Bir Bilgisayarlı Görü Sağlayıcısı Seçmek: Kurumsal Bir Tedarik Rehberi

Model işin kolay kısmıdır. Kurumsal bilgisayarlı görüde asıl iş, modelin arkasındaki etiketlenmiş verilerdir ve çıkarımın uç noktadaki kameralarda çalışmasını sağlamaktır; ikinci yarı, çoğu programın sessizce tıkandığı yerdir. Bu kategorideki alıcı kılavuzları artık kendi görsellerinizdeki doğruluğu ve uç nokta dağıtımının gerçekçiliğini, eski RFP'lerin aşırı odaklandığı ön eğitilmiş özelliklerin genişliğinden daha üstün tutmaktadır, çünkü yönetilen bir API zaten genel özellikleri kapsar ve proje hâlâ zor, spesifik, gecikmeye duyarlı durumlarda başarısız olur.

Bu kılavuz, mimariyi belirleyen iki karar bağlamında sekiz sağlayıcıyı karşılaştırıyor: ön eğitilmiş API mi yoksa özel model mi ve bulut mu yoksa uç mu. Ticari koşulları yalnızca bu gereksinimler netleştikten sonra karşılaştırın; aksi takdirde teklifler farklı sistemleri tanımlar.

Önemli olan iki karar#

Sağlayıcıları karşılaştırmadan önce programınızı bu iki eksene yerleştirin. Bu kategorideki neredeyse tüm satın alma hataları, yanlış kadran için seçilmiş bir sağlayıcıdan kaynaklanır.

Ön eğitilmiş API vs özel model. Göreviniz genel ise (belgelerden metin okumak, yaygın nesneleri tespit etmek, içeriği denetlemek) yönetilen bir API, ML personeline ihtiyaç duyulmadan bunu bugün çözer. Göreviniz ürününüze, parçalarınıza veya sürecinize özel ise, hiçbir ön eğitilmiş API üretim doğruluğuna ulaşamaz ve aslında bir eğitim ile veri boru hattı satın alıyorsunuz demektir.

Bulut vs uç. Çıkarım bir veri merkezine gidiş-dönüşü tolere edebiliyorsa, bulut sağlayıcıları en az dirençli yoldur. Edemiyorsa (hızla çalışan bir hat, bir araç, güvenilmez bağlantıya sahip bir site veya tesisi terk etmesine izin verilmeyen veriler), uç nokta dağıtımı, kısa listenin çoğunu eleyen gereksinimdir.

Bir platform satın alan ve veri ile yaşam döngüsü çalışmalarını atlayan bir program, asla üretime ulaşmayan bir pilot sürüm sunar. Bütçede etiketleme ve MLOps'u ana çaba olarak belirleyin ve herhangi bir şey imzalamadan önce en zor görsellerinizde doğruluğu kanıtlayın.

Sağlayıcılar sıralamaya göre değil, alfabetik olarak listelenmiştir. Ultralytics bu kılavuzu yayımlar ve içinde yer alır, bu nedenle sıralama kasıtlı olarak tarafsızdır ve her sağlayıcı belirtilen bir ödünleşim taşır.

AWS: Rekognition ve SageMaker AI#

Ne olduğu. İki katman: Yönetilen görü API'si olarak Amazon Rekognition, özel eğitim ve dağıtım platformu olarak Amazon SageMaker AI.

Güçlü yönleri. Rekognition; ML personeli olmadan göreve özel modeller eğitmek için Custom Labels'ın yanı sıra tamamen yönetilen görüntü ve video analizi (içerik denetimi, etiket ve metin tespiti, KKD tespiti) sunar. S3, Lambda ve Kinesis Video ile derin entegrasyon, bunu AWS tabanlı boru hatları için en az dirençli yol haline getirir. Gereksinimlerin API'yi aştığı durumlarda SageMaker AI; yaygın çatı yazılımlar uçtan uca dağıtımlarda dağıtılmış eğitimi, otomatik ölçeklenen uç noktaları, GPU ve CPU filolarını, dağıtım boru hatlarını ve deney izlemeyi destekler.

