«Есть алгоритм, распознающий лицо на фото, а на лице — улыбку. Ваш алгоритм просто распознает круги на картинке, что в этом удивительного?». Этот вопрос задали разработчику Timbeter, компании, внедрившей цифровое решение для подсчета объема, диаметра, плотности круглого леса.

Эти «но» делают простой геометрический подход неприменимым, и вот где машинное обучение вступает в игру. Алгоритм машинного обучения «учится» также, как человеческий мозг, на основании увиденного. Программе показывают большие количества бревен и не-бревен, и она самостоятельно определяет характерные черты, присущие бревнам. Эти черты (паттерны) применяются для определения бревна на новой для программы картинке. Само машинное обучение и нейронные сети изначально вдохновлены строением человеческого мозга.

Искусственные нейронные сети делают то же самое, что и нейронные сети в головном мозге: нейроны обмениваются электрическими сигналами, декодируют их. Вместо нейронов тут биты информации, путешествующие от процессора к памяти. И, точно также, как в головном мозге, правила, по которым отсылаются сигналы, не запрограммированы, а усваиваются на примерах.

Большим шагом вперед стало использование Timbeter технологии обучения нейронных сетей, что позволяет задействовать меньше нейтронов. Как результат, телефон и планшет не виснет из-за трудоемких процессов. Это ускоряет процесс распознавания бревен на устройстве без потери точности.

Детектор разрабатывался и самоулучшался на фотографиях бревен в течение 4 лет. Timbeter продолжает работать над улучшениями и внедряет их по мере готовности.

Источник: www.timbeter.com