使用无代码平台构建机器学习模型

在我们思考物联网时，我们通常不会想到牲畜。我们也不会想到草莓、鱼、患者或挥发性气体泄漏。但是基于人工智能的计算机视觉和边缘计算的发展已经让“牛联网”等解决方案成为现实，它们正在显现出真正的商业优势。自动化管理让蛋白质生产商能够实时监控牲畜健康和位置，从而防止疾病蔓延，减少损失，并优化繁殖和分娩实践。

但是，将人工智能物联网、计算机视觉 (CV) 和机器学习 (ML) 工具集成到“牛联网”中是一项极大的挑战。

一般来说，视频管理系统连接摄像头并收集数据，机器学习工程师和数据科学家使用这些数据创建模型。另一组工具用于切割视频帧，标记并训练数据集，部署模型，并监控模型的准确性。接下来开始高难度的高质量数据集创建过程。

Sixgill, LLC 是一家面向人工智能物联网平台的机器学习生命周期管理提供商，让这个过程变得更加简单。Sixgill 首席产品官 Elizabeth Spears 说：“物联网开发人员真正需要的是易于部署、管理和调整，无需在前期进行数月高额开发投资的工具。”直到最近，这些工具才被开发出来。

机器学习不用这么难

当 Sixgill 发现已有的机器学习工具很难在团队和企业中使用并一致实施时，他们知道获取高质量数据就是问题的重点所在。设想一个牛计数用例。

只要牛的外表和行为与用于训练模型的图像中的一致，模型就可以良好运行。但是，如果图像是在夏季捕获的，下雪时会是什么情况？或者，如果牛后退而不是前进呢？模型就会失效，除非可以快速地对其进行重新训练，使其识别处于各种状态下的牛。

构建一个考虑这些例外情况的高质量数据集是费事费力的。数据科学家或机器学习工程师通常被分配标记图像的任务，这个任务也可以外包。但是两种方式的效率都很低下，而且成本高昂。除了构建实时视频流并使用数据标注器将其自动化之外，他们的专业知识还可以用在更多有价值的地方。

为什么不直接将标记工具交给中小企业？Spears 说：“让非技术型的中小企业轻松、方便地进行数据准备，他们可以提供清晰的样本，并大幅提高整个项目的准确度。”通过异常检测等功能，数据的组织将会容易得多，新的输入数据将自动触发提示：“是否要标记此数据？”

Sixgill 相信可以开发一个简化的工具，让任何用户（工程师、数据科学家或物联网开发人员）可以快速地从零开始构建功能完善的机器学习模型。因此该公司构建了 Sixgill Sense 平台，该平台集成了基于图像的机器学习生命周期的每个步骤。

自动对象识别的强大之处

Sixgill 牲畜管理客户最初探索人工智能是为了更准确地进行牲畜计数。手动过程每年造成近 9000 万美元的收入流失，但即使在一年以后，一家主要云提供商为其构建的机器学习解决方案也未能取得更好的表现。

但是当 Sixgill 接手这个项目时，在三个星期内就将模型训练到 99.7% 的准确度，为客户每年约节省 5200 万美元。该平台借助以下功能实现了一这点：

• 监控：从视频摄像机和带图像标记功能的其他传感器设备收集数据并将其规范化，以获得高质量训练数据集。
• 计数：部署针对环境和情境训练的机器学习模型，以自动检测、跟踪和统计牲畜。
• 基准测试：通过指标基准测试自动执行机器学习模型性能监控，以进行在线学习。
• 分析：向云发送计数和预测数据，以通过集中化仪表板进行进一步分析和显示。

无代码平台

Sense 有效取代了多种效率低下的流程。例如，使用 Sense，数据已经位于所需的位置，无需将数据从您的物联网设备移动到独立的标记工具，在保持模型准确度需要进行连续实验的情况下，极大地节省了时间。Spears 说：“所有数据和模型都位于同一个位置，可以非常快速地对它们进行迭代。”

Sense 利用了边缘设备的强大功能和英特尔^® 加速机器学习能力。通过满足数据科学家、中小企业和商业用户的视觉用户体验，它让协作变得轻松简单。因此，以前过于复杂、耗时的任务现在只需点击几次，可以快速训练和测试模型。

Spears 补充道：“通过这个平台，任何人都可以构建无代码、端到端的视频机器学习模型。”“对于商业用户来说，它足够简单，对于机器学习工程师来说，它足够强大。”为了向物联网开发人员提供获得成功所需的一切条件，Sixgill 会定期举办活动、提供教程，并可提供计算机视觉和标记方面的定制培训计划。

对于设计时考虑了最终用户的工具，“牛联网”是其价值的一个典型例子。但是毫无疑问，它不是唯一的一个。制造、零售、生命科学和其他行业的公司希望能够利用人工智能、机器学习和强大的边缘计算提高收入并减少开支。