Rekognition ayrıca yüz karşılaştırma ve arama sağlar. Bunu bonus bir özellikten ziyade ayrı bir satın alma sorunu olarak ele alın: biyometrik işleme kendi yasal risklerini, rıza yükümlülüklerini ve birkaç yargı bölgesinde yasal tazminatları beraberinde getirir. Buna ihtiyacınız yoksa kapsam dışı bırakın ve "güvenlik" olarak etiketlenen çoğu görü kullanım durumunun bunu gerektirmediğini unutmayın.

Ödünleşimleri. Çeşitlilik gerçektir ancak montaj işi de öyledir: Rekognition + SageMaker + depolama + düzenleme, bir ürün değil bir mimaridir. Uç nokta, kendin-kur kampından daha zayıftır.

Şunun için en iyisi. Yönetilen görü'yü hemen isteyen ve bulutu değiştirmeden daha sonra özel olarak inşa etme seçeneğine sahip olmak isteyen AWS tabanlı kuruluşlar.

Satın alma notu. KKD tespiti, güvenlik izleme için gerçekten faydalıdır ve genellikle savunulabilir ilk başarıya giden en hızlı yoldur.

Azure AI Vision#

Ne olduğu. Microsoft'un kullanıma hazır API'leri ve özel model eğitimini kapsayan yönetilen görü yığını.

Güçlü yönleri. Azure AI Vision; görüntü analizi, OCR ve metin çıkarma, nesne tespiti ve video içgörüleri için kullanıma hazır API'ler sunar; dağıtım ve ölçeklendirme, altyapıyı yönetmeye gerek kalmadan gerçekleştirilir. Kendi eğitilmiş sınıflandırma veya tespit modellerine ihtiyaç duyan ekipler için AutoML yeteneği dahil Azure Machine Learning mevcut yoldur ve tüm yaşam döngüsünü kapsar.

Satın alma notu: yalnızca özellik listesini değil, hizmet yaşam döngüsünü de kontrol edin. Microsoft, eski Custom Vision hizmetini emeklilik yoluna koymuştur ve özel sınıflandırma ve tespit modelleri oluşturan müşterileri bunun yerine Azure Machine Learning'e yönlendirmektedir. Custom Vision üzerine inşa edilmiş herhangi bir şey artık yol haritasında bir geçiş barındırır. Bu, bulut görü değerlendirmesinin yanlış gitmesinin en yaygın yoludur: bir özellik karşılaştırmasında ideal görünen bir hizmet zaten güncelliğini yitirmiştir ve kısa listeyi besleyen karşılaştırma makaleleri güncellenmemiştir. Herhangi bir büyük bulut sağlayıcısından tekliflerinde adı geçen her bir hizmetin destek ve kullanım dışı kalma durumunu yazılı olarak isteyin.

Ödünleşimleri. Herhangi bir bulut sağlayıcısı görü hizmetinde olduğu gibi, ekonomi tüketime dayalıdır ve maliyetler büyük ölçekte ekipleri şaşırtabilir. Uç nokta dağıtımı mümkündür ancak tasarım merkezi değildir.

Şunun için en iyisi. Güçlü OCR ve belge anlama özelliğine ihtiyaç duyan ve bir ML ekibi yerine yönetilen hizmetler isteyen, Azure standardını benimsemiş kuruluşlar.

Satın alma notu. Pilot hacimde değil, üretim hacminde çıkarım başına maliyeti modelleyin. Tüketim fiyatlandırması, onaylanmış bir iş planını zarara sokan şeydir.

Cognex#

Ne olduğu. Üretim ve lojistik için otomasyon donanımı ve yazılımı satan, makine görüşünde küresel bir lider.

