ある日、工場の当事者 A があなたのところに来て、プロセスリンクの人件費が高すぎるので、人工知能で置き換えることができないか検討してほしいと言いました。現場に視察に行くと、現場の作業員は経験に頼っており、ルールも非常に曖昧であることがわかります。多くの調査を経て、最終的に一般的なルールを決定し、このプロセスのリンクを人工知能の形で抽象化することができた後、プロジェクトは最終的に承認されました。
次に、データ収集が特に難しいことがわかります (電子記録機器がなければ、現場でデータをコピーする必要があり、履歴データがなく、コピーに長い時間がかかります。そうしないと、データがトレーニングに十分ではありません)。モデル）、収集されたデータはダーティとしてマークされます（経験が浅いため、基本的に法的なラベル付けルールがなく、データがダーティであるため、現場の作業者にラベル付けを依頼する必要がある場合があります）。
データを収集するためのすべての大変な作業の後、トレーニング モデルは非常にスムーズに進み、トレーニングするための resnet/bert を見つけました。精度は 95% でした。次に、あなたは興奮して当事者 A に報告します。すると、当事者 A は、グラフィックス カードを搭載したマシンはなく、古い CPU サーバーしかないと言い、モデルを試しにそのマシンにデプロイしてほしいと依頼しました。さて、モデルを圧縮しましょう。多くのチューニングを行った後、モデルは CPU サーバー上で十分に高速になりますが、精度は 90% にしか達しません。
ユーザーはそれを見て実現可能であると判断し、新しい要件を提示しました。プロジェクトはしばらくして報告されるでしょう。アルゴリズムの原理を州の専門家に説明してもらえますか。90% の精度はまだ低すぎます。 100% % が得られます。プロセスを変更する必要があるかもしれません。モデルは適応型である必要があります...
これは、多くのトップメーカーがディープラーニングアプリケーションを開発するために産業分野に深く踏み込むことに消極的である理由でもあります。さまざまな要因により、それができない（たとえば、プロジェクトの問題を抽象化できない）か、またはできるかのどちらかです。費用対効果が高すぎる（投資が必要）人員が多く、プロジェクト資金がまだ少ない、各工場のニーズが異なるため再利用できない）。