Livrez la Vision AI 10x plus vite

Une plateforme de vision par ordinateur est la couche logicielle qui mène une équipe des images ou vidéos brutes à un modèle qui fonctionne en production — et qui continue de fonctionner. Plutôt que de traiter l'annotation, l'entraînement et le déploiement comme des tâches séparées gérées par des outils séparés, une plateforme les relie entre eux : le dataset ayant servi à entraîner un modèle reste lié aux labels qui l'ont constitué, à l'expérience qui l'a produit, et à la version actuellement en production. Ce lien — la traçabilité des données (data lineage) — permet à une équipe de remonter d'une mauvaise prédiction jusqu'aux données d'entraînement qui l'ont causée, plutôt que de deviner.

La plupart des équipes de vision par ordinateur ne démarrent pas avec une plateforme. Elles démarrent avec un outil d'annotation, un tableur pour suivre les expériences, un bucket cloud pour les images, et un script de déploiement assemblé par la dernière personne qui s'en est occupée. Cela fonctionne pour un premier modèle. Cela ne tient plus dès qu'une équipe gère plusieurs modèles sur plusieurs cas d'usage : personne ne peut dire quelle version de dataset a entraîné quel modèle, réentraîner après une mise à jour des données signifie refaire du travail manuel, et découvrir qu'un modèle a dérivé en production dépend d'abord d'une réclamation client. Une plateforme existe pour supprimer cet assemblage manuel — un seul système à travers lequel circulent les données, les labels, les expériences et les modèles déployés, afin que l'équipe passe son temps à améliorer les modèles plutôt qu'à maintenir l'infrastructure entre eux.

En pratique, une plateforme de vision par ordinateur couvre cinq étapes : la gestion des données (stocker et organiser images et vidéos à grande échelle), l'annotation (étiqueter ces données, généralement avec une assistance IA pour accélérer le processus), l'entraînement (lancer et suivre les expériences pour que les résultats soient reproductibles), le déploiement (livrer un modèle sur le cloud, un appareil edge, ou une infrastructure on-premise), et le monitoring (surveiller la performance réelle d'un modèle déployé et détecter le drift avant qu'il ne cause des échecs). Certains outils couvrent bien une ou deux de ces étapes sans couvrir les autres. Picsellia est conçu pour couvrir nativement les cinq, avec une traçabilité partagée à travers chaque étape ci-dessous.