Как считать эффективность искусственного интеллекта (на примере умного экскаватора)
Технический директор и руководитель направления ИИ Zyfra Robotics Дмитрий Луковкин рассказывает, какие есть подходы к определению мощности и эффективности ИИ и как посчитать эффективность нашего решения на основе машинного зрения «Умный экскаватор».
Очень интересный вопрос с оценкой мощности ИИ. Хотя в данный момент проблема в мощности не очень актуальна. Мне кажется что отсутствие нормальной научной базы по архитектуре самих нейросетей олее острая проблема. Сам сталкиваюсь с этим постоянно. Ват как вы решаете задачу - сколько слоев должна иметь нейросеть что бы эффетиктивно работать в вашем эксковатору?
Спасибо за вопрос.
В нашем случае проблема с архитектурой стоит чуть менее остро. Задачи в случае умного экскаватора сводятся к типовым Object detection и Instance segmentation, и нам остается понять, какие из около-SotA архитектур будут более эффективны в условиях Edge.
Но в более общем вы правы, подход к выбору и конфигурированию архитектуры сейчас скорее эмпирический, чем теоретически обоснованный.
По-моему, перспективны два варианта: 1. Network Architecture Search, но с оглядкой на интегральные метрики эффективности, т.е. дальнейшее развитие и автоматизация эмпирического подхода. 2. Собственно научный поиск обоснованных архитектур, либо вдохновляясь аналогиями с биологическими системами, либо развивая теоретические основания самого машинного обучения. Дэвид Силвер, например, считает, что Reward Is Enough (https://www.sciencedirect.com/science/article/abs/pii/S0004370221000862). Увидим так ли это.