Tổng quan
Mất bộ ba dạy mạng lưới thần kinh đặt các mục tương tự gần nhau và các mục khác nhau cách xa nhau trong một không gian nhúng. Đó là nền tảng đằng sau các hệ thống nhận dạng khuôn mặt, tìm kiếm hình ảnh và đề xuất cần so sánh mọi thứ thay vì chỉ phân loại chúng.
Mất bộ ba và Học số liệu nằm trong bộ công cụ AI cốt lõi. Khi bạn hiểu nó, các chủ đề AI khác sẽ trở nên dễ dàng hơn để đánh giá và so sánh.
Lặn sâu
Học số liệu đào tạo một mô hình để tạo ra các vectơ nhúng trong đó khoảng cách phản ánh sự tương đồng. Mất bộ ba thực hiện điều này bằng cách sử dụng ba đầu vào cùng một lúc: một điểm neo, một điểm dương (cùng loại với điểm neo) và một điểm âm (khác lớp). Mục tiêu đẩy mỏ neo đến gần điểm tích cực hơn điểm tiêu cực ít nhất một khoảng cố định. Về mặt hình thức, tổn thất là max(0, d(a,p) - d(a,n) + lề), trong đó d thường là khoảng cách Euclide. FaceNet năm 2015 của Google đã phổ biến phương pháp này, học trực tiếp cách nhúng khuôn mặt 128 chiều. Sau khi được đào tạo, bạn so sánh hai mục bất kỳ bằng cách tính toán khoảng cách, không cần đào tạo lại cho danh tính mới. Khả năng thiết lập mở này là lý do tại sao việc phân loại nhiệm vụ truy xuất và xác minh khả năng học số liệu không thể dễ dàng xử lý.
Hiểu biết kỹ thuật
Tỷ lệ ký quỹ là yếu tố giúp cho việc thua lỗ gấp ba lần có hiệu quả. Nếu không có nó, mô hình có thể thu gọn tất cả các phần nhúng vào một điểm một cách tầm thường, khiến mọi khoảng cách bằng 0 và thứ tự trở nên vô nghĩa. Biên độ buộc một bộ đệm: số âm ít nhất phải xa hơn số dương trước khi mức lỗ bằng 0. Việc nhúng thường được chuẩn hóa L2 trên một siêu cầu đơn vị, do đó khoảng cách vẫn bị giới hạn và có thể so sánh được. Việc chọn lề (thường khoảng 0,2) sẽ đánh đổi mức độ phân cụm chặt chẽ giữa các lớp với sự phân tách giữa chúng.
Nắm vững việc mất ba lần và học số liệu
Mất bộ ba dạy mạng lưới thần kinh đặt các mục tương tự gần nhau và các mục khác nhau cách xa nhau trong một không gian nhúng. Đó là nền tảng đằng sau các hệ thống nhận dạng khuôn mặt, tìm kiếm hình ảnh và đề xuất cần so sánh mọi thứ thay vì chỉ phân loại chúng. Mất bộ ba và Học số liệu nằm trong bộ công cụ AI cốt lõi. Khi bạn hiểu nó, các chủ đề AI khác sẽ trở nên dễ dàng hơn để đánh giá và so sánh. Để xây dựng sự hiểu biết sâu sắc, hãy coi Tổn thất bộ ba và Học theo số liệu như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Triplet Loss và Metric Learning trước tiên sẽ xây dựng các mô hình khái niệm mạnh mẽ, sau đó ánh xạ các mô hình đó tới các giới hạn sản xuất thực tế. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị. Đồng thời, các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Xác minh khuôn mặt kiểu FaceNet: điện thoại và cổng hộ chiếu xác nhận danh tính bằng cách kiểm tra xem hai lần nhúng khuôn mặt có nằm trong ngưỡng khoảng cách hay không.
Tìm kiếm sản phẩm trực quan: các trang web thương mại điện tử cho phép người mua hàng tải ảnh lên và truy xuất các mặt hàng tương tự về mặt hình ảnh bằng cách tra cứu nhúng hàng xóm gần nhất.
Xác minh người nói: trợ lý giọng nói nhúng mẫu giọng nói và so sánh nó với hồ sơ đã đăng ký để xác nhận ai đang nói.
Xác minh chữ ký và chữ viết tay: ngân hàng nhúng chữ ký tham chiếu và truy vấn cũng như giả mạo cờ khi khoảng cách vượt quá giới hạn đã học.
Các mẫu triển khai
Mất ba lần và học số liệu trong thực tế
Xác minh khuôn mặt kiểu FaceNet: điện thoại và cổng hộ chiếu xác nhận danh tính bằng cách kiểm tra xem hai lần nhúng khuôn mặt có nằm trong ngưỡng khoảng cách hay không.
Xác minh khuôn mặt kiểu FaceNet: điện thoại và cổng hộ chiếu xác nhận danh tính bằng cách kiểm tra xem hai khuôn mặt có nằm trong ngưỡng khoảng cách hay không. Các nhóm thường đạt được kết quả tốt hơn khi xác định trước ngưỡng chất lượng, theo dõi lộ trình của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Mất ba lần và học số liệu trong thực tế
Tìm kiếm sản phẩm trực quan: các trang web thương mại điện tử cho phép người mua hàng tải ảnh lên và truy xuất các mặt hàng tương tự về mặt hình ảnh bằng cách tra cứu nhúng hàng xóm gần nhất.
Tìm kiếm sản phẩm trực quan: các trang web thương mại điện tử cho phép người mua hàng tải lên một bức ảnh và truy xuất các mặt hàng tương tự về mặt hình ảnh bằng cách tra cứu nhúng lân cận gần nhất. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Mất ba lần và học số liệu trong thực tế
Xác minh người nói: trợ lý giọng nói nhúng mẫu giọng nói và so sánh nó với hồ sơ đã đăng ký để xác nhận ai đang nói.
Xác minh người nói: trợ lý giọng nói nhúng mẫu giọng nói và so sánh với hồ sơ đã đăng ký để xác nhận ai đang nói. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Mất ba lần và học số liệu trong thực tế
Xác minh chữ ký và chữ viết tay: ngân hàng nhúng chữ ký tham chiếu và truy vấn cũng như giả mạo cờ khi khoảng cách vượt quá giới hạn đã học.
Xác minh chữ ký và chữ viết tay: ngân hàng nhúng chữ ký tham chiếu và truy vấn cũng như giả mạo cờ khi khoảng cách vượt quá giới hạn đã học Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.
Lộ trình thực hiện
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Ghi lại nơi hỗ trợ Mất ba lần và Học số liệu cũng như nơi các phương pháp đơn giản hơn sẽ tốt hơn.
Ghi lại nơi hỗ trợ Mất ba lần và Học số liệu cũng như nơi các phương pháp đơn giản hơn sẽ tốt hơn. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.