Armhanq.com ՀԱՅԱՍՏԱՆԻ ՀԱՆՔԱԳՈՐԾՆԵՐԻ ԵՎ ՄԵՏԱԼՈՒՐԳՆԵՐԻ ՄԻՈՒԹՅԱՆ
Ապագայի խանութներում, ամենայն հավանականությամբ, ապրանք կշռող աշխատակիցների կարիք չի լինի։ Սկոլկովոյի գիտատեխնիկական ինստիտուտի և այլ կազմակերպությունների հետազոտողների թիմը ներկայացրել է արհեստական բանականության միջոցով կշեռքի վրա ապրանքները ճանաչելու մեթոդ:
IEEE Access ամսագրում հրապարակված հետաքրքիր հետազոտությունը կարող է իսկական հեղափոխական փոփոխություն մտցնել խանութների աշխատանքի և ինքնասպասարկման ոլորտում: Նրանց նոր մշակումը, որը հայտնի է որպես PseudoAugment, խոստանում է հեշտացնել և արագացնել նեյրոնային ցանցերի ուսուցումը, հատկապես, երբ խանութն նոր տեսակի ապրանքներ ստանալիս լինի:
Խանութներում ապրանքների ճշգրիտ ճանաչման խնդիրն այսօր բավականին արդիական է։ Մրգերի կամ բանջարեղենի միմյանց նման տեսակների տարբերակումը կարող է դժվար լինել, և նոր տեսակի ապրանքների ի հայտ գալը միայն խորացնում է խնդիրը: Երբ ապրանքների տեսականին համալարվում է նոր ապրանքներով, համակարգչային տեսողության ավանդական համակարգերը պահանջում են վերապատրաստում, ինչը շատ ժամանակ և ջանք է պահանջում, քանի որ մեծ քանակությամբ տվյալներ պետք է հավաքվեն և մակնշվեն:
PseudoAugment-ի մոտեցումը հնարավորություն է տալիս այնպես կարգավորել նեյրոնային ցանցերը, որպեսզի դրանք կարողանան աշխատել նոր դասի ապրանքների հետ առանց տվյալների հավաքագրման և մակնշման երկարատև գործընթացի: Մեթոդի էությունն այն է, որ դրան վարժեցնելու համար բավարար է ընդամենը օգտագործել նոր արտադրանքի մի քանի լուսանկար։ Այնուհետև ալգորիթմը դուրս է հանում այդ լուսանկարների օբյեկտները՝ դրանք լրացնելով սինթեզված պատկերներով: Սա թույլ է տալիս զգալիորեն արագացնել սովորելու և նոր ապրանքները ճանաչելու գործընթացը:
Ըստ մշակողների, ավանդական ուսուցման մեթոդների համեմատ այս մեթոդը նվազագույնի է հասցնում ճանաչման գործընթացի որակի անկումը, երբ ավելացվում են ապրանքների նոր դասեր: Շատ նոր դասերի ներդրման դեպքում որակի կորուստը դեռ հնարավոր է, բայց կարևոր է այն, որ համակարգը կարող է ուսուցանվել ընդամենը մի քանի շաբաթը մեկ անգամ: Սա նշանակում է, որ նոր տեխնոլոգիան արագ կհարմարվի խանութներում նոր ապրանքների հայտնվելուն։
Հավելյալ ուսուցման գործընթացը, որը հայտնի է որպես պատկերի մեծացում (augmentation), արհեստական բանականության աշխարհում դառնում է կարևոր բաղադրիչ։ Այն ներառում է առկա տվյալներին սինթետիկ տարրերի ավելացում և դրանց փոխակերպում, օրինակ՝ պատկերների պտտումը, պայծառության փոփոխությունը և աղմուկի ավելացումը: Այս փոխակերպումները հարստացնում են տվյալների հավաքածուն, որի հետ աշխատում է մոդելը և այն ավելի հուսալի դարձնում:
Այս նորարարական մեթոդի ստեղծողները կարծում են, որ այն կարևոր ներդրում է ունենում տվյալների կենտրոնացված մոտեցման զարգացման գործում։ Բացի խանութներից, մեթոդը կարող է հաջողությամբ կիրառվել միատարր առարկաների ճանաչման համակարգերի պատրաստման համար, ինչպիսիք են սերմերը կամ կոշտ կենցաղային աղբը հոսքագծերի վրա:
