Xylos brands

AI onder de loep: modellen in de praktijk

Het is je wellicht niet ontgaan: artificiële Intelligentie (AI) is alomtegenwoordig. We lezen erover, we schrijven erover en we spreken erover. Dat creëert vaak hooggespannen verwachtingen over de expertise op de markt. Daarom richten we samen met partner Microsoft en codeerschool BeCode de eerste AI-school in België op. Maar ook jij kan met AI aan de slag. Let's get started. 

Tip: informeer je eerst over AI en machinaal leren en hoe je die concreet kan gebruiken in de praktijk. Denk eens goed na over de data die je bedrijfsprocessen genereren en hoe je de kwaliteit van die data kan verbeteren. Blijf niet hangen bij een "proof of concept" dat je niet gebruikt, maar integreer je eerste oplossingen meteen in je bedrijfsprocessen. Al doende leer je, want de praktijk zal aangeven wat goed en niet goed werkt. Zo kan je op tijd bijsturen.

In deze blogpost bespreken we hoe je modellen kan uitrollen en gebruiken in je onderneming. Een model kan je beschouwen als een functie, of een aaneenschakeling van functies, die op basis van een deel van je bedrijfsgegevens een voorspelling maakt.

1. Beeldherkenning

We gebruiken een bestaand model dat goed is in beeldherkenning. Zulke modellen zijn doorgaans gebaseerd op wat we in vaktermen een "convolutional neural network" noemen. Ze zijn volledig geschikt om bijvoorbeeld een klasse toe te kennen aan een beeld. De input van het model zijn de pixels van het beeld en de output is een lijst van waarschijnlijkheden.

Het onderstaande beeld resulteert in de klasse "Egyptian cat" met een waarschijnlijkheid van ongeveer 94%.

ResNet50

Uiteraard is het resultaat afhankelijk van het gebruikte model. Een model dat we ResNet50 noemen levert de klasse "Egyptian cat" aan. Dat model kan 1.000 verschillende klassen herkennen. Het model werd gebouwd op basis van een dataset van meer dan 14 miljoen beelden.  Deze beelden zijn voorzien van labels (de namen van de klassen) via de crowdsourcing service van Amazon, Mechanical Turk.

Computer Vision API

Een ander model, bijvoorbeeld het model dat de Computer Vision API van Microsoft gebruikt, zal simpelweg de klasse "cat" als meest waarschijnlijke opleveren. Dat éénvoudig voorbeeld toont al aan dat de data die je gebruikt en de wijze waarop je een model bouwt heel bepalend zijn voor je resultaat. En daar wringt vaak het schoentje.

2. API

Hoe kan je een AI-model nu gebruiken in je eigen toepassingen? Aangezien het maar een functie is met input en output kan je het als een API uitrollen. De input en output zullen doorgaans in JSON formaat staan, maar dat hoeft niet.

In de externe blogpost, Recognizing images with Azure Machine Learning and the ONNX ResNet50v2 model, ga ik dieper in op de technische details van de uitrol van een model met de Azure Machine Learning (AML) service. De post bouwt verder op Creating a GPU container image for scoring with Azure Machine Learning. Kort samengevat gaat het om de volgende stappen:

  • Keuze van een bestaand model uit een "model zoo". De post gebruikt de ONNX Model Zoo. ONNX is een standaardformaat om modellen op te slaan en te gebruiken.
  • Creatie van een Docker-container image met de hulp van AML. AML zorgt ervoor dat de image op een standaardwijze aangemaakt wordt, eventueel met support voor GPUs (grafische kaarten).
  • Uitrol van de Docker image naar Azure Kubernetes Service (AKS) of Azure Container Instances (ACI). Deze stap resulteert in het beschikbaar maken van het model als een API, die je vanaf je eigen applicaties kan aanspreken.

3. IoT Edge-platformen

In plaats van het model uit te rollen in je eigen IT-infrastructuur of de cloud, kan je het ook uitrollen naar eender welke locatie zoals bijvoorbeeld voertuigen. Je kan hiervoor zogenaamde IoT Edge-platformen gebruiken die dezelfde container images ondersteunen. Azure IoT Edge is hier een voorbeeld van. De blogpost Deploying Azure Cognitive Services Containers with IoT Edge, gaat dieper in op deze materie.

Het uitrollen en gebruiken van bestaande modellen kan een goede eerste stap zijn om te begrijpen hoe AI in de praktijk werkt. Uiteraard zit het echte werk in het bouwen van een model dat je een voordeel biedt, bijvoorbeeld in de optimalisatie van een productieproces.

Stay tuned. Wil je meer weten over onze AI-oplossingen? Hou dan zeker onze blog in het oog.

Deel dit blogbericht

Laat een antwoord achter

Uw e-mailadres wordt niet gepubliceerd. Verplichte velden zijn gemarkeerd.

Breng jouw kennis en skills naar een hoger niveau

Schrijf nu in voor onze nieuwsbrief en krijg maandelijks:

  • Uitnodigingen voor Xylos' events & webinars
  • De laatste blogposts en cases
  • Nieuwste IT-trends