Tốc độ quét thường là tiêu chí lựa chọn đầu tiên khi mua máy quét laser 3D. Nguyên nhân là do nó đóng vai trò cực kỳ thiết yếu đối với các thao tác tiêu tốn nhiều thời gian, chẳng hạn như kiểm tra chất lượng (QC) trên các loạt chi tiết sản xuất hàng loạt. Điều này đặc biệt đúng khi các chi tiết có diện tích bề mặt cần quét lớn, đòi hỏi người dùng phải thực hiện nhiều đường quét. Vì vậy, trong nhiều trường hợp, thời gian làm việc và năng suất tỷ lệ thuận trực tiếp với tốc độ quét.
Vậy máy quét 3D thực chất làm cái gì? Đừng hiểu nó như cái máy chụp ảnh. Hãy coi nó là một chiếc 'Camera ăn cắp không gian'! Thay vì chọc đầu dò đo từng điểm một, máy quét sẽ quăng ra hàng lưới tia sáng chớp nhoáng lên bề mặt phôi. Chỗ nào lồi, lõm, rãnh hẹp hay cong tự do... đều bị nó bắt trọn tọa độ X-Y-Z ngay lập tức. Kết quả là chỉ trong vài phút, cục phôi ngoài đời thực bị 'bê' nguyên xi vào trong máy tính thành một mô hình 3D chuẩn xác đến từng Micromet.
Trong thế giới sản xuất hiện đại, sự đánh đổi giữa tốc độ và độ chính xác là "kẻ thù" của lợi nhuận. Thấu hiểu điều đó, V-Proud phối hợp cùng Renishaw mang đến giải pháp nâng cấp toàn diện cho hệ thống đo lường của bạn.
NVIDIA đã phát triển một cách tiếp cận mới để đào tạo các mô hình mạng đối xứng tạo sinh (generative adversarial networks - GANs). Phương pháp này yêu cầu lượng dữ liệu đầu vào ít hơn đáng kể so với các phương pháp phổ biến hiện nay. Trong khi chất lượng đào tạo vẫn được đảm bảo tuyệt đối.
Nếu bạn chưa biết thì GAN là hệ thống AI gồm 2 phần riêng biệt:
Công nghệ GAN
Các hệ thống GAN đã từng được áp dụng trong nhiều tác vụ chuyên sâu như chuyển đổi chú thích thành các câu chuyện theo từng bối cảnh, đặc biệt là tạo ra những bức ảnh, video nhân tạo với độ chân thực cực cao.
Về cơ bản, để có thể tạo ra các kết quả đáng tin cậy với sự nhất quán cao, các mô hình GAN truyền thống sẽ yêu cầu tối thiểu từ 50.000 đến 100.000 hình ảnh làm dữ liệu đào tạo đầu vào. Nếu lượng dữ liệu đào tạo quá ít, mô hình GAN có xu hướng gặp phải một vấn đề gọi là “overfitting”. Trong trường hợp này, Mạng phân biệt (Discriminative network) sẽ không có đủ cơ sở để huấn luyện cũng như tương tác với Mạng sinh (Generative network) một cách hiệu quả.
Trí tuệ nhân tạo đã có thể viết được hẳn một bài báo chỉ từ vài thông tin
Trước đây, phương pháp phổ biến mà các nhà nghiên cứu AI thường dùng để cố gắng giải quyết vấn đề thiếu dữ liệu đào tạo là sử dụng một kỹ thuật có tên gọi “tăng cường dữ liệu” (data augmentation). Sử dụng thuật toán hình ảnh làm ví dụ một lần nữa, trong trường hợp không có đủ dữ liệu đào tạo cần thiết, các chuyên gia sẽ cố gắng giải quyết vấn đề bằng cách tạo ra những bản sao "méo mó" của các hình ảnh có sẵn, chẳng hạn như cắt, xoay hoặc lật ảnh một hình ảnh gốc để tạo ra nhiều hình ảnh khác làm dữ liệu đào tạo bổ sung. Ý tưởng ở đây là không để mô hình GAN nhìn thấy cùng một hình ảnh chính xác hai lần.
Tuy nhiên, vấn đề với phương pháp này là có thể khiến GAN học được cách bắt chước sự thay đổi không tự nhiên của dữ liệu đào tạo, thay vì tạo ra một cái gì đó mới. Để giải quyết vấn đề, NVIDIA đã phát triển một phương pháp mới có tên gọi “Tăng cường Phân biệt Thích ứng (ADA). Trong đó cốt lõi vẫn là kỹ thuật tăng cường dữ liệu, nhưng triển khai theo cách thích ứng. Thay vì “bóp méo” bừa bãi hình ảnh trong toàn bộ quá trình đào tạo, ADA thực hiện quá trình này một cách chọn lọc và vừa đủ để GAN vẫn đạt hiệu suất tốt nhất.
Kết quả khả quan của phương pháp đào tạo ADA mang đến nhiều ý nghĩa quan trọng trong lĩnh vực trí tuệ nhân tạo. Bởi khâu thu thập đủ lượng dữ liệu đào tạo cần thiết nghe tưởng chừng đơn giản nhưng trên thực tế rất khó khăn. Chẳng hạn đối với một mô hình AI sáng tác văn học, bản sẽ không cần phải lo thiếu dữ liệu đào tạo đầu vào. Tuy nhiên trong trường hợp của một thuật toán AI chuyên phát hiện chứng rối loạn thần kinh hiếm gặp, chỉ riêng việc thu thập đủ dữ liệu đào tạo thôi đã là vấn đề lớn. Một mô hình GAN được đào tạo với cách tiếp cận ADA của NVIDIA có thể giải quyết vấn đề trên.
Nguồn: quantrimang.com
(84) 896 555 247
Tiếng Việt
English