Azure Percept: راه‌انداز سریع یادگیری ماشین

هیچ کدی با هوش مصنوعی در یک دستگاه لبه هوشمند آماده برای استقرار مطابقت ندارد.

تعهد مایکروسافت به توسعه برنامه‌های کم‌کد و بدون کد بسیار فراتر از پلتفرم Power آن است. همان رابط و مدل خط لوله، پلتفرم Azure Logic Apps و عناصر استودیوی یادگیری ماشین Azure را تقویت می کند. اتصال عناصر از پیش ساخته شده به یکدیگر ممکن است انعطاف‌پذیری توسعه برنامه‌های کاربردی خود را از ابتدا نداشته باشد، اما راهی سریع برای ارائه ارزش است. در عین حال، این راهی برای ایجاد مهارت‌های توسعه غیرسنتی است که می‌تواند دانش گمشده را اضافه کند.

یکی از زمینه‌هایی که بین توسعه برنامه‌ها و دنیای فیزیکی گسست وجود دارد، سلامت و ایمنی است. افراد غیرقابل پیش بینی هستند و طراحی برنامه هایی را که می توانند به شناسایی خطرات بالقوه در سطح مغازه یا اطراف ماشین آلات کمک کنند، دشوار می کند. یکی از گزینه ها استفاده از یادگیری ماشینی مبتنی بر بینایی کامپیوتری برای ساخت مدل هایی از رفتار عادی است که امکان شناسایی سریع ناهنجاری ها را فراهم می کند. دوربینی که مجموعه ای از پمپ های بنزین را نظارت می کند می تواند برای شناسایی فردی که سیگار می کشد آموزش ببیند. یک دوربین توسط یک پرس هیدرولیک می تواند برای نظارت بر زمانی که یک اپراتور یا رهگذر از فضای امن خارج می شود، آموزش ببیند.

معرفی Azure Percept

سوال این است که چگونه می توان یک سیستم یادگیری ماشینی مبتنی بر ایمنی را به سرعت ساخت و اجرا کرد؟ اینجاست که پلتفرم Azure Percept مایکروسافت وارد می‌شود، نسخه متمرکزی از آن پلتفرم لبه اینترنت اشیاء Azure با مجموعه ای از مشخصات سخت افزاری و محیط توسعه برنامه کم کد میزبانی شده ابری با مدل استقرار کانتینری ترکیب شده است. این یک کیت توسعه‌دهنده مبتنی بر نصب استاندارد صنعتی ارائه می‌دهد تا بتوانید برنامه‌ها را قبل از استقرار آنها در سیستم‌های محلی بسازید و آزمایش کنید. از ریل‌های نصب آشنا ۸۰/۲۰ استفاده می‌کند که برای بسیاری از تجهیزات الکترونیکی صنعتی استفاده می‌شود، بنابراین با پایه‌های موجود و سیستم‌های توزیع برق سازگار خواهد بود و هزینه‌ها را به حداقل می‌رساند.

مایکروسافت کارهای زیادی برای قابل حمل کردن خدمات شناختی Azure خود انجام داده است، با ارائه زمان‌های اجرا کانتینری که به شما امکان می‌دهد به جای ارسال داده به منابع متمرکز Azure از سخت‌افزار لبه برای استنتاج استفاده کنید. این رویکرد به صرفه جویی در هزینه های پهنای باند کمک می کند و به شما این امکان را می دهد که به جای ارسال گیگابایت تصاویر استریم شده، مجموعه بسیار کوچکتری از نتایج را به برنامه های خود ارائه دهید. سایت‌های لبه اغلب دارای پهنای باند محدود هستند، بنابراین استفاده از این رویکرد به شما امکان می‌دهد برنامه‌های مبتنی بر یادگیری ماشین را در جایی که نیاز دارید اجرا کنید، نه در جایی که پهنای باند در دسترس است.

یک دستگاه هوشمند قابل برنامه ریزی برای مبتدیان

برای شروع به میزان نسبتاً پایین نیاز دارد -cost Azure Percept DK، در حال حاضر با قیمت ۳۴۹ دلار به فروش می رسد. این دستگاه دارای دو بخش است: یک واحد محاسبه لبه و یک دوربین هوشمند. جزء سوم، یک میکروفون هوشمند، برای برنامه های پیش بینی مبتنی بر صدا، مانند نظارت بر موتورها برای نشانه های خرابی احتمالی، در دسترس است. سیستم محاسبه لبه بر اساس یک سیستم NXP Arm که توزیع لینوکس CBL-Mariner خود مایکروسافت را اجرا می کند و دوربین از سیستم بینایی کامپیوتر اختصاصی Intel Movidius استفاده می کند. هر دو به گونه ای طراحی شده اند که شما را به سرعت حرکت دهند. مایکروسافت پیشنهاد می‌کند که می‌توانید در کمتر از ۱۰ دقیقه از «خارج از جعبه» به اولین فریم‌های هوش مصنوعی بروید.

برنامه‌ها در فضای ابری توسعه یافته‌اند Azure Percept Studio، با مجموعه ای از مدل های از پیش ساخته شده. اگر با ابزارهای خدمات شناختی مایکروسافت آشنایی دارید، می‌توانید از استودیوی یادگیری ماشینی Azure یا یک محیط توسعه محلی با استفاده از کد ویژوال استودیو. جعبه ابزار محلی مبتنی بر پایتون و تنسورفلو است و OpenVINO اینتل برای پشتیبانی از پردازنده موویدیوس ویژن است. سایر محیط‌های استقرار، مانند Nvidia، پشتیبانی می‌شوند، بنابراین می‌توانید دوربین‌های خود را با استفاده از Jetson بسازید یا با فروشندگان شخص ثالث کار کنید تا سخت‌افزار آنها را به استقرار Percept اضافه کنید. ابزارها را می‌توان به‌عنوان یک بسته توسعه‌دهنده دانلود کرد و یک محیط آماده برای استفاده در Windows، macOS یا Linux ایجاد کرد.

