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）小樣本學習技術。

據(jù)介紹，在當下比較熱的大模型技術中一項非常重要的技術，就是小樣本學習技術（few-shot learning）。在小樣本技術領域，聯(lián)想研究院人工智能實驗室已經(jīng)深耕多年，形成了完整的小樣本終身學習框架。該框架以計算機視覺為主，主要聚焦解決智能制造領域中的樣本數(shù)據(jù)少、模型訓練難、場景適配慢的問題。

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

不過，最大的瓶頸還是算法模型的構建。利用傳統(tǒng)的AI技術，一個產(chǎn)品表面檢測模型的構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注，通常需要3000或上萬張產(chǎn)品圖片。

然而，現(xiàn)實工廠中大多數(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)月甚至一年的時間。同時，在這種條件下訓練出來的模型還要進行長達幾個月的驗證。更復雜的是，這種模型難以適應新場景的變化，當切換新產(chǎn)線時，還要進行數(shù)據(jù)的重新采集和訓練。總體來說，傳統(tǒng)AI技術存在樣本獲取難、訓練周期長、場景泛化弱的問題。

聯(lián)想自主研發(fā)的Edge AI小樣本終身學習技術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習技術不依賴大量的缺陷樣本，只需要幾十個好的產(chǎn)品即可訓練模型；另一方面，模型訓練周期非常短，通常一個場景任務的訓練時間只有幾個小時。

聯(lián)想研究院人工智能實驗室聯(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)想算法團隊賦予的工業(yè)質(zhì)檢知識發(fā)現(xiàn)新的缺陷，并借助與質(zhì)檢專家的交互實現(xiàn)本地自學習、簽樣管理。模型通過不斷學習可以自我迭代，越用越好。”

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

“聯(lián)想邊緣大腦Edge AI的使命是讓AI在中國工業(yè)中得到進一步的普及，讓普通質(zhì)檢工人就可以訓練工業(yè)質(zhì)檢模型，降低AI在制造業(yè)的應用門檻。”他說。（靜靜）