Как оптимизировать ML-решение, если мы не можем оптимизировать модель?
Доклад принят в программу конференции
Целевая аудитория
Тезисы
Нейронные сети становятся важным инструментом для современных компаний, однако их реализация требует больших вычислительных мощностей. Это может ограничить спектр задач, которые можно решить с их помощью, особенно когда оптимизировать саму модель представляется невозможным. Однако внедрение программных средств и организационных правил в архитектуру ML-решения может помочь уменьшить потребление ресурсов без ущерба для точности.
В докладе расскажу про пример внедрения компьютерного зрения для контроля страховочной привязи. Вместе рассмотрим создание архитектуры CV-системы, включая использование внутренних и внешних детекторов движения и анализа видеопотока, а также внедрение организационных решений, способствующих сокращению вычислительных мощностей. Мы увидим прогресс в оптимизации ресурсов, которого можно добиться, а также обсудим возможные проблемы при построении такой ML-системы.
CV-инженер, занимаюсь внедрением машинного обучения в задачах видеоаналитики на производственных площадках СИБУР.
Аспирант-робототехник (МГТУ им. Н.Э. Баумана), увлекаюсь разработкой систем управления роботов с использованием технологий ИИ.
ООО "Сибур Диджитал"
Видео
Другие доклады секции
ML и AI в производственных компаниях
