چه چیزی معرفی شد
AWS در یک پست وبلاگی، نمونه‌ای مرجع برای مدیریت چرخه عمر مدل‌های بینایی ماشین در ناوگانی از دوربین‌ها منتشر کرده است. به گفته نویسنده، در استقرارهای تولیدی که روی آن‌ها کار کرده‌اند، یک مدل واحد آموزش‌دیده روی تصاویر تجمیع‌شده برای بخشی از دوربین‌ها ضعیف عمل می‌کند و در نهایت هر دوربین مدل تنظیم‌شده خودش را می‌گیرد. چالش اصلی آموزش، ارزیابی، نسخه‌بندی و ارسال هزاران مدل بدون دخالت دستی برای هر مدل است.
این نمونه الگوی سری ۲۰۲۳ درباره MLOps برای بازرسی کیفیت بصری در لبه را برای SageMaker Python SDK نسخه ۳ به‌روز می‌کند و SageMaker Edge Manager را که منسوخ شده با SageMaker Neo جایگزین می‌کند.
طراحی پایپ‌لاین و دروازه‌های کیفیت
پایپ‌لاین آموزش برای هر دوربین پارامتری می‌شود و در هر اجرا ۱۳ گام دارد. دو شاخه وجود دارد: یک اتوانکودر کانولوشنی که با خطای بازسازی ناهنجاری را تشخیص می‌دهد و یک طبقه‌بند ResNet18 برای تأیید عیب. هر شاخه مدل را به ONNX صادر می‌کند، همان خروجی صادرشده را ارزیابی می‌کند، از دروازه کیفیت می‌گذراند، با Neo کامپایل می‌کند و سپس در Model Registry ثبت می‌کند.
دروازه شاخه ناهنجاری AUROC حداقل ۰٫۸ می‌خواهد. دروازه طبقه‌بند هم‌زمان دقت متوازن حداقل ۰٫۶ و بازیابی عیب حداقل ۰٫۵ می‌خواهد، چون در داده نمونه حدود ۹۰ درصد تصاویر سالم‌اند و دقت ساده گمراه‌کننده است. اگر یک شاخه رد شود، مدل آن ثبت نمی‌شود و ناوگان به مدل تأییدشده قبلی همان دوربین ادامه می‌دهد؛ شاخه دیگر مستقل ارزیابی می‌شود.
رجیستری و هماهنگی آموزش ناوگان
بسته‌های مدل با شناسه دوربین به‌عنوان فراداده در دو گروه مشترک ثبت می‌شوند و آموزش مجدد از آخرین مدل تأییدشده همان دوربین ادامه می‌یابد. نویسنده تأکید می‌کند این ورودی‌ها برای ساخت endpoint استنتاج نیستند، چون مرجع کانتینر آن‌ها تصویر آموزش است؛ هدف، تحویل artifact به دستگاه‌ها از طریق سامانه‌ای دیگر است.
برای کنترل بار، درخواست‌ها وارد صف SQS FIFO می‌شوند، Lambda برای هر درخواست یک اجرای Step Functions آغاز می‌کند و یک سمافور DynamoDB به‌صورت اتمیک سقف هم‌زمانی را اعمال می‌کند. سقف پیش‌فرض پنج اجرا است و قابل تنظیم است.
پیش‌نیازها و محدودیت‌ها
استقرار نیاز به حساب AWS با دسترسی ساخت نقش‌های IAM، باکت S3، مخزن ECR، Python نسخه ۳٫۱۰ تا ۳٫۱۲، Docker و AWS CDK CLI نسخه ۲٫۱۱۳۱٫۰ یا بالاتر دارد. به‌دلیل اعتبارسنجی نقش در زمان synthesis، استقرار دو مرحله‌ای است و نقش اجرایی باید ARN مشخص داشته باشد. هدف پیش‌فرض Neo پلتفرم LINUX/X86_64 است و دستگاه‌هایی مانند jetson_xavier یا rasp4b را می‌توان تنظیم کرد.
بر پایه ادعای نویسنده، اجرای کامل روی داده مصنوعی حدود ۱۵ دقیقه طول می‌کشد و حدود ۰٫۰۷ دلار زمان ml.m5.xlarge در us-east-2 (جولای ۲۰۲۶، on-demand) هزینه دارد. آزمون مستقل در این منبع ارائه نشده است. منبع درباره دسترسی در ایران یا یکپارچگی با نخود چیزی نمی‌گوید. نویسنده می‌گوید برای نیازهایی که گزینه‌های مدیریت‌شده مانند Amazon Lookout for Vision پوشش می‌دهند، آن‌ها مسیر ساده‌ترند.
پشت این نوشته
منابع و جزئیات
این خبر با کمک هوش مصنوعی نوشته شده و با بررسی خودکار منابع و متن منتشر شده است. تصویر، تصویرسازی مفهومی است.
این منابع را می‌توانی برای بررسی ادعاها و جزئیات بیشتر بخوانی. تاریخ کنار هر منبع، زمان بررسی آن برای این نوشته است.
- Fleet-wide computer vision lifecycle at the edge with SageMaker SDK v3aws.amazon.comبررسی:
نخستین انتشار:
روش تهیه و بازبینی نوشته‌ها