آزمایش Azure Percept

مدل‌های داخلی برای شروع کافی است ، زیرا رایج ترین سناریوهای بینایی صنعتی اینترنت اشیا را پوشش می دهند. علاوه بر شناسایی افراد و وسایل نقلیه، حتی مدلی برای تشخیص محصولات در قفسه ها وجود دارد. همراه با یک مدل تشخیص اشیاء، این می‌تواند مجموعه‌ای از ابزارها را در اختیار شما قرار دهد تا به سرعت یک ردیاب پایه در سطح انبار برای نظارت بر مواد مصرفی یا اطمینان از در دسترس بودن قطعات یدکی را کنار هم قرار دهید.

می‌توانید از راه‌حل‌های آماده اجرا مانند شمارنده افراد بهره ببرید. این نمونه از دوربین برای شمارش تعداد افراد در یک منطقه تعیین شده، ارائه پاسخ به یک فروشگاه داده Azure و استفاده از یک برنامه وب برای نمایش تصاویر به همراه داده های شمارش استفاده می کند. اگرچه به خودی خود مفید نیست، اما روش خوبی برای آزمایش سخت افزار Percept است، و یاد می گیرید که چقدر خوب عمل می کند و انواع داده هایی که می تواند به راه حل های خود ارائه دهد. شاید شما در حال استفاده از فضای شلوغی هستید که برای اطمینان از رعایت مقررات مجوز یا آتش نشانی نیاز به نظارت دارد، یا شاید بخواهید احساسی نسبت به جریان در مناطق مشترک یا مدت زمان انتظار مردم برای آسانسور داشته باشید.

ساخت اولین برنامه شما سریع و ساده است. اشتراک Azure ضروری است، زیرا از یک کانتینر خدمات شناختی برای میزبانی و اجرای مدل خود استفاده خواهید کرد. این بدان معنی است که هنگامی که پلتفرم از پیش نمایش خارج شود، هزینه های استفاده خواهد داشت، اما در حال حاضر رایگان است. کیت برنامه‌نویس پرسپت Azure به‌عنوان یک دستگاه متصل تلقی می‌شود به مرکز اینترنت اشیاء Azure. (می توانید یک هاب جدید ایجاد کنید یا به یک منبع موجود متصل شوید.) خود دستگاه به شبکه بی سیم شما متصل است و با استفاده از وب سرور داخلی خود پیکربندی شده است. برای مدیریت دقیق تر، کنسول دستگاه از طریق Secure Shell قابل دسترسی است.

آموزش و اصلاح مدل های Percept

اگر از مدل کلی بینایی رایانه استفاده می‌کنید، می‌توانید آن را بسیار شبیه به آموزش مدل خدمات شناختی بینایی رایانه سفارشی آموزش دهید. به سادگی یک سری عکس با استفاده از استودیو Azure Percept بگیرید و قبل از آموزش مدل و ارزیابی عملکرد آن، آنها را به درستی برچسب بزنید. پس از آموزش، می‌توانید با استفاده از پورتال وب، نسخه‌ای را برای استقرار از استودیو در دستگاه خود انتخاب کنید تا مدل را در برابر پخش مستقیم از دوربین Percept آزمایش کنید. مدل‌ها را می‌توان با داده‌های اضافی، با استفاده از داده‌های احتمالی جریان شما برای اصلاح تصاویر برای آموزش مجدد، دوباره آموزش داد.

راه حل های پیچیده تر ساخته شده با استفاده از Visual Studio Code و TensorFlow را می توان با استفاده از GitHub مدیریت کرد تا یک رجیستری کانتینری را میزبانی کند تا مدل های آماده اجرا را در دستگاه های Percept مستقر کند. مدل‌ها نقاط پایانی استانداردی دارند که می‌توانند در برنامه‌های کاربردی دیگر، یا در کد سفارشی یا به‌عنوان نقطه پایانی کم‌کد برای Power Apps یا Power Automate استفاده شوند. برای مثال، می‌توانید از خروجی Percept به‌عنوان ورودی کار Stream Analytics استفاده کنید، با هر تشخیص پیامی که می‌توان با استفاده از ابزارهای آشنای Azure مدیریت کرد.

ابزارهایی مانند Azure Percept شکاف بین سخت‌افزار و نرم‌افزار را پر می‌کنند و راه‌های ساده‌ای برای مدیریت و توسعه سخت‌افزار هوشمند خود در اختیار شما قرار می‌دهند. Azure Percept به شما امکان دسترسی به سخت‌افزار مقرون‌به‌صرفه را می‌دهد که آماده کار با مدل‌های یادگیری ماشین کانتینری، با تمرکز بر مجموعه‌ای از سناریوها است. وقتی مایکروسافت در مورد “لبه هوشمند” صحبت می کند، در مورد دستگاه هایی مانند این صحبت می کند. دستگاه‌ها به میکروسرویس‌ها تبدیل می‌شوند و شروع با توسعه بدون کد مستقیماً به ساختن مدل‌های یادگیری ماشینی سفارشی شما منجر می‌شود که از مبتدی به متخصص بر اساس برنامه زمانی خود می‌روید.