Güçlü yönleri. Cognex'in endüstriyel görüde köklü bir yer edinmesinin haklı bir sebebi vardır: ürünleri kusur tespiti ve kalite kontrol, varlık ve yokluk doğrulama ile lojistik ve paketlemede barkod okuma ve izlenebilirlik alanlarında konuşlandırılmıştır. Cognex VisionPro Deep Learning (ViDi ürün serisinin halefi), fabrika otomasyonu için özel olarak oluşturulmuş endüstriyel sınıf derin öğrenmenin yanı sıra daha basit denetimler için uç nokta öğrenme seçenekleri ekler. Bir programın PLC'ler ile entegre olan ve fabrika zemininde hayatta kalan bir görüye ihtiyacı olduğu durumlarda, bu bir kameraya yöneltilmiş bulut hizmetinden ziyade kanıtlanmış bir ekipmandır.

Ödünleşimleri. Beraberinde getirdiği maliyet yapısı ve sağlayıcı bağımlılığı ile bir endüstriyel donanım ekosistemine yatırım yapıyorsunuz. Bulut tabanlı, yazılım öncelikli ekipler için yanlış biçimlendirilmiştir.

Şunun için en iyisi. Görü sisteminin veri platformunun değil üretim hattının bir parçası olduğu üretim ve lojistik programları.

Satın alma notu. Hat çalışmaya başladığında modellerin nasıl güncellendiğini sorun. Fabrika ekipmanlarındaki yeniden eğitim ritmi, bir bulut uç noktasını yeniden dağıtmaktan çok farklı bir operasyonel sorudur.

Encord#

Ne olduğu. Etiketleme ve veri seti kalitesine odaklanan veri merkezli bir platform.

Güçlü yönleri. Encord'un konumu, model mimarisinin değil veri kalitesinin sonuçları belirlediği yönündedir: etiketleme, küratörlük ve kalite yönetimi araçlarıyla ve tıbbi görüntüleme ile videoda belirtilen güçlü yönleriyle.

Ödünleşimleri. Sorunun veri kısmını ele alır. Eğitim ve dağıtımın hâlâ bir yuvasına ihtiyacı vardır.

Şunun için en iyisi. Etiketleme kalitesinin darboğaz olduğu, özellikle düzenlenmiş veya uzmanlaşmış alanlardaki programlar.

Landing AI#

Ne olduğu. Andrew Ng tarafından kurulmuş bir üretim görsel denetim platformu.

Kısa listeye almadan önce not. Landing AI, belge ve ajan tabanlı yapay zeka etrafında yeniden konumlanmıştır ve denetim hattı manşetten ziyade bakım odaklıdır. ABB Motion Ventures, yapay zeka görü'sünü doğrudan ABB robotik sistemlerine entegre etmek amacıyla 2025 yılında yatırım yapmıştır; dolayısıyla yeteneğin ileriye dönük bir yolu bulunmaktadır ancak fabrika denetimine yönelik yol haritası taahhütlerini doğrudan sorun.

Güçlü yönleri. Landing AI, spesifik ve gerçekten zor bir sorunu hedefliyor: kusur örneklerinin nadir olduğu görsel denetim. Teknikleri, endüstriyel ortamlardaki normal durum olan küçük veri setleri için tasarlanmıştır: ayda iki kez oluşan bir kusurun bin örneğini toplayamazsınız.

Ödünleşimleri. Bu odaklanma uygunluğu daraltır. Birçok görev türünde genel amaçlı görü için daha geniş bir platform daha iyi hizmet verecektir.

Şunun için en iyisi. Kusur tespiti sorunu olan ve geleneksel bir modeli eğitecek kadar kusur görseline sahip olmayan üreticiler.

Satın alma notu. Engeliniz model yeteneğinden ziyade veri kıtlığı olduğunda kısa listeye alınacak sağlayıcı budur. En nadir kusur sınıfınızda bunu kanıtlayın.

NVIDIA#

Ne olduğu. Kurumsal görü'nün çoğunun altındaki hesaplama ve yazılım katmanı: hızlandırılmış donanım, ön eğitilmiş model araç takımları ve uç ile video analitiği için dağıtım çatı yazılımları.

