Kontext

Nach der Bereitstellung funktionieren die Müllbehälter von Ameru unter stark variablen realen Bedingungen; Lichtverhältnisse ändern sich, die Zusammensetzung des Abfalls variiert, das Benutzerverhalten ist unterschiedlich usw. Daher kann die Sortiergenauigkeit vor der Bereitstellung nicht vollständig validiert werden.

Von Anfang an ging Ameru davon aus, dass das Lernen auch nach der Installation fortgesetzt werden muss. Das System musste Signale aus der realen Nutzung generieren und in das Entwicklungssystem zurückspeisen. Ameru lernte außerdem, dass die Nutzer diese Lernschleife positiv empfinden und sich wertgeschätzt fühlen. Das Interface lädt daher zu Feedback ein, damit die Nutzer sehen, dass das System auf ihre Eingaben reagiert.

Architekt für Flow

StraßeStruktur Die Architektur trennt die eingesetzte Hardware von sich entwickelnden KI-Modellen. Die Verzeichnisstruktur bleibt stabil, während sich Modelle durch kontrollierte Trainingszyklen weiterentwickeln.

OpsBetreiben Die Benutzeroberfläche bietet einen einfachen Feedback-Mechanismus. Nach der Klassifizierung fordert der Bildschirm den Benutzer auf, das Ergebnis mit einem Daumen nach oben oder unten zu bestätigen oder abzulehnen. Die Interaktion erfordert einen optionalen Tipp und unterbricht den Entsorgungsprozess nicht.

MontagMonitor Negatives Feedback generiert Kandidatensignale für die Untersuchung. Bilder, die mit abgelehnten Klassifizierungen assoziiert sind, werden gespeichert und manuell überprüft. Positives Feedback wird derzeit ignoriert, um die Bestätigung versehentlicher Bestätigungen zu vermeiden.

StraßeStruktur Datenschutzanforderungen beeinflussten frühzeitig architektonische Entscheidungen und führten zu einer sorgfältig ausgearbeiteten Datenschutzrichtlinie. Die Kamera zeigt direkt in den Behälter und kann die Umgebung nicht erfassen. Die Bilder enthalten nur den entsorgten Gegenstand. Das System speichert keine persönlichen Identifikatoren.

Beschleunigen

EvoEntwickeln Ameru gründete eine MLOps Pipeline von Anfang an. Frühes Training stützte sich auf intern generierte Datensätze. Diese Experimente deckten die Grenzen der bildbasierten Klassifizierung auf und führten zu einer Verschiebung hin zur objektbasierten Erkennung.

MontagMonitor Benutzerfeedback lieferte später zusätzliche Beispiele aus der Praxis. Ingenieure überprüfen markierte Bilder in einem monatlichen Rhythmus. Bestätigte Fehlklassifizierungen werden dem kuratierten Trainingsdatensatz hinzugefügt. EvoEntwickeln Das Nachtraining bezieht diese verifizierten Beispiele mit ein. Die Modellqualität wird anhand wesentlicher Leistungsmetriken geprüft, um Rückschritte zu verhindern.

CmtCommit Verbesserte Modelle werden über Over-the-Air-Updates bereitgestellt. Hardware-Installationen bleiben unverändert, während sich die Klassifizierungsleistung weiterentwickelt.

Ergebnis

Die Sortiergenauigkeit verbessert sich nach der Implementierung statt im Laufe der Zeit zu sinken. Reale Variabilität wird zu einer Quelle von Trainingsdaten. Manuelle Überprüfung schützt die Modellqualität, während Benutzerfeedback Ausnahmefälle aufdeckt. Ameru kann Implementierungen erweitern und gleichzeitig die Klassifizierungsleistung kontinuierlich verbessern, ohne installierte Hardware zu modifizieren.