# 2D影像豬隻AI估重系統 ## 豬隻欄內日均重估算 陝X禮X豬場該欄日均重真實數據 圖上藍線為AI估重(kg)，紅線為真實秤重(kg)，直條圖為準確率 <img src="https://drive.google.com/thumbnail?id=1dFV0BR1o4KelX4H4cI9Llyhy8FSdnxiG&sz=w1000"> <img src="https://drive.google.com/thumbnail?id=12zOa0A_AAz57wncUp6n6pnRs3qToKsvg&sz=w1000"> --- 接手前人的專案後，做了以下的一些努力，也參雜了一些心得，跟大家分享~ ## AI應用要落地，貼近客戶為首要 先分享1個小故事 *某公司曾做影像式車輛偵測的產品，產品主管跟CEO報告時，講述了採用的物件偵測技術，CEO問：『為什麼我們要採用的技術mAP不是100%!』。* (mAP: 常常在學術上用來評估物件偵測技術效能的指標之一) 產品要落地，要鏈結的不一定是高標準的學術指標，而是客戶真正需要的東西。 以此AI豬隻估重為例，客戶是養殖豬農，跟客戶講我們AI估重的RMSE做到多小，偵測mAP多高，客戶很可能是聽不懂的，講述本系統可以多準、多穩定，可以帶來多大的方便性，可能才是客戶要的。 (RMSE: 常常用來評估數值模型準確度的指標之一) 商業模式、營銷運維...等，也很重要，暫且不表。 ## 往往最不起眼的，才是真功夫 前人離職，我接手這個專案時，第一時間並不是馬上投入演算法的精進，而是徹底建立如何從真實場域到研發辦公室的一套高效、高自動化的高品質資料流。 這些事不容易顯現價值，很難報告出豐功偉業，所以也是容易讓老闆忽略的地方。 ### 尋找真實場域、建立標準資料蒐集流程 資料蒐集就要花很多心思，展現軟實力，飼養現場人員不是關係企業就是客戶，總之不是完完全全的自己人，人家有自己的KPI，為什麼要配合?而且雙方所學不同、文化不同，如何步伐一致，這方面就下了很多工夫~簡單歸納3點如下，其餘點滴在心頭: * 深耕領域知識，請教養殖領域專家、將資料蒐集流程融入真實場域 * 協調飼養現場人員配合，讓現場操作越簡單越好 * 向上管理，讓老闆知道不願投入資源於資料蒐集，想做AI大都只是口號 ### 架設資料標註、治理系統 資源有限的情況下，善用各種開源系統建立自己的MLOps、達到對大程度的資料治理及自動化 * 紮紮實實的做**資料清理** ## 針對AI專案，企業在比的是資料蒐集能力 上述這句話來自TSMC，也是各業界成功開發AI專案的共識 ### 不同的題目有不同的資料蒐集難度 * 越niche的市場，通常代表資料獲取難度越高，但若能跨過這個門檻，AI產品會更有競爭力。若資料能在網路上輕易爬蟲找到，代表對手也能輕易超過你。 『蒐集資料，很難啦!』，若老闆還會說出以上的話，你也可以知道老闆的程度僅此而已~ 『不是有什麼few shot learning嗎!』、『AlphaGO不是不用資料的嗎?』，身為下屬也應該讓老闆有正確的認知，讓老闆能做出正確的決策~ ## 技術演算法 演算法為什麼最後講，因為沒有前面的東西，花再多時間修改算法都是徒勞無功。 技術包含 * 自開發**鏡頭校正流程**且導入生產，克服魚眼鏡頭扭曲失真現象 * **物件偵測、影像分割**進行前處理 * 採用多種**機器學習**及**特徵工程**來估算體重 --- ### 關於我 [Shawn Lee](http://hackmd.io/@TAIA/ShawnLee) --- # 回到 [Shawn Lee 's Note](https://hackmd.io/@TAIA/note_main)