Güçlü yönleri. NVIDIA'nın satın alamadaki önemi genellikle uygulama düzeyinden ziyade yapısal düzeydedir: eğitiminizin üzerinde çalıştığı GPU'ları ve uç çıkarımınızın üzerinde çalıştığı Jetson modüllerini artı Metropolis platform katmanını sağlar: çok akışlı video analitiği boru hatları için DeepStream ve model eğitimi ile optimizasyonu için TAO. Görü'yü birçok kamera akışında dağıtan programlar için platform sorusu ve NVIDIA sorusu sıklıkla aynı sorudur.

Ödünleşimleri. Bu bir uygulama değil, altyapıdır. Kendi ekibinizden veya başka bir sağlayıcıdan veri boru hattına, modellere ve entegrasyon çalışmasına hâlâ ihtiyacınız var.

Şunun için en iyisi. Uç noktada birçok kamera akışı çalıştıran veya ölçekte özel modeller eğiten programlar.

Satın alma notu. Donanım teslim süreleri ve yaşam döngüsü desteği sözleşmeye dahildir. Bir uç filo, üçüncü yılda hâlâ satın alabilmeniz gereken bir modüle verilen beş yıllık bir taahhüttür.

Roboflow#

Ne olduğu. Bilgisayarlı görü için geliştirici odaklı uçtan uca bir platform.

Güçlü yönleri. Roboflow; yapay zeka destekli etiketleme, kodsuz eğitim ve buluttan uca dağıtımla veri seti yönetimi, artırma ve model eğitimini yöneterek hızlı prototipleme için popülerdir. Yeni kullanım durumları üzerinde hızlı bir şekilde yineleme yapan ekipler için kurulum işlerinin çoğunu ortadan kaldırır.

Ödünleşimleri. Geliştirici odaklı araçlar, geliştiricileri varsayar. Kurumsal bir yönetilen hizmet değildir.

Şunun için en iyisi. Çeyrekler yerine günler içinde fikir aşamasından çalışan bir modele geçmek isteyen ekipler.

Ultralytics#

Ne olduğu. Yaygın olarak benimsenen open models etrafında oluşturulmuş; etiketleme, veri seti yönetimi ve eğitimi kapsayan bir görü platformu.

Güçlü yönleri. Ultralytics Platform; tespit, segmentasyon, semantik ve yönlendirilmiş kutu görevleri için tek tıklamayla maskeler ve sınırlayıcı kutular üreten SAM destekli akıllı etiketlemeyle altı etiketleme görevini (nesne tespiti, örnek segmentasyonu, semantik segmentasyon, sınıflandırma, poz tahmini ve yönlendirilmiş nesne tespiti) kapsar: poz ve sınıflandırma manuel olarak etiketlenir, bu da görev karışımınıza göre kontrol edilmeye değerdir. İçe ve dışa aktarım YOLO, COCO ve VOC'yi kapsar, bu nedenle mevcut boru hatlarını değiştirmek yerine onlara uyum sağlar ve ekip incelemesi ile veri seti sürümlemesi yerleşiktir. Satın alma avantajı süreklilik ve taşınabilirlikdir: modeller açık ve yaygın olarak dağıtılmıştır, etiketlediğiniz veri seti eğittiğiniz veri setidir ve hiçbiri tescilli bir biçimde hapsolmamıştır.

Satın alma özellikleri. Ultralytics Platform, aktarım sırasında ve dinlenirken şifreleme ile GDPR ve CCPA uyumluluğuyla SOC 2 Type I ve ISO 27001:2022 belgelerine sahiptir. Type I belgesini dikkatlice okuyun: bu, Type II olan bir dönem boyunca operasyonel etkinlikten ziyade belirli bir andaki kontrol tasarımını tasdik eder: yukarıdaki birkaç sağlayıcı Type II belgesine sahiptir ve politikanız bunu gerektiriyorsa bu bir teknik detay değil gerçek bir farktır. Veri ikameti ABD, AB veya AP'ye sabitlenebilir. Bulut GPU fiyatlandırması teklif edilmek yerine saatlik olarak yayımlanır ve faturalandırma pay-as-you-go şeklindedir, bu da onu bu sayfada bir satış görüşmesinden önce hassas bir şekilde modelleyebileceğiniz birkaç seçenektir.

