6月29日消息，聯(lián)想首次在2023 MWC上海上展示了聯(lián)想邊緣大腦（Edge AI）小樣本學(xué)習(xí)技術(shù)。

據(jù)介紹，在當(dāng)下比較熱的大模型技術(shù)中一項(xiàng)非常重要的技術(shù)，就是小樣本學(xué)習(xí)技術(shù)（few-shot learning）。在小樣本技術(shù)領(lǐng)域，聯(lián)想研究院人工智能實(shí)驗(yàn)室已經(jīng)深耕多年，形成了完整的小樣本終身學(xué)習(xí)框架。該框架以計(jì)算機(jī)視覺為主，主要聚焦解決智能制造領(lǐng)域中的樣本數(shù)據(jù)少、模型訓(xùn)練難、場(chǎng)景適配慢的問題。

以工廠產(chǎn)品檢測(cè)為例，很多情況下非常依賴人眼進(jìn)行檢測(cè)，很容易因疲勞發(fā)生漏檢等情況，與此同時(shí)，人眼的感光范圍在人眼的感光范圍在400nm-700nm范圍內(nèi)，對(duì)于范圍之外的質(zhì)量問題很難檢測(cè)。AI技術(shù)對(duì)于所有可見光范圍都可檢測(cè)，因此越來越多的工廠開始使用人工智能算法來進(jìn)行產(chǎn)品質(zhì)檢。

不過，最大的瓶頸還是算法模型的構(gòu)建。利用傳統(tǒng)的AI技術(shù)，一個(gè)產(chǎn)品表面檢測(cè)模型的構(gòu)建需要大量樣本支撐，每種可能存在的缺陷都要分別采集并標(biāo)注，通常需要3000或上萬張產(chǎn)品圖片。

然而，現(xiàn)實(shí)工廠中大多數(shù)產(chǎn)品都是正常樣本，積累并采集帶有各種缺陷的樣本通常需要數(shù)月甚至一年的時(shí)間。同時(shí)，在這種條件下訓(xùn)練出來的模型還要進(jìn)行長(zhǎng)達(dá)幾個(gè)月的驗(yàn)證。更復(fù)雜的是，這種模型難以適應(yīng)新場(chǎng)景的變化，當(dāng)切換新產(chǎn)線時(shí)，還要進(jìn)行數(shù)據(jù)的重新采集和訓(xùn)練。總體來說，傳統(tǒng)AI技術(shù)存在樣本獲取難、訓(xùn)練周期長(zhǎng)、場(chǎng)景泛化弱的問題。

聯(lián)想自主研發(fā)的Edge AI小樣本終身學(xué)習(xí)技術(shù)可以非常好地解決這一難題。一方面，聯(lián)想邊緣大腦小樣本終身學(xué)習(xí)技術(shù)不依賴大量的缺陷樣本，只需要幾十個(gè)好的產(chǎn)品即可訓(xùn)練模型；另一方面，模型訓(xùn)練周期非常短，通常一個(gè)場(chǎng)景任務(wù)的訓(xùn)練時(shí)間只有幾個(gè)小時(shí)。

聯(lián)想研究院人工智能實(shí)驗(yàn)室聯(lián)想大腦研發(fā)總監(jiān)虞文明介紹說，“我們能夠充分利用聯(lián)想算法團(tuán)隊(duì)賦予的工業(yè)質(zhì)檢知識(shí)發(fā)現(xiàn)新的缺陷，并借助與質(zhì)檢專家的交互實(shí)現(xiàn)本地自學(xué)習(xí)、簽樣管理。模型通過不斷學(xué)習(xí)可以自我迭代，越用越好。”

據(jù)他介紹，聯(lián)想邊緣大腦中的小樣本訓(xùn)練系統(tǒng)已經(jīng)將小樣本技術(shù)產(chǎn)品化，可搭載在聯(lián)想工控機(jī)、工作站、服務(wù)器等硬件產(chǎn)品，并廣泛落地應(yīng)用在了包括新能源電池、軸承檢測(cè)、無紡布檢測(cè)、3C電子、藥品、家電等產(chǎn)品的缺陷檢測(cè)場(chǎng)景中。

“聯(lián)想邊緣大腦Edge AI的使命是讓AI在中國(guó)工業(yè)中得到進(jìn)一步的普及，讓普通質(zhì)檢工人就可以訓(xùn)練工業(yè)質(zhì)檢模型，降低AI在制造業(yè)的應(yīng)用門檻。”他說。（靜靜）