Synthetische Data Generator

Inleiding

Binnen de agrarische en de industriële sectoren vormt het gebrek aan arbeidskrachten een steeds groter probleem. De oplossing voor dit probleem wordt door de overheid, agrariërs, industriële bedrijven en andere stakeholders in toenemende mate gezocht in automatisering op basis van AI (denk aan geautomatiseerd oogsten, producten verenkelen, kwaliteitscontrole etc.).

Deze automatiseringsoplossingen op basis van AI hebben echter een grote uitdaging, namelijk dat een nauwkeurigheid tot wel 99,9% vereist is (dus bijvoorbeeld in het herkennen van rijpe vruchten/producten en vervolgens manipuleren van deze vruchten/producten).

Huidige uitdagingen

State-of-the-art AI deep learning computer vision modellen in de agrarische sector en de industrie worden vaak getraind met een supervised learning methode. Dit vereist een geannoteerde dataset.

De minimale omvang van een goede dataset is 10.000 afbeeldingen. In veel gevallen is het te lastig en te kostbaar om een goede en volledige set te verkrijgen. Om toch voldoende data te verzamelen, wordt er steeds meer gebruikgemaakt van geaugmenteerde en synthetische data.

Hieraan kleven echter nog verschillende nadelen, zoals:

• Domain gap
• De kwaliteit en relevantie van de data
• De benodigde rekenkracht
• De mate van maatwerk tot op heden

Projectdoel

Aanvragers zijn voornemens een data generator te ontwikkelen, waarmee het mogelijk moet worden om synthetische data volledig automatisch te genereren en te implementeren ten behoeve van het trainen van AI-modellen. Het idee is dat er een generator ontstaat waarmee het mogelijk wordt om de generatie van de synthetische data iteratief aan te passen.

Uitvoering

Het project zal worden uitgevoerd door VBTI Consultancy B.V. en Newcircle Technologies B.V.

Koppeling aan KIA

Het project sluit aan bij KIA 5. Sleuteltechnologieën en dan bij punt 2. Digital Technologies, met name bij het punt ST2-1 Artificial intelligence:

1. Q1: "Wat zijn optimale hardware en software combinaties van AI?"
2. Q2: "Op welke wijze kunnen we deep-learning architecturen data efficiënt trainen door expert kennis toe te voegen?"
3. Q4: "Waar en op welke wijze kunnen we domein-onafhankelijke ontwikkelingen in de AI effectief toepassen (zoals in computer vision, NLP, information retrieval en robotica)?"

Daarnaast sluit het project ook aan bij punt 3. Engineering and Fabrication Technologies, en specifiek bij ST3-6 'Robotics':

• Q12: "Hoe kunnen we bereiken dat robots zich effectief en efficiënt kunnen aanpassen aan hun omgeving en nieuwe vaardigheden kunnen leren, net zoals veel dieren dat kunnen?"