Lisanslama: özellik karşılaştırmasından önce bunu okuyun. Ultralytics YOLO modelleri, güçlü bir copyleft lisansı olan AGPL-3.0 altında yayımlanır. Ticari veya tescilli dağıtım genellikle özel dağıtımı ve gelişmiş desteği de kapsayan bir Ultralytics Enterprise licence gerektirir. Bu lisansı ticari lisanslı bir platforma karşı yapılan herhangi bir karşılaştırmaya dahil edin ve erken aşamada hukuk departmanının önüne koyun: "açık kaynak" ve "lisans maliyeti yok" aynı ifade değildir ve aksi takdirde sağlam olan bir görü iş planının sözleşme aşamasında tıkandığı en yaygın yol budur.

Ödünleşimleri. Kendi modellerine sahip olacak ekipler için bir platformdur. Bitmiş sonuçlar sunan yönetilen bir hizmet isteyen kuruluşlar bunun yerine hizmet sağlayıcılarına bakmalıdır. Aynı zamanda buradaki en yeni seçenektir: Ultralytics Platform Mart 2026'da piyasaya sürülmüştür; Azure, AWS, Cognex ve NVIDIA ise uzun satın alma geçmişlerine, kurulmuş destek ağlarına ve riskten kaçınan bir komitenin soracağı referans müşterilere sahiptir. Geçmiş sürenin uzunluğu veya Type II tasdiki bir geçit gereksinimi olduğu durumlarda, bu durum başka yerleri işaret eder.

Şunun için en iyisi. Bir bulut sağlayıcısına çıkarım başına bağımlılık olmaksızın kendi donanımları dahil seçtikleri yerde dağıtılan, kontrol ettikleri özel görü modelleri isteyen işletmeler. Yönetilen platformun kendisinin GPU eğitim saatleri ve uç nokta kullanımı için faturalandırıldığına dikkat edin; aradaki fark, dışarı aktarılan modellerin tamamen size ait altyapıda çalışabilmesidir.

Bir bakışta karşılaştırma#

Hangi sağlayıcıyı seçmelisiniz?#

Altı durum çoğu kurumsal programı kapsar. Kendinizinkini bulun.

OCR'a, belge anlamaya veya genel nesne tespitine ihtiyacınız var ve Azure kullanıyorsunuz. Azure AI Vision seçin. API'ler kullanıma hazırdır, ML personeli gerekmez ve entegrasyon çalışması minimumdur. Taahhütte bulunmadan önce üretim hacminde çıkarım başına maliyetinizi modelleyin: tüketim fiyatlandırması onaylanmış iş planlarını bozan şeydir.

AWS tabanlı bir boru hattı içinde yönetilen görü'ye ihtiyacınız var. AWS seçin. Rekognition denetimi, yüz arama, KKD ve etiket tespitini kutudan çıktığı gibi halleder ve bulutu değiştirmeden aştığınızda SageMaker ordadır. Bir ürün satın almaktan ziyade bir mimari kurmayı bekleyin.

Bir üretim hattında parçaları denetliyorsunuz. Görü sisteminin hat üzerinde yaşaması, PLC'lerle entegre olması ve fabrika ortamında hayatta kalması gerekiyorsa Cognex seçin. Engelin, geleneksel olarak eğitilemeyecek kadar nadir kusurlar olması durumunda bunun yerine Landing AI seçin. Bu bir donanım sorunu değil, bir veri sorunudr ve farklı bir araç gerektirir.

