Rendered.ai presenta Platform as a Service per la creazione di dati sintetici per l'addestramento di modelli di intelligenza artificiale
Poiché sempre più organizzazioni si rivolgono ai dati sintetici per alimentare i loro algoritmi di apprendimento automatico affamati di dati, Rendered.ai vuole aiutare.
Poiché l'avvento dell'apprendimento automatico continua a sconvolgere una serie di settori, una delle cose che sta diventando sempre più chiara è che l'apprendimento automatico ha bisogno di molti dati di alta qualità per funzionare bene.
Secondo i risultati di un sondaggio pubblicato di recente, il 99% degli intervistati ha riferito di aver avuto un progetto di ML completamente annullato a causa di dati di formazione insufficienti e il 100% degli intervistati ha riferito di aver riscontrato ritardi nel progetto a causa di dati di formazione insufficienti.
L'utilizzo di dati sintetici è un approccio per aggirare i problemi associati all'ottenimento e all'utilizzo di dati di alta qualità dal mondo reale. Oggi Rendered.ai ha annunciato la disponibilità della sua offerta Platform as a Service per gli ingegneri dei dati sintetici e gli scienziati della visione artificiale.
Rendered.ai pubblicizza la sua piattaforma come la prima del suo genere e uno stack completo per i dati sintetici che include un ambiente di sviluppo, un sistema di gestione dei contenuti, la creazione di scenari, l'orchestrazione del calcolo, gli strumenti di post-elaborazione e altro ancora.
Abbiamo incontrato il fondatore e CEO di Rendered.ai Nathan Kundtz per saperne di più sui casi d'uso che la piattaforma può servire e su come funziona sotto il cofano.
I dati di qualità per i modelli di intelligenza artificiale sono difficili da ottenere e costosi
Kundtz, fisico di formazione, ha conseguito un dottorato di ricerca presso la Duke University. Ha anche precedenti esperienze di startup, avendo fondato e ceduto con successo Kymeta. Kymeta è uno sviluppatore di reti ibride satellitari-cellulari e Kundtz continuava a sentire parlare delle sfide che le persone nel settore satellitare stavano affrontando con i dati.
Ha espresso i suoi pensieri su come affrontare queste sfide in un whitepaper, che ha condiviso con alcune persone. Alcune di queste persone hanno deciso di lavorare con lui, cercando di costruire strumenti che potessero aiutare le persone nell'industria satellitare, in particolare nel telerilevamento. Ciò ha portato all'avvio di Rendered.ai nel 2019.
Kundtz si riferiva al telerilevamento come a immagini di "città in costruzione, modelli di vita, colture, silvicoltura, ecc. dallo spazio". Questo rientra esattamente nella categoria dei dati visivi non strutturati. Ma non è tutto ciò che Rendered.ai può produrre.
I dati visivi possono riferirsi al tipo di immagini che provengono dalle telecamere, ma possono anche riferirsi a cose come i raggi X. Rendered.ai anche radar e molte altre diverse modalità di rilevamento che possono essere tradotte utilizzando strumenti di visione artificiale. La piattaforma può essere utilizzata anche per dati non visivi, come dati tabulari, dati audio o dati video.
Kundtz ha evidenziato un caso d'uso in cui Orbital Insight ha collaborato con Rendered.ai nell'ambito di una sovvenzione per la ricerca sull'innovazione delle piccole imprese della National Geospatial-Intelligence Agency. Orbital Insight ha dimostrato risultati migliori per le prestazioni di rilevamento degli oggetti attraverso l'uso di dati sintetici.
Rendered.ai li ha aiutati a modificare le immagini sintetiche, in modo che il modello di intelligenza artificiale addestrato possa generalizzarsi alle immagini reali. Hanno anche aiutato a utilizzare la combinazione di un ampio set di immagini sintetiche e di un piccolo set di esempi reali in modo efficiente per addestrare congiuntamente un modello.
Come ha osservato Kundtz, per rendere le immagini rilevanti per la visione artificiale, ci vuole molto di più delle immagini stesse. Le immagini devono essere annotate, per etichettare correttamente gli elementi raffigurati che devono essere identificati dai modelli di intelligenza artificiale.
Annotare una striscia di 200 chilometri in fotogrammetria RGB può costare fino a $65.000, ha detto Kundtz. E questo non include necessariamente tutti gli oggetti che le persone che sponsorizzano l'annotazione vorrebbero addestrare i modelli di intelligenza artificiale a identificare. L'idea alla base dei dati sintetici è quella di generare dati che siano abbastanza realistici, ma allo stesso tempo siano garantiti per includere tutto ciò che il modello di intelligenza artificiale deve apprendere e viene fornito pre-annotato, riducendo così i costi.
Approssimare il mondo reale
Rendered.ai applica quello che definisce un approccio basato sulla fisica. Ciò significa in pratica, come ha spiegato Kundtz, che applicano simulazioni basate sulla fisica per approssimare il comportamento del mondo reale abbastanza bene da generare dati utili. Esistono altri modi per generare dati sintetici, ma Kundtz ritiene che nessuno di essi funzioni altrettanto bene.
Le GAN (Generative Adversarial Networks) sono un metodo comune utilizzato per generare dati sintetici. In sostanza, forniamo molte immagini e poi insegniamo a un algoritmo a fare di più simile a ciò che abbiamo già, come ha detto Kundtz. Il problema con le GAN, ha proseguito aggiungendo, è che non si introducono nuove informazioni. Produci di ciò che hai già.
Un altro metodo per produrre dati sintetici è l'utilizzo di motori di videogiochi. C'è molta fisica in questo, e anche Rendered.ai li usa, ha ammesso Kundtz, ma è piuttosto ristretto nella portata. Ritiene che questo approccio non si presti all'ampia gamma di casi d'uso per i quali le persone hanno bisogno di dati sintetici. Inoltre, i motori di gioco non sono al punto da essere indistinguibili dalla realtà, e a volte questo può avere un effetto importante sugli algoritmi.
Ciò che Rendered.ai ha fatto, ha detto Kundtz, è rendere la sua piattaforma estendibile a un'ampia varietà di diversi tipi di simulazione, e quindi costruire partnership con le aziende che hanno una profonda esperienza in quelle aree. Non solo lavorare con i codici dei motori dei videogiochi, ma incorporare una profonda conoscenza della fisica.
I dati sintetici possono essere utili per alimentare gli algoritmi di apprendimento automatico. Immagine: Rendered.ai
In ogni caso, non si tratta di simulare il mondo reale, ma piuttosto di simulare la mesh che si può creare del mondo reale. Per definizione, la simulazione non catturerà il 100% della fedeltà del mondo reale. Ciò significa che è necessario fare due cose, ha osservato Kundtz.
Il primo è quello di superare le lacune rispetto alla realtà, per evitare di introdurre artefatti che possano confondere i modelli di AI. Il secondo è quello di applicare effetti di post-elaborazione, per aiutare a superare la cosiddetta uncanny valley e migliorare il realismo.
La piattaforma di Rendered.ai ha due componenti principali: un framework per sviluppatori e un ambiente di biblioteconomia per l'orchestrazione del computer. "Tutto ciò che puoi scrivere con Python, puoi inserirlo in quel framework per sviluppatori", come ha detto Kundtz. C'è anche un livello visivo, un ambiente no-code come lo Rendered.ai chiama, che consente alle persone di generare flussi di lavoro senza digitare manualmente tutto.
Ma il cuore dell'approccio risiede in quello che Rendered.ai chiama "il grafico". Questo è un modo visivo per definire diversi tipi di oggetti, le loro proprietà e interdipendenze:
"Il grafo non definisce solo un dato, un'immagine o una tabella, ma un approccio stocastico alla loro generazione. Quindi è possibile utilizzare quel grafico per generare continuamente dati aggiuntivi all'interno di un dominio", ha detto Kundtz.
In questo contesto, Rendered.ai definisce i ruoli dell'ingegnere dei dati sintetici e dell'ingegnere della visione artificiale. L'ingegnere dei dati sintetici è la persona che scrive script che definiscono ciò che sarà possibile da diversi grafici. L'ingegnere della visione artificiale acquisisce grafici e determina quali sono le cose che desidera vedere in un particolare set di dati.
Piattaforma collaborativa, elaborazione inclusa
Kundtz ha anche elaborato il processo e gli strumenti utilizzati per introdurre una certa quantità di casualità dove necessario. Questo può essere utile per garantire che i dati riflettano il mondo reale e anche per generare casi limite e testare diversi scenari.
Rendered.ai afferma che parte dell'innovazione introdotta dalla sua piattaforma è proprio la definizione di questi diversi ruoli nel processo, insieme all'infrastruttura di collaborazione per supportarli. La maggior parte degli strumenti di simulazione e di modellazione 3D e degli strumenti di gioco sono costruiti attorno a un singolo utente, ma i dati sintetici sono fondamentalmente multidisciplinari, ha detto Kundtz.
Il processo di onboarding per Rendered.ai in genere inizia dal codice esistente, che viene quindi modificato per adattarsi alle esigenze di ciascun cliente. Kundtz ha riconosciuto che è ancora presto per i dati sintetici, quindi educare i clienti e aiutarli a sperimentare è parte integrante della missione di Rendered.ai.
Ciò che aiuta in questo senso è il fatto che ottenere un piano Developer o Professional, rispettivamente per $500/mese e $5000/mese, viene fornito in bundle con l'elaborazione su AWS. Sebbene esistano alcune restrizioni nelle istanze, l'idea è quella di consentire agli utenti di eseguire gli esperimenti di cui hanno bisogno senza preoccuparsi troppo della fattura AWS. È disponibile anche un livello gratuito per testare la piattaforma.
Rendered.ai, che ha ricevuto 6 milioni di dollari di finanziamenti iniziali nel 2021, ha già rilasciato un'applicazione open source e i relativi contenuti per aiutare gli utenti a integrare gli utenti nella sua piattaforma. Kundtz ha detto che rilasceranno ulteriori applicazioni e contenuti open source per più domini, nel tentativo di coinvolgere più utenti.
"Possiamo fare molto per aiutare le persone in questo settore. E penso che questo sia uno dei problemi più importanti che l'IA deve affrontare, se non il problema più importante. Quindi sono entusiasta di poter dare una mano", ha concluso.
Nota: l'articolo è stato aggiornato il 4 febbraio 2022 per correggere Rendered.ai data del round di finanziamento e i nomi dei loro livelli di sottoscrizione, precedentemente riportati erroneamente.