella inspektioner.
Detta innehåll har producerats av Baidu.
Den skrevs inte av MIT Technology Reviews redaktion.
Bakom dessa smarta drönare finns vältränade djupinlärningsmodeller baserade på Baidus PaddlePaddle, den första öppen källkodsplattformen för djupinlärning i Kina. Precis som vanliga AI-ramverk som Googles TensorFlow och Facebooks PyTorch, ger PaddlePaddle, som var öppen källkod 2016, mjukvaruutvecklare på alla kompetensnivåer de verktyg, tjänster och resurser som de behöver för att snabbt ta till sig och implementera djupinlärning i stor skala.
PaddlePaddle används av mer än 1,9 miljoner utvecklare och 84 000 företag globalt. Industrier i hela Kina använder plattformen för att skapa specialiserade applikationer för sina sektorer, från bilindustrins acceleration av autonoma fordon till sjukvårdsindustrins applikationer för att bekämpa covid-19.
Faktum är att coronavirus-pandemin, som har spridit sig över 150 länder och orsakat en världsomspännande ekonomisk chock, ökar kraven på AI-omvandling. Nu finns en oöverträffad möjlighet för utvecklingen av PaddlePaddle med tanke på uppkomsten av industriell intelligens och accelerationen av AI-driven infrastruktur, säger Haifeng Wang, teknisk chef på Baidu. Vi kommer att fortsätta att omfamna andan med öppen källkod, driva på teknisk innovation, samarbeta med utvecklare för att främja djupinlärning och AI-teknik och påskynda processen för industriell intelligens.
Vid den senaste Baidu Deep Learning Developer Conference Wave Summit 2020 tillkännagav Chief Technology Officer Haifeng Wang PaddlePaddles samarbete i ett hårdvaruekosystem som inkluderar ledande globala teknikföretag som Intel, NVIDIA, Arm China och Huawei.
Hur PaddlePaddle tränade sopsorteringsrobot s
Teknik för djupinlärning skapar möjligheter för att förnya verksamheten, arbetsbelastningshantering och produktivitet, även inom traditionella industrier som tillverkning, skogsbruk, energi och avfallshantering. Till exempel, inom avfallshantering, förändrar AI sophämtning, sortering och återvinning, stödjer ansträngningar för att bevara naturresurser, minska koldioxidutsläpp och minska avfall som hamnar på deponier. Enligt en rapport från Världsbanken är mer än 2 miljarder ton kommunalt fast avfall produceras i världen varje år. Att samla in det och separera det utsätter avfallsplockare för ett antal riskfaktorer och faror, vilket gör detta till ett kritiskt område för utvecklingen av innovativ AI-teknik.
I Europa och USA har datorseendeteknik använts flitigt för att upptäcka olika typer av avfall, såsom glas, plast och kartong, för att göra avfallssortering effektivare. Men uppgiften är inte lika effektiv i alla länder.
Att använda traditionella datorseende modeller i Kina skulle vara värdelöst, säger Zhiwen Zhang, VD för Jinlu Technology. Skräpet i Kina är inte kompatibelt med vad som kan upptäckas av denna teknik. Komplikationer tenderar att uppstå med detektionskvaliteten och med att identifiera olika sopor, säger Zhang.
Zhang, en veteran med datorseende, tittade på PaddlePaddle för att utveckla applikationer för att förbättra avfallssortering i Kina. Även om branschen saknar expertis för djupinlärning, med PaddlePaddle, behöver utvecklare inte nödvändigtvis vara experter på djupinlärning eller bygga saker som databearbetningsmodeller från grunden.
Jinlu Technology använder en sopsorteringsrobot programmerad med en objektdetekteringsmodell för att identifiera olika typer av sopor. Den använder också en bildsegmenteringsmodell för att hitta sopor och göra saker som att upptäcka kanten på en flaska och bestämma dess mittpunkt. Modellen tar bara en halv sekund att känna igen en bild.
För plastflaskor tränar Jinlu Technology en instanssegmenteringsmodell med Paddle Detection, en PaddlePaddle-verktygssats för bildbehandling. Modellen förutsäger Edgeboard (PaddlePaddles utvecklingsplattform för edge computing) genom Paddle Lite, PaddlePaddles ramverk för djupinlärning som är skräddarsydd för lättviktsmodeller, och skickar signaler till robotarmar som klassificerar skräpet. Medan traditionell algoritm-noggrannhetsscreening stannar mellan 60 % och 90 %, beroende på kvaliteten på skräpet, ger algoritmer för djupinlärning en noggrannhet på 93 % till 99 %.
Jinlu Technology tränar en bildsegmenteringsmodell med Paddle Detection, en PaddlePaddle-verktygssats för bildbehandling, för att identifiera plastflaskor – i ett försök att göra avfallssortering effektivare.
