小样本学习加快 AI 模型训练和推理

January 23, 2024

Nick Leon Ruiz

少样本学习

为提高盈利能力、优化生产并在激烈竞争的业务环境中取得成功，制造商越来越多地采用计算机视觉技术。但开发能够在工厂车间中使用的解决方案是一个极其复杂且耗时的过程。

这是因为计算机视觉模型用来组装产品或检测零件和机械缺陷的 AI 算法需要大量的训练。虽然可以使用预先训练的模型，但这些模型的准确性几乎无法满足部署需要。训练自定义模型通常需要大量的数据集、熟练的工人来指导培训，还需要花费数月的时间。

对于期待部署支持视觉的解决方案的制造商来说，这是一个严重的发展瓶颈，会阻碍行业的数字化转型。但一种名为“小样本学习”的新 AI 模型训练方法可能是更快地部署 AI 解决方案的关键。

小样本学习如何加快 AI 模型训练

要知道为何小样本学习可以改变游戏规则，请先了解计算机视觉模型通常是如何开发的。

通常情况下，自定义 AI 模型从预先训练好的模型开始。以装配线环境下的分拣用例为例。开发团队可能会从用于对象识别的广义计算机视觉模型开始。但该模型无法识别公司使用的特定组件。为了使其可以足够准确地用于部署，开发人员通常会采用一种称作“监督学习”的方法，为 AI 模型提供带有注释的训练数据，以帮助它了解特定部件或缺陷的外观，以将其与其他部件区分开来。

但完成此项任务往往需要数千张图像。在监督学习场景中，图像还必须由领域专家进行注释（“这是小工具，这不是小工具”），以便向模型传授所需的知识。这项不仅任务成本非常高，还需要付出大量劳动，因为熟练的员工必须首先注释图像，然后通过多轮训练调整模型的超参数。

“即使是在最好的情况下，监督学习也需要需要大量熟练人员，并需要耗时数月才能完成，”全球计算智能公司联想集团的算法研究员 Lu Han 解释道。

在某些场景下，监督学习可能并不可行。例如，如果制造商需要训练模型检测一种新的零件缺陷类型，可能没有足够的缺陷零件图像用于模型定制。

小样本学习采取另一种的方式来克服此项挑战。“小样本学习”中的“样本”是指模型在训练过程中获得的某类对象的示例数量。

在此过程中，AI 可能会被教导来识别一般对象之间的相似度或差异程度。此功能随后可用于将从未见过的对象与少量参考示例进行匹配。一个简化的示例是，对模型提供螺母、螺栓和螺钉的注释图像，每个类别都有两个示例，再加上螺栓的测试图像，然后要求模型预测螺栓测试图像与这三个对象类别中的哪个最相似。

小样本学习自定义 AI 模型需要数量更少的注释图像——只需几十个而不是几千个——并且通常需要几天或几周而不是几个月。其结果是大大简化了 AI 开发工作流程，帮助企业以前所未有的速度部署 AI 解决方案。

用于缺陷识别的小样本学习系统

典型案例：联想在一家纺织品制造商处部署的缺陷识别技术。

为了保证质量，制造商必须能够识别其生产的纺织品中的 80 多种不同类型的表面缺陷。人工检查无法达到预期的质量控制水平。

该公司希望开发基于 AI 的缺陷识别解决方案，但在实施过程中面临一些常见的障碍。自定义模型训练非常困难，因为公司只有很少的缺陷样本可供使用。此外，该公司只有一条生产线用于生产各种类型的产品，因此任何 AI 解决方案都需要能够在产品和材料发生变化时快速更新边缘模型。如果采用传统的训练方法，构建一个有效的 AI 解决方案可能需要约 6 至 12 个月时间。这不是一个令人满意的时间框架，而且对未来的迭代来说也不是一个好兆头。

作为智能制造的领先企业，联想集团在其科研部门联想研究院孵化了联想边缘人工智能方向。它拥有强大的技术能力来解决上述难题。联想 EdgeAI 与制造商合作，利用小样本学习技术开发了一种端到端计算机视觉缺陷识别解决方案。模型的初始训练和本地更新仅在一周内完成。其准确性令人印象深刻：关键项目的漏检率为零。

为了减少延迟并实现本地管理，联想在边缘工业个人计算机 (IPC) 上运行了 AI 推理工作负载。这样可以在不同产品类型使用的不同 AI 模型之间近乎实时地进行切换。它还允许工厂质量保证人员现场重新训练模型，以适应未来的产品更改或新出现的缺陷。

联想认为与英特尔的技术合作有助于有效部署该解决方案。“我们的系统使用英特尔芯片，可在客户所需的边缘场景中提供强大的计算资源，” Han 指出。

联想还使用英特尔^® OpenVINO^™ 工具套件。Han 表示：“我们的推理引擎广泛兼容各种工具套件，特别是 OpenVINO。在推理方面，英特尔芯片可支持约 20 个边缘 AI 模型。我们的许多客户更喜欢搭载英特尔芯片的设备，这有助于我们更快地将此解决方案推向市场。”