Umělá inteligence pro průmyslové aplikace
| Typ studia | bakalářské |
|---|---|
| Jazyk výuky | angličtina |
| Kód | 450-2109/02 |
| Zkratka | UIPA |
| Název předmětu česky | Umělá inteligence pro průmyslové aplikace |
| Název předmětu anglicky | Artificial Intelligence for Industrial Applications |
| Kreditů | 4 |
| Garantující katedra | Katedra kybernetiky a biomedicínského inženýrství |
| Garant předmětu | Ing. Dominik Vilímek, Ph.D. |
Subject syllabus
Přednášky:
1. Úvod do AI v průmyslových aplikacích a životní cyklus projektu: Specifika nasazení AI v průmyslu vs. výzkumu. Verzování dat a kódu. Struktura projektu a reprodukovatelnost.
2. Daty řízená AI. Proč je kvalita dat důležitější než model. Techniky sběru, přípravy a anotace dat. Vyváženost datasetu a bias.
3. Základy strojového učení: Od statistiky k neuronovým sítím. Rozhodovací stromy, SVM a základy vyhodnocování klasifikátorů (Confusion Matrix, Precision/Recall).
4. Hluboké učení pro 1D signály: Zpracování časových řad. Autoenkodéry pro detekci anomálií (Unsupervised Learning). Spektrální analýza a extrakce příznaků.
5. Základy počítačového vidění (2D): Reprezentace obrazu. Předzpracování a význam augmentace dat pro generalizaci modelu. Tvorba trénovacích dávek (Batching).
6. Konvoluční neuronové sítě (CNN) a klasifikace: Architektury (ResNet, EfficientNet, U-Net). Princip konvoluce a pooling. Transfer Learning a Fine-tuning v praxi.
7. Sémantická segmentace a detekce objektů: Architektury U-Net a YOLO. Ztrátové funkce pro segmentaci (Dice Loss, IoU). Rozdíl mezi detekcí, instanční a sémantickou segmentací.
8. 3D Deep Learning a volumetrická data: Specifika 3D dat (Voxel vs. Point Cloud). Formáty dat. Framework pro 3D data.
9. Generativní AI a LLM v průmyslu: Architektura Transformer a Attention mechanismus. Možnosti lokálního běhu LLM (výhody a nevýhody). „Prompt Engineering“ pro automatizaci.
10. Validace a Inference: Metriky pro reálný provoz. Overfitting vs. Underfitting. Strategie pro vyhodnocení robustnosti modelu na neviděných datech.
11. Optimalizace neuronových sítí: Redukce výpočetní náročnosti. Kvantizace a Pruning (prořezávání). Hardware-aware optimalizace (TensorRT).
12. MLOps a Kontejnerizace: Docker v kontextu ML. Správa závislostí. CI/CD principy pro automatické přetrénování a nasazení modelů.
13. Edge Computing: Specifika hardwaru (NVIDIA Jetson, FPGA). Energetická efektivita a latence. Architektura inferenční aplikace.Etika, legislativa a budoucnost AI: AI Act a regulace v EU. Odpovědnost za rozhodnutí AI. Trendy v průmyslové automatizaci.
Laboratoře:
1. Příprava prostředí. Příprava Git projektu pro verzování dat. Příprava základní pipeline. Práce s anotačními nástroji.
2. Příprava a předzpracování dat. Explorativní analýza dat. Metody čištění dat.
3. Metody strojového učení. Klasifikátory.
4. Trénování neuronových sítí na 1D datech. Extrakce příznaků. Architektury pro detekci anomálií.
5. Metody předzpracování 2D dat. Augmentace dat. Dataloadery. Anotace a práce s nimi.
6. Trénování architektur na 2D datech. Transfer Learning techniky. Architektury pro klasifikaci.
7. Trénování architektur na 2D datech. Architektury pro segmentaci. Binární a vícetřídní segmentace.
8. Příprava 3D dat. Normalizace dat, resampling, vizualizace řezů. Trénování nnU-Net architektury pro 3D segmentaci.
9. Nastavení a příprava lokálních LLM. Instalace, optimalizace běhu lokálních jazykových modelů. Integrace do Python skriptů.
10. Příprava robustní inferenční pipeline. Příprava dat. Vyhodnocení natrénovaným modelem. Zpracování výstupů.
11. Optimalizace modelů pro inferenci. Metody pro optimalizaci modelů. Prořezávání sítě. Využití a komparace pro jednotlivé akcelerátory.
12. Kontejnerizace aplikací. Využití MLOps metod. Nasazení kontejneru na různý Hardware.
13. Nasazení pipeline. Příprava pro produkci. Edge Computing. Konzultace projektů.
1. Úvod do AI v průmyslových aplikacích a životní cyklus projektu: Specifika nasazení AI v průmyslu vs. výzkumu. Verzování dat a kódu. Struktura projektu a reprodukovatelnost.
2. Daty řízená AI. Proč je kvalita dat důležitější než model. Techniky sběru, přípravy a anotace dat. Vyváženost datasetu a bias.
3. Základy strojového učení: Od statistiky k neuronovým sítím. Rozhodovací stromy, SVM a základy vyhodnocování klasifikátorů (Confusion Matrix, Precision/Recall).