Att använda AI i avfallshanteringen lovar ytterligare potential. AI kan inte bara bespara mänsklig arbetskraft med 96 %, utan den kan också förfina sorteringen och ytterligare identifiera avfall som kan vara svårt att kategorisera, såsom stora bitar av organiskt material, små bitar av metall och andra partiklar. För att inte tala om, AI kan lära sig själv för att optimera pipelinen, säger Zhang.
Huvudfunktioner och innovationer i PaddlePaddle
För närvarande erbjuder PaddlePaddle 146 algoritmer och har avancerade mer än 200 förträningsmodeller, några av dem med öppen källkod för att underlätta den snabba utvecklingen av industriella applikationer. Plattformen är också värd för verktygssatser för banbrytande forskningsändamål, som Paddle Quantum för kvantberäkningsmodeller och Paddle Graph Learning för grafinlärningsmodeller.
PaddlePaddle underlättar AI-utveckling samtidigt som den sänker den tekniska bördan för användarna, med hjälp av ett programmerbart schema för att bygga de neurala nätverken. Den stöder deklarativ och imperativ programmering med utvecklingsflexibilitet—så kan utveckla mjukvara med olika typer av krav—allt med bibehållen hög körtidsprestanda. Algoritmer kan automatiskt designa neurala arkitekturer som erbjuder bättre prestanda än de som utvecklats av mänskliga experter.
I Sydostasien har AI-drivna skogsdrönare hjälpt 155 skogskontor att utöka utbudet av skogsinspektioner från 40 % till 100 % och utföra upp till 200 % mer effektivt än manuella inspektioner.
PaddlePaddle har också gjort genombrott inom ultra-storskalig träning i djupa neurala nätverk. Dess plattform, den första i världen i sitt slag, stöder träning av djupa neurala nätverk med mer än 100 miljarder funktioner och biljoner parametrar med hjälp av datakällor fördelade över hundratals noder. En av förmånstagarna är Oppo, en smartphonetillverkare i Kina, som använder PaddlePaddle för att öka träningseffektiviteten i sitt rekommendationssystem med 80 %.
PaddlePaddle är inte bara kompatibel med andra ramverk med öppen källkod för modellträning, det påskyndar också slutsatsen av djupa neurala nätverk för en mängd olika processorer och hårdvaruplattformar. Vid den senaste Baidu Deep Learning Developer Conference Wave Summit 2020 tillkännagav PaddlePaddle sitt samarbete i ett hårdvaru-ekosystem som inkluderar ledande globala teknikföretag som Intel, NVIDIA, Arm China, Huawei, MediaTek, Cambricon, Inspur och Sugon.
PaddlePaddle har fortfarande utrymme för förbättringar, säger Baidus vicepresident Tian Wu. I framtiden kommer PaddlePaddle att fortsätta utveckla storskalig distribuerad datoranvändning och heterogen datoranvändning, och tillhandahålla den mest kraftfulla produktionsplattformen och infrastrukturen för utvecklare för att påskynda utvecklingen av intelligenta industrier.
PaddlePaddles roll i kampen mot covid-19
En av de industriella applikationerna som utvecklats från PaddlePaddle används för närvarande för medicinska ändamål för att bekämpa covid-19. Det primära diagnostiska verktyget för lunginflammation, en av de allvarliga effekterna av covid-19, är en datortomografi (CT) av bröstet. Med begränsade läkare i frontlinjen och resurser för att läsa ett exponentiellt växande antal skanningar snabbt och exakt, är CT-tekniken avgörande för att hjälpa läkare att upptäcka och övervaka infektioner mer effektivt.
LinkingMed, ett Peking-baserat onkologidataplattform och medicinsk dataanalysföretag, släppte Kinas första AI-modell med öppen källkod för CT-bildanalys av lunginflammation, driven av PaddlePaddle. AI-modellen kan snabbt upptäcka och identifiera pneumonala lesioner samtidigt som den ger en kvantitativ bedömning för diagnosinformation, inklusive antalet, volymen och andelen pneumonala lesioner.
Genom att använda PaddlePaddle och dess semantiska segmenteringsverktygssats PaddleSeg, har LinkingMed utvecklat ett AI-drivet lunginflammationsscreening- och lesionsdetektionssystem som används på sjukhuset som är anslutet till Xiangnan University i Hunan-provinsen. Systemet kan lokalisera sjukdomen på mindre än en minut med en detektionsnoggrannhet på 92 % och en återkallelsefrekvens på 97 % på testdatauppsättningar.
Inom sjukvården används PaddlePaddle-plattformen för att bygga applikationer för att bekämpa covid-19.
Robust AI kommer att behövas för att hantera de allt mer komplexa uppgifter som krävs för teknisk tillväxt. Baidu har åtagit sig att utveckla PaddlePaddles djupinlärningsplattform tillsammans med AI-forskare för att skapa en bättre framtid. Vi är stolta över att se vad vi har åstadkommit under 2020 och ser fram emot nya genombrott i framtiden.