Uç noktada birçok kamera akışı genelinde dağıtım yapıyorsunuz. Platform katmanı olarak NVIDIA seçin, ardından modelleri ve veri boru hattını kimin sağladığına ayrı olarak karar verin. Bu, uygulama kararını çözmeyen bir altyapı kararıdır.

Hızlı hareket etmeniz ve değeri kanıtlamanız gerekiyor. Hızlı yineleme için Roboflow veya prototipini yaptığınız modeller üretimde çalıştırmayı amaçladığınız modellerse Ultralytics Platform seçin. Aradaki fark araştırıp keşfetmek mi yoksa inşa etmek mi olduğunuzdur.

Etiketlenmiş veriler sizin darboğazınız. Etiketleme kalitesi ve küratörlük kısıtsa Encord veya etiketlemenin araçlar arasında devredilmek yerine doğrudan eğitime bağlanmasını istiyorsanız Ultralytics Platform seçin.

İki seçenek de uyuyorsa, çıkışı daha ucuz olanı seçin. Açık model biçimleri ve taşınabilir veri setleri işler yolunda giderken hiçbir şey mal etmez, işler gitmezken her şey mal eder.

RFP'ye ne koymalı#

Aşağıdaki sorular sağlayıcıları herhangi bir özellik matrisinden daha hızlı bir şekilde birbirinden ayırır, çünkü bunlar zayıf bir uygunluğun net bir şekilde yanıtlayamayacağı sorulardır.

Doğruluk üzerine. Kavram kanıtı görsellerimizde, toplulaştırılmış yerine hata sınıflarımıza göre ayrılmış ölçülen doğruluğunuz nedir? En kötü aydınlatmamız altında bu sayıya ne olur?

Dağıtım üzerine. Hangi kesin donanım çıkarımı çalıştırır, yakalama dahil uçtan uca gecikme nedir ve bağlantı koptuğundaki davranış nasıldır? Zaten kurulu bir cihazda bir modeli fiziksel olarak kim günceller?

Veri hakkında. Etiketlenen verinin sahibi kim? İstediğimiz zaman açık bir formatta dışarı aktarabilir miyiz? Ürününüzü iyileştirmek için verilerimizden ne kullanılıyor ve bundan vazgeçebilir miyiz (opt-out)?

Yaşam döngüsü hakkında. Yeni bir hata modu keşfettikten sonra yeniden eğitmek ve yeniden dağıtmak ne kadar sürüyor? Bunu sorumlularıyla birlikte bir adımlar dizisi olarak bize anlatın.

Ticari koşullar hakkında. Öngörülen hacmimizde lisans, bilişim (compute), depolama, etiketleme iş gücü ve destek olarak kalemlere ayrılmış üç yıllık maliyet nedir? Fiyat değişikliğini ne tetikler?

Çıkış hakkında. İkinci yılda feshedersek neyi elimizde tutarız: veriler, modeller veya hiçbiri?

Pilottan üretime#

Bu kategorideki programların çoğu pilot aşamasında başarısız olmaz. Çalışan bir pilot ile asla tam olarak varrilemeyen bir üretim sistemi arasındaki boşlukta başarısız olurlar.

Pilot başlamadan önce üretim çıtasını belirleyin. Bir yayını haklı çıkaracak doğruluk, gecikme ve çıkarım başına maliyete karar verin ve bunları yazın. Geçme notu olmayan bir pilot her zaman başarılı olur, bu yüzden size hiçbir şey anlatmaz.

En iyi tesiste değil, en kötü tesiste pilot uygulama yapın. İyi aydınlatmaya ve motive bir süpervizöre sahip amiral gemisi hattı, herhangi bir tedarikçinin yetenekli görünmesini sağlar. Sorunlu tesis, yayının aslında değerlendirileceği yerdir.

İkinci modelin bütçesini ayırın. İlk model, tedarikçinin ilgisi ve temiz bir veri setiyle oluşturulur. Onuncusu ekibiniz tarafından Salı günü oluşturulur. İkinci model, odada tedarikçi olmadan oluşturulamıyorsa, program ölçeklenmiyor demektir.