4. Hluboké učení pro 1D signály: Zpracování časových řad. Autoenkodéry pro detekci anomálií (Unsupervised Learning). Spektrální analýza a extrakce příznaků.
5. Základy počítačového vidění (2D): Reprezentace obrazu. Předzpracování a význam augmentace dat pro generalizaci modelu. Tvorba trénovacích dávek (Batching).
6. Konvoluční neuronové sítě (CNN) a klasifikace: Architektury (ResNet, EfficientNet, U-Net). Princip konvoluce a pooling. Transfer Learning a Fine-tuning v praxi.
7. Sémantická segmentace a detekce objektů: Architektury U-Net a YOLO. Ztrátové funkce pro segmentaci (Dice Loss, IoU). Rozdíl mezi detekcí, instanční a sémantickou segmentací.
8. 3D Deep Learning a volumetrická data: Specifika 3D dat (Voxel vs. Point Cloud). Formáty dat. Framework pro 3D data.
9. Generativní AI a LLM v průmyslu: Architektura Transformer a Attention mechanismus. Možnosti lokálního běhu LLM (výhody a nevýhody). „Prompt Engineering“ pro automatizaci.
10. Validace a Inference: Metriky pro reálný provoz. Overfitting vs. Underfitting. Strategie pro vyhodnocení robustnosti modelu na neviděných datech.
11. Optimalizace neuronových sítí: Redukce výpočetní náročnosti. Kvantizace a Pruning (prořezávání). Hardware-aware optimalizace (TensorRT).
12. MLOps a Kontejnerizace: Docker v kontextu ML. Správa závislostí. CI/CD principy pro automatické přetrénování a nasazení modelů.
13. Edge Computing: Specifika hardwaru (NVIDIA Jetson, FPGA). Energetická efektivita a latence. Architektura inferenční aplikace.Etika, legislativa a budoucnost AI: AI Act a regulace v EU. Odpovědnost za rozhodnutí AI. Trendy v průmyslové automatizaci.
Laboratoře:
1. Příprava prostředí. Příprava Git projektu pro verzování dat. Příprava základní pipeline. Práce s anotačními nástroji.
2. Příprava a předzpracování dat. Explorativní analýza dat. Metody čištění dat.
3. Metody strojového učení. Klasifikátory.
4. Trénování neuronových sítí na 1D datech. Extrakce příznaků. Architektury pro detekci anomálií.
5. Metody předzpracování 2D dat. Augmentace dat. Dataloadery. Anotace a práce s nimi.
6. Trénování architektur na 2D datech. Transfer Learning techniky. Architektury pro klasifikaci.
7. Trénování architektur na 2D datech. Architektury pro segmentaci. Binární a vícetřídní segmentace.
8. Příprava 3D dat. Normalizace dat, resampling, vizualizace řezů. Trénování nnU-Net architektury pro 3D segmentaci.
9. Nastavení a příprava lokálních LLM. Instalace, optimalizace běhu lokálních jazykových modelů. Integrace do Python skriptů.
10. Příprava robustní inferenční pipeline. Příprava dat. Vyhodnocení natrénovaným modelem. Zpracování výstupů.
11. Optimalizace modelů pro inferenci. Metody pro optimalizaci modelů. Prořezávání sítě. Využití a komparace pro jednotlivé akcelerátory.
12. Kontejnerizace aplikací. Využití MLOps metod. Nasazení kontejneru na různý Hardware.
13. Nasazení pipeline. Příprava pro produkci. Edge Computing. Konzultace projektů.
E-learning
Materiály dostupné na LMS https://lms.vsb.cz/
Literature
[1] HENDL, Jan. Big data: Věda o datech – základy a aplikace. Praha: Grada, 2021. ISBN 978-80-271-3031-3.
[2] CHOLLET, François. Deep learning v jazyku Python - 2., rozšířené vydání: Knihovna Keras, TensorFlow. Grada, 2023. ISBN 978-80-271-5133-2.
[3] SZELISKI, Richard. Computer Vision: Algorithms and Applications. Druhé. Švýcarsko: Springer, 2022. ISBN 978-3-030-34372-9 .
[2] CHOLLET, François. Deep learning v jazyku Python - 2., rozšířené vydání: Knihovna Keras, TensorFlow. Grada, 2023. ISBN 978-80-271-5133-2.
[3] SZELISKI, Richard. Computer Vision: Algorithms and Applications. Druhé. Švýcarsko: Springer, 2022. ISBN 978-3-030-34372-9 .
Advised literature
[1] HUYEN, Chip. Designing machine learning systems: an iterative process for production-ready applications. Beijing: O'Reilly, 2022. ISBN 978-1098107963.
[2] KOUL, Anirudh; GANJU, Siddha a KASAM, Meher. Practical deep learning for cloud and mobile, and edge: real-world AI and computer-vision projects using Python, Keras, and TensorFlow. Sebastopol: O'Reilly, [2020]. ISBN 978-1492034865 .
[2] KOUL, Anirudh; GANJU, Siddha a KASAM, Meher. Practical deep learning for cloud and mobile, and edge: real-world AI and computer-vision projects using Python, Keras, and TensorFlow. Sebastopol: O'Reilly, [2020]. ISBN 978-1492034865 .