Trí tuệ nhân tạo thị giác (Vision AI) đang dần chuyển từ các bản demo sang ứng dụng thực tế. Nó được sử dụng để kiểm tra sản phẩm, giám sát môi trường, hỗ trợ quy trình làm việc an toàn và giúp các hệ thống hiểu được những gì đang diễn ra trong hình ảnh và video. Khi số lượng triển khai tăng lên, chi phí cho việc huấn luyện kém hiệu quả cũng tăng theo. Một mô hình hoạt động tốt trên tập dữ liệu thử nghiệm sạch vẫn có thể gặp lỗi trong thế giới thực khi ánh sáng thay đổi, các vật thể chồng chéo lên nhau hoặc môi trường thay đổi theo thời gian.
Đó là lý do tại sao các chương trình AI thị giác hiệu suất cao thường giống một quy trình vận hành bài bản hơn là chỉ huấn luyện mô hình một lần. Chúng kết hợp việc thu thập dữ liệu mạnh mẽ, các quy tắc chú thích rõ ràng, chuyên môn lĩnh vực, tăng cường dữ liệu tổng hợp khi cần thiết và giám sát liên tục sau khi khởi chạy. Mục tiêu không chỉ là độ chính xác cao hơn trên lý thuyết. Mà là hiệu suất đáng tin cậy ngay cả khi môi trường trở nên phức tạp.
Vì sao chất lượng đào tạo quan trọng hơn tính mới của mô hình?
Nhiều nhóm bắt đầu bằng cách tập trung vào kiến trúc. Điều đó rất quan trọng, nhưng đối với AI thị giác, chất lượng dữ liệu thường quyết định liệu một dự án có được đưa vào sản xuất hay không. Nếu hình ảnh của bạn được gắn nhãn không nhất quán, các danh mục lỗi không rõ ràng hoặc thiếu các trường hợp ngoại lệ, mô hình sẽ học được một phiên bản thực tế bị mờ nhạt.
Một ví dụ dễ hiểu là việc dạy ai đó làm trọng tài thể thao chỉ bằng các đoạn video nổi bật. Họ có thể nhận ra những pha bóng dễ thấy, nhưng sẽ gặp khó khăn với các góc quay khó, góc nhìn hạn chế và những quyết định gây tranh cãi. Trí tuệ nhân tạo thị giác cũng hoạt động tương tự. Nó cần nhiều hơn những ví dụ lý tưởng. Nó cũng cần cả những trường hợp khó khăn.
Hãy bắt đầu từ dữ liệu, chứ không phải từ bảng điều khiển.
Trước khi bắt đầu huấn luyện, hãy xác định những gì mô hình cần nhận biết và những gì được coi là thành công. Điều đó có nghĩa là phải quyết định xem nhiệm vụ là phát hiện đối tượng, phân loại, phân đoạn, theo dõi, phát hiện bất thường hay hiểu cảnh. Nó cũng có nghĩa là phải thống nhất định nghĩa nhãn ngay từ đầu.
Ví dụ, nếu một hệ thống được thiết kế để cảnh báo các mối nguy hiểm trên dây chuyền sản xuất, thì chính xác điều gì được coi là mối nguy hiểm? Liệu việc che khuất một phần vẫn được coi là mối nguy hiểm? Ánh sáng chói có được tính là ví dụ tiêu cực hay trường hợp đặc biệt? Những chi tiết này định hình tập dữ liệu rất lâu trước khi chúng định hình mô hình.
Đây là lúc các dịch vụ như thu thập dữ liệu , chú thích dữ liệu và hỗ trợ dữ liệu huấn luyện thị giác máy tính trở nên quan trọng về mặt chiến lược. Quy trình làm việc mạnh mẽ ở giai đoạn đầu giúp các nhóm chuẩn hóa định dạng hình ảnh, thu thập phạm vi bao phủ rộng hơn và giảm sự mơ hồ trước khi nó lan rộng trong toàn bộ quy trình.
Tại sao việc ghi nhãn chung chung lại hiếm khi đủ?
Sự khác biệt đó thể hiện rõ nhất trong các trường hợp ngoại lệ. Những lỗi nghiêm trọng nhất trong AI thị giác thường xảy ra trong các tình huống mơ hồ, bất thường hoặc có rủi ro cao. Đó là lý do tại sao việc gắn nhãn dựa trên lĩnh vực cụ thể lại quan trọng đến vậy khi các nhóm chuyển từ giai đoạn nguyên mẫu sang sản phẩm hoàn chỉnh.
Dữ liệu tổng hợp rất hữu ích, nhưng chỉ khi được sử dụng đúng mục đích.
Hình ảnh và video tổng hợp có thể hữu ích khi dữ liệu thực tế khan hiếm, nguy hiểm, tốn kém hoặc khó thu thập. Chúng đặc biệt hữu ích cho các khuyết tật bất thường, các tình huống rủi ro và các điều kiện ít được đại diện. Nhưng dữ liệu tổng hợp không phải là phép màu. Nếu nó quá sạch hoặc quá hẹp, mô hình có thể giỏi trong việc mô phỏng thực tế nhưng lại yếu trong thực tế.
Cách sử dụng dữ liệu tổng hợp hiệu quả nhất thường là để tăng cường dữ liệu một cách có mục tiêu. Nó lấp đầy những khoảng trống, tăng tính đa dạng và chuẩn bị mô hình cho những sự kiện không xảy ra đủ thường xuyên trong dữ liệu thực tế.
Hãy tập trung vào bối cảnh của khung cảnh, chứ không chỉ sự hiện diện của vật thể.
Một hệ thống AI thị giác hoàn thiện không chỉ đơn thuần phát hiện các vật thể bằng pixel. Nó còn diễn giải những gì đang xảy ra trong bối cảnh cụ thể. Một lối đi đông đúc có thể là bình thường vào một thời điểm nhưng lại là tín hiệu nguy hiểm vào thời điểm khác. Một phương tiện dừng lại có thể vô hại trong trường hợp này nhưng lại nguy hiểm trong trường hợp khác. Một khiếm khuyết có thể chỉ trở nên quan trọng khi kết hợp với một vị trí cụ thể, kiểu chuyển động hoặc trạng thái hoạt động nhất định.
Đó là lý do tại sao các hệ thống chất lượng cao ngày càng phụ thuộc vào các chiến lược ghi nhãn và đánh giá phong phú hơn thay vì chỉ dựa vào một điểm số hiệu suất hạn hẹp.
Một câu chuyện ngắn: mô hình trông có vẻ chính xác cho đến khi nó hoạt động vào ca đêm.
Hãy tưởng tượng một nhà bán lẻ triển khai trí tuệ nhân tạo thị giác để xác định nguy cơ tràn đổ và các lối đi bị tắc nghẽn. Trong quá trình thử nghiệm thí điểm, kết quả rất khả quan. Hình ảnh ban ngày rõ nét, nhãn mác được sắp xếp gọn gàng và mô hình phát hiện được hầu hết các vấn đề dễ nhận thấy.
Rồi ca đêm bắt đầu. Ánh sáng mờ hơn. Hình ảnh phản chiếu trên sàn nhà thay đổi. Xe đẩy dọn dẹp che khuất một phần tầm nhìn của camera. Nhân viên di chuyển khác đi. Đột nhiên, hệ thống bỏ sót những mối nguy hiểm thực sự và báo động quá mức đối với những hoạt động vô hại.
Mô hình ban đầu không có vấn đề gì nghiêm trọng mà chỉ là chưa hoàn thiện. Dữ liệu huấn luyện phản ánh một phiên bản của môi trường, chứ không phải toàn bộ môi trường. Sau khi nhóm bổ sung thêm cảnh quay ban đêm, chú thích các trường hợp ngoại lệ và phản hồi từ người điều hành cửa hàng, hiệu suất đã được cải thiện vì mô hình cuối cùng đã học hỏi được từ các điều kiện thực tế mà nó sẽ gặp phải.
Khung quyết định: khi nào cần bổ sung thêm dữ liệu, chuyên gia hoặc phản hồi.
Một cách thiết thực để cải thiện trí tuệ nhân tạo thị giác là đặt ra bốn câu hỏi sau:
- Những lỗi nào gây ảnh hưởng nhiều nhất?
Kết quả âm tính giả có tầm quan trọng khác nhau trong các lĩnh vực an toàn, chăm sóc sức khỏe, bán lẻ và sản xuất. - Những bệnh lý nào chưa được thống kê đầy đủ?
Hãy chú ý đến sự thay đổi ánh sáng, hiện tượng nhòe chuyển động, che khuất, thay đổi theo mùa, sự dịch chuyển góc máy quay và các sự kiện hiếm gặp. - Sự đánh giá của con người làm thay đổi nhãn mác ở điểm nào?
Đó chính là cách mà các chuyên gia trong lĩnh vực đó chứng tỏ giá trị của mình. - Bạn sẽ theo dõi những gì sau khi ra mắt?
Độ chính xác thôi chưa đủ. Các đội cần theo dõi tỷ lệ lỗi, độ lệch, độ trễ và hiệu năng trong điều kiện thực tế thay đổi.
Các hoạt động AI thị giác tốt trông như thế nào?
Đó cũng là lý do tại sao nhiều nhóm coi các dự án về thị giác máy tính như các hoạt động dữ liệu liên tục hơn là các thử nghiệm mô hình riêng lẻ. Cơ sở hạ tầng vững chắc cho dữ liệu huấn luyện, đánh giá và chu kỳ cập nhật giúp dễ dàng duy trì tính hữu ích của các mô hình khi thế giới xung quanh thay đổi.
Kết luận
Kết quả chất lượng cao trong trí tuệ nhân tạo thị giác không chỉ đến từ quy mô. Chúng đến từ khả năng đánh giá tốt hơn về những gì cần thu thập, cách gắn nhãn, khi nào nên sử dụng chuyên gia, khi nào nên mô phỏng các trường hợp ngoại lệ và cách đo lường hiệu suất sau khi triển khai.
Nói cách khác, việc huấn luyện trí tuệ nhân tạo thị giác không giống như đổ đầy bình xăng. Nó giống hơn với việc huấn luyện một đội bóng vượt qua những điều kiện thi đấu thay đổi. Những hệ thống tốt nhất được huấn luyện trên các ví dụ thực tế, đối mặt với những tình huống khó khăn và được cải thiện liên tục khi chúng được đưa vào sử dụng thực tế.
Vision AI là gì?
Trí tuệ nhân tạo thị giác (Vision AI) là việc sử dụng các mô hình AI để diễn giải hình ảnh và video, bao gồm các tác vụ như phát hiện, phân loại, phân đoạn, theo dõi và hiểu bối cảnh.
Tại sao trí tuệ nhân tạo thị giác lại thất bại trong môi trường sản xuất?
Các lý do phổ biến bao gồm phạm vi bao phủ trường hợp ngoại lệ yếu, nhãn không nhất quán, không khớp miền, thay đổi ánh sáng, che khuất và thiếu giám sát sau khi triển khai.
Dữ liệu tổng hợp có hữu ích cho trí tuệ nhân tạo thị giác máy tính không?
Đúng vậy, đặc biệt là trong những tình huống hiếm gặp hoặc rủi ro cao, nhưng nó hoạt động hiệu quả nhất khi được sử dụng như một công cụ hỗ trợ có mục tiêu chứ không phải là sự thay thế hoàn toàn cho dữ liệu đánh giá thực tế.
Khi nào các nhóm cần người chú thích chuyên nghiệp?
Chúng có vai trò quan trọng nhất khi các nhãn mác đòi hỏi sự đánh giá chuyên môn, chẳng hạn như các khuyết điểm, rủi ro an toàn, phát hiện y tế hoặc ngữ cảnh tinh tế mà người đánh giá thông thường có thể bỏ sót.
Các nhóm nên đo lường những gì sau khi triển khai?
Các nhóm nên theo dõi tỷ lệ lỗi, độ lệch, độ trễ và hiệu suất trong các điều kiện thay đổi như ánh sáng, vị trí camera và lưu lượng truy cập.
Làm thế nào để cải thiện trí tuệ nhân tạo thị giác theo thời gian?
Cải thiện quy trình xử lý dữ liệu: thu thập các ví dụ thực tế mới, tinh chỉnh các quy tắc chú thích, kết hợp phản hồi từ người đánh giá và huấn luyện lại dựa trên các chế độ lỗi đã quan sát được.