Veri kalitesinin sahibini adlandırın. Bu kategorideki her başarısız programda eksik olan aynı rol vardır: zaman içinde etiketlenen veri setinden sorumlu biri. Bu, ML mühendisinin boş zamanlarında yapacağı bir iş değildir ve satın almaya ait de değildir.

Üretimle temasından sağ çıkan değerlendirme kriterleri#

Bunları görevinize ve çıkarımın nerede çalışması gerektiğine göre tartın.

Kıyaslama (benchmark) üzerinde değil, kendi görselleriniz üzerinde doğruluk. Kendi en zor görsellerinizi kullanarak bir kavram kanıtı (proof of concept) konusunda ısrar edin: kötü aydınlatma, örtüşme, operatörlerinizin şikayet ettiği uç durumlar. Bunu yapmaya istekli olmayan bir tedarikçi size bir şey söylüyor demektir.

Kenar (edge) dağıtımının gerçekçiliği. Özellikle şunu sorun: hangi donanım, hangi gecikme, ağ koptuğunda ne olur ve halihazırda sahadaki bir cihazda model nasıl güncellenir.

Toplam sahip olma maliyeti. Yalnızca peşin ücreti değil; lisanslama, bilişim (compute), depolama, etiketleme iş gücü ve devam eden model bakımını da dahil edin. Tüketime dayalı bulut fiyatlandırması, ölçekteki ekipleri en sık şaşırtan konudur.

Entegrasyon yüzeyi. Endüstriyel ortamlarda PLC'ler ve MES ile uyum, sistemin kullanılabilir olup olmadığını belirler. Yazılım ortamlarında ise bunlar API'ler ve veri hatlarıdır. Bunlar birbirinin yerini alamaz.

Veri yönetişimi. Şifreleme, erişim kontrolleri, denetim izleri ve mevzuat uyumluluğu. GDPR, HIPAA ve sektöre özel standartlar genellikle herhangi bir teknik karşılaştırma başlamadan önce platform seçimini belirler.

Yeni satın alma kapısı: cihaz güvenü ve veri soy kütüğü#

Adlandırmaya değer bir kayma, çünkü artık daha önce kapanacak olan anlaşmaları engelliyor.

Cihaz güveni, veri seti hakları ve görsel saklama kayıtları giderek model doğruluğuyla aynı ticari ağırlığı taşımaktadır. Bir bilgisayarla görü modeli teknik doğrulamadan geçebilir ancak yine de satın almadan başarısız olabilir, çünkü kimse eğitim görsellerinin nereden geldiğini, organizasyonun bunları kullanma hakkına sahip olup olmadığını veya belirli bir kareyi hangi fiziksel cihazın yakaladığını kanıtlayamaz.

RFP'ye eklenecek üç soru:

• Veri seti hakları. Eğitimde kullanılan her veri seti için lisans nedir ve yetki alanımızda ticari kullanıma izin veriyor mu?
• Görsel saklama. Tedarikçi, bir üretim çıkarımını onu yakalayan cihaza kadar izleyen bir kayıt üretebilir mi?
• Cihaz güveni. Bir kenar (edge) cihazının bütünlüğü nasıl doğrulanır ve biri kurcalanırsa ne olur?

Bunları yanıtlayamayan tedarikçiler mutlaka güvenli değildir demek değildir. Ancak hukuki incelemenizi aylarca yavaşlatacaklardır.

Değerlendirme nasıl yürütülür#

Özellik sayısına göre değil, kadrana göre kısa listeye alın. Önce önceden eğitilmiş ile özel (custom) ve bulut ile kenar (edge) kararlarını verin. Bu genellikle tek bir demo yapılmadan önce pazarın yarısını ortadan kaldırır.

En zor verileriniz üzerinde bir kavram kanıtı çalıştırın. Aynı görseller, aynı kabul kriterleri, her tedarikçi. Kolay bir set genelindeki toplam doğruluk yerine