Beeldherkenning toepassen

Wat moet beeldherkenning jullie opleveren? Beschrijf dit zo concreet mogelijk.

Het mooie van beeldherkenning: het is een numbers game. Het trainen en testen van modellen gebeurt op basis van cijfers en scores. Dat maakt beeldherkenning een fijne technologie: de resultaten zijn meetbaar – en daarmee stuurbaar.

Werk daarom, voor je zelfs maar begint, eerst eens uit waarom je beeldherkenning zou willen inzetten. En probeer je doelstelling specifiek en meetbaar te maken. Voorbeelden van meetbare doelstellingen met beeldherkenning:

1. “Een onderzoeker moet 24 uur video gemiddeld in één uur kunnen analyseren.”
2. “We willen 50% minder tijd besteden aan het beoordelen van beeldmateriaal.”.
3. “We moeten de foutmarge op metingen terugbrengen naar maximaal 1 cm.”

Verzamel beeldmateriaal in alle ‘smaken’ die in de praktijk voorbij komen.

Een beeldherkenning algoritme leert te voorspellen door te kijken naar voorbeeld afbeeldingen. Tijdens dit zogenaamde deep learning trainingsproces krijgt het algoritme beelden gevoerd met daarbij de juiste categorieën of lokalisaties. Een veelgemaakte fout is het gebruik van eenzijdige beelden. Er worden dan bijvoorbeeld foto’s vanuit één camera gebruikt, of van één dag, of van één onderwerp. Dit vergroot de kans dat het model op verkeerde kenmerken gaat letten.

Voorbeeld: je traint een model voor het herkennen van lege of volle containers. Alle volle containers waren toevallig blauw. Je gebruikt je model daarna om een foto van een container te categoriseren. De container is leeg, maar ook blauw. De kans bestaat dat je model dit categoriseert als “volle container” – omdat het de kleur blauw heeft aangeleerd als onderscheidend kenmerk.

Gebruikte je een bredere beeldenset, met van iedere voorkomende kleur (min of meer) evenveel volle en lege containers, dan had het model de kleur genegeerd als onderscheidend kenmerk. En had het meer kans om de juiste kenmerken te vinden. Dit noemen we “generaliseren”: het model zal minder gericht zijn op kenmerken die er niet toe doen.

Zorg dat je altijd feedback ontvangt van een model in productie.

Iedereen maakt fouten… het gaat erom dat je ervan leert, nietwaar? Dit geldt ook voor beeldherkenning. Als het goed is gebruik je een brede, representatieve beeldenset. Toch zal het model fouten maken. Het is belangrijk om die gevallen te verzamelen. Het model kan namelijk goed leren van afbeeldingen waar het moeite mee had.

De foute afbeeldingen voeg je toe aan je beeldenset. Daarna wordt het model op-ieuw getraind. Dankzij de nieuw toegevoegde beelden kan het weer iets beter zoeken naar de onderscheidende kenmerken. En leert het iets beter te generaliseren.

Het resulterende nieuwe model gaat weer naar productie, waar het vervolgens minder fouten zal maken. Dit was één rondje door je feedback loop. Zorg dat je er veel maakt!

Zorg voor een iteratieve werkwijze die je model doorlopend verbetert.

Het is logisch dat veel aandacht uitgaat naar de prestaties van een model. Maar het tot stand brengen en automatiseren van je feedback loop is eigenlijk veel belangrijker. Waarom? Simpel: zelfs al kun je starten met een zeer sterk presterend model, de kans is groot dat het een keer minder gaat presteren.

Want de wereld verandert! Je beelden komen ineens ergens anders vandaan. Andere context, andere omgeving. Of hardware verandert. Minder kleuren, of juist meer. Scherper. Of waziger. Verandering is onvermijdelijk bij beeldherkenning, helemaal als je het op grote schaal (multi-device monitoring) toepast.

Daarom kun je maar beter klaar zijn om in te blijven spelen op veranderingen. Met een feedback loop en een iteratief trainingsproces ben je dat.

Wacht niet met het uitrollen van je beeldherkenning algoritme – gebruik het zo snel mogelijk.

Hoe eerder je model in productie ‘draait’, hoe beter. Je weet inmiddels het belang van de feedback loop en een iteratief proces. Het blijft echter aantrekkelijk om lekker door te bouwen aan dat eerste model… Misschien hoop je dat het zo goed wordt, dat je gewoon in één keer klaar bent.

Dat gaat helaas niet gebeuren. Sterker nog, als je blijft focussen op de prestaties van je eerste model, en te hoge eisen stelt, dan ga je misschien nooit de Proof of Concept voorbij. Blijf je lekker droogzwemmen. Zoals ~90% van alle A.I. projecten…

Precies daarom moet je zo snel mogelijk live. Pas dan word je gedwongen om de boel goed in te richten. Daar zal dan alsnog wel wat tijd overheen gaan. Maar je bouwt wel een model dat presteert in de echte wereld. Je bent klaar voor de praktijk: nieuwe omstandigheden en veranderende prestaties. En je behoort tot een select gezelschap dat het AI PoC stadium voorbij is.

Bepaal zo snel mogelijk de haalbaarheid en de kwaliteit van AI voor jouw situatie.

Begin je beeldherkenning project met een Prototype. Dit dwingt je namelijk om direct praktisch na te denken over je data. Welke data hebben we eigenlijk? En wat is de kwaliteit? Is de data representatief en breed genoeg (tip #2)?

Wij starten vrijwel alle projecten met een prototype. Elke situatie is weer anders, en het prototype is de snelste, goedkoopste en beste manier om vast te stellen of en hoe AI van waarde kan zijn in jouw specifieke situatie.