Համակարգչային տեսողության (computer vision) ճարտարապետական էվոլյուցիան երկար ժամանակ պայմանավորված էր տարածական լուծաչափի (spatial resolution) և իմաստային խորության (semantic depth) միջև մշտական պայքարով: Տարիներ շարունակ ոլորտը հիմնվում էր Feature Pyramid Network (FPN)-ի վրա՝ մի հնարամիտ կառուցվածքի, որը բարձր մակարդակի իմաստային հատկանիշները խորը շերտերից փոխանցում էր դեպի ավելի մակերեսային՝ բարձր լուծաչափով շերտեր: Այն լուծեց մասշտաբի խնդիրը՝ թույլ տալով մոդելներին հայտնաբերել փոքր օբյեկտները նույնքան արդյունավետ, որքան մեծերը: Այնուամենայնիվ, իր ողջ փայլունության հետ մեկտեղ, FPN-ն ուներ կառուցվածքային «հեռավորության» խնդիր. բազային շերտերից մինչև վերև և հակառակ ուղղությամբ ընկած ճանապարհը չափազանց երկար էր տեղեկատվության ճշգրիտ հոսքի համար:
Այստեղ է, որ հայտնվում է Path Aggregation Network (PANet)-ը: Այս ճարտարապետական բեկումը հիմնովին փոխեց այն, թե ինչպես են «տեսնում» խորը ուսուցման (deep learning) մոդելները՝ ներմուծելով ներքևից վերև ուղղված ուղու ընդլայնում, որը կարճացնում է ցածր մակարդակի տեքստուրաների և բարձր մակարդակի աբստրակտ պատկերացումների միջև ազդանշանային հեռավորությունը: Բիզնեսի ղեկավարների և տեխնիկական ճարտարապետների համար այս փոփոխության կարևորության գիտակցումը կենսական է, քանի որ այն որոշում է մանրածախ առևտրի, արտադրության և անվտանգության ոլորտներում ներդրվող ավտոմատացված տեսողական համակարգերի արդյունավետությունը:
Բացը կամրջելը. ինչու՞ է ուղու երկարությունը որոշում ճշգրտությունը
Ավանդական խորը ուսուցման խողովակաշարերում (pipelines), երբ տեղեկատվությունն անցնում է հաջորդական կոնվոլյուցիոն շերտերով, տարածական լուծաչափը նվազում է: Մինչ մոդելը կկորզի օբյեկտը դասակարգելու համար անհրաժեշտ բարձր մակարդակի հատկանիշները (օրինակ՝ «սա հավաքման գծի թերություն է»), վաղ շերտերի պիքսելային ճշգրտությամբ տեղորոշման տվյալները հաճախ կորչում կամ «մշուշոտվում» են փուլինգի (pooling) գործընթացում:
FPN-ն այս խնդիրը լուծեց՝ ստեղծելով վերևից ներքև ուղղված ուղի, սակայն PANet-ը բացահայտեց հիմնական անարդյունավետությունը. ցածր մակարդակի տեղեկատվությունը՝ հստակ եզրերն ու հատիկավոր տեքստուրաները, որոնք անհրաժեշտ են ճշգրիտ դիրքորոշման համար, պետք է անցնեին չափազանց շատ շերտերով՝ մոդելի կանխատեսող գլխիկին հասնելու համար: PANet-ի նորարարությունը ներքևից վերև ուղղված ուղու ընդլայնումն էր: Ստեղծելով երկրորդական ուղի, որը բարձր լուծաչափով ստորին շերտերից տեղեկատվությունը վեր է ուղղում, PANet-ը «դյուրանցում» է ստեղծում ազդանշանի տարածման համար:
Ձեռնարկությունների համար այս տեխնիկական նրբությունը նշանակում է արդյունավետության զգալի թռիչք.
- Տեղորոշման ճշգրտություն. Ավտոնոմ որակի վերահսկման մեջ միլիմետրի մասերը որոշում են՝ արդյոք բաղադրիչը պիտանի է, թե՝ ոչ: PANet-ի՝ տարածական տեղեկատվությունը պահպանելու կարողությունը ուղղակիորեն ազդում է այս համակարգերի հաջողության ցուցանիշի վրա:
- Բազմամասշտաբային կայունություն. Բիզնես միջավայրերը հազվադեպ են լինում վերահսկելի: Մարդուն հետևող անվտանգության տեսախցիկը կարող է նրան ֆիքսել հեռվից, ապա՝ մոտիկից: PANet-ը մասշտաբի այս տատանումները կարգավորում է հին ճարտարապետություններից ավելի քիչ հաշվարկային ծախսերով:
- Ուսուցման ուշացման նվազեցում. Քանի որ տեղեկատվական ուղին ավելի արդյունավետ է, մոդելն ավելի արագ է կոնվերգենցվում՝ հնարավորություն տալով ավելի ճկուն զարգացման ցիկլեր համակարգչային տեսողության նախագծերում:
Ճարտարապետական օպտիմալացման բիզնես հիմնավորումը
PANet-ի նման առաջադեմ ճարտարապետությունների ընդունումը պարզապես ակադեմիական վարժություն չէ. դա թվային փոխակերպման և ներդրումների եկամտաբերության (ROI) շարժիչ ուժն է: Երբ մենք քննարկում ենք AI-ի մասշտաբայնությունը, մենք հաճախ խոսում ենք այս հիմքում ընկած հատկանիշների արդյունավետության մասին: Եթե պահեստում օբյեկտներ հայտնաբերելու համար մոդելը պահանջում է հսկայական հաշվարկային ռեսուրսներ, ենթակառուցվածքային ծախսերը կարող են արագորեն գերազանցել ավտոմատացման արժեքը:
Օգտագործելով ավելի արդյունավետ ազդանշանային ուղիներ՝ ընկերությունները կարող են ավելի թեթև մոդելներով հասնել ավելի բարձր ճշգրտության: Սա խորը ազդեցություն ունի եզրային հաշվարկների (edge computing) վրա: Փոխանակ բարձր հստակության տեսանյութը կենտրոնական ամպային սերվեր հեռարձակելու, որը հանգեցնում է ուշացումների և թողունակության բարձր ծախսերի, բիզնեսները կարող են ավելի հզոր մոդելներ տեղակայել անմիջապես եզրային սարքերում (օրինակ՝ տեսախցիկներում կամ ռոբոտատեխնիկայում):
Սա հանգեցնում է գոյություն ունեցող CRM (Հաճախորդների հետ հարաբերությունների կառավարում) և ERP (Ձեռնարկության ռեսուրսների պլանավորում) համակարգերի հետ ավելի ամուր ինտեգրման: Օրինակ՝ մանրածախ առևտրի միջավայրում համակարգչային տեսողության համակարգը, որը իրական ժամանակում ճշգրիտ նույնականացնում է հաճախորդների վարքագիծը, կարող է ակտիվացնել գույքագրման ավտոմատացված թարմացումներ կամ հավատարմության ծրագրի ծանուցումներ: Եթե տեսողական մոդելը ոչ ճշգրիտ է վատ աշխատող հատկանիշների խողովակաշարի պատճառով, CRM սնուցող տվյալները դառնում են «աղմկոտ» և անվստահելի, ինչը հանգեցնում է հաճախորդների մասին սխալ պատկերացումների: Օպտիմալացված ուղիների ագրեգացման ճարտարապետությամբ ապահովված բարձր հավատարմության տեսողական տվյալները ստեղծում են ավելի մաքուր «ճշմարտության միասնական աղբյուր» ամբողջ ձեռնարկության համար:
