AWS Machine Learning Blog décrit une architecture de référence pour la vision par ordinateur sur les dispositifs périphériques, où chaque caméra correspond à un modèle distinct, et non pas un seul modèle pour l'ensemble du parc.
Selon la publication, l'architecture comprend l'entraînement, les vérifications de qualité, la compilation des modèles pour des caméras distinctes avec SageMaker Neo et la versioning de milliers de modèles. AWS Step Functions est utilisée pour réguler le rythme du réentraînement dans le cadre des quotas du compte.
La valeur pratique de l'approche réside dans la gestion d'un grand ensemble de modèles spécialisés. Cependant le matériel disponible représente des métadonnées et un synopsis de la publication, de sorte que les détails de mise en œuvre, les résultats de tests et les indicateurs réels de qualité ne sont pas confirmés.
commentaire éditorial
Pourquoi c’est important
La conséquence probable est une adaptation plus gérée de la vision par ordinateur aux différences entre les caméras, mais en même temps compliquant le contrôle des versions et le réentraînement. Le signal suivant — la divulgation de métriques de qualité et de procédures de déploiement. Le matériel ne permet pas d'évaluer avec certitude l'efficacité de l'approche dans les systèmes réels.