4 sierpnia - Wizualna AI w produkcji

Dołącz do naszego wirtualnego spotkania, aby wysłuchać wystąpień ekspertów na temat nowoczesnych tematów znajdujących się na styku produkcji, AI, ML i widzenia komputerowego. Data, Czas i Miejsce 4 sierpnia 2026 r. 9:00 - 11:00 PST Online. Zarejestruj się na Zoom! Umożliwienie agentów multimodalnych na krawędzi Następna generacja agentów AI przechodzi od modeli opartych na chmurze tylko na tekst do interakcji z fizycznym multimodalnym światem w czasie rzeczywistym. Na przykład w dziedzinie widzenia agenci AI polegają na modelach językowo-wizualnych (VLM) jako ich rdzeniu. Jednak wdrożenie ogromnych VLM z miliardami parametrów na urządzeniach brzegowych wciąż stanowi znaczne wyzwanie inżynieryjne. Opierając się na naszych niedawnych badaniach opublikowanych na ICML i CVPR, ta sesja bada postęp w optymalizacji modeli agentów, w szczególności w jaki sposób destylacja i przycinanie przekształcają „ciężkie” modele w lekkie, gotowe do użycia na krawędzi silniki. Na koniec zaprezentuję naszego agenta UI działającego na rzeczywistym telefonie, który jest opracowywany przez zespół naszego laboratorium. O prelegencie Denis Gudovskiy jest wybitnym inżynierem AI w Panasonic North America, gdzie prowadzi działania R&D związane z różnymi podstawowymi metodami AI, w tym multimodalnymi i wydajnymi agentami sprzętowymi, nadzorowanymi i RL procesami szkoleniowymi oraz odpornością na scenariusze poza rozkładem. Kiedy kamera nie może być ufna: Wizualna AI świadoma zdrowia dla wiarygodnego wykrywania bliskich zdarzeń Systemy wykrywania bliskich zdarzeń są często oceniane, jak gdyby każda klatka z kamery była równie godna zaufania, mimo że rozmycie, słabe oświetlenie, zasłonięcia, zanieczyszczenia i zmieniające się oświetlenie mogą po cichu pogarszać wizualne dowody używane do podejmowania decyzji o bezpieczeństwie. To wystąpienie przedstawia internetowy framework zdrowia kamery, który ocenia wiarygodność wizualną, zanim wydajność postrzegania dalej się pogorszy. Omówię, jak sygnały zdrowia kamery mogą wspierać ocenę świadomą warunków, priorytetować przegląd przez ludzi, redukować niewiarygodne alerty i uruchamiać odpowiednie zachowanie alternatywne. Opierając się na badaniach związanych z wizją krytyczną dla bezpieczeństwa, wykład pokaże, jak zasady te mogą być dostosowane do przemysłowych systemów wideo działających w różnych kamerach, zmianach, układach i warunkach otoczenia. Prezentacja połączy także monitorowanie zdrowia kamery z odnajdywaniem rzadkich zdarzeń i poprawą zestawu danych napędzaną przez awarie dla bardziej wiarygodnego wykrywania bliskich zdarzeń. O prelegencie Shiva Aher jest badaczem z zakresu widzenia komputerowego z tłem w naukach komputerowych z Georgia Institute of Technology, specjalizującym się w sztucznej inteligencji. Zastosowania agentów VLM w produkcji Modele językowo-wizualne (VLM) wprowadzają zupełnie nową funkcjonalność do zadań wizualnych w produkcji, której tradycyjne modele widzenia komputerowego po prostu nie oferują (np. wykrywanie z otwartym słownictwem, uczenie w kontekście). Mimo to, zoptymalizowane modele, takie jak YOLO, oferują poziom precyzji i odświeżania, którego dzisiejsze VLM mają trudności z osiągnięciem od razu po uruchomieniu. Dzięki agentowym uchwytom, które koordynują wywołania do VLM, możemy zacząć dostarczać podobną niezawodność w istotnych dla produkcji zadaniach (np. wykrywanie wielu klas, wielu przypadków), jednocześnie wspierając zupełnie nowe funkcje (np. multimodalne wyszukiwanie), które czynią VLM odmiennymi. W tym wykładzie przeprowadzimy przez projekt tych uchwytów, jak je efektywnie obsługiwać i jak przynoszą wartość w produkcji. O prelegencie Subraiz Ahmed jest członkiem personelu technicznego w Perceptron AI. Buduje infrastrukturę do obsługi nowoczesnych modeli wizji. Wcześniej był założycielem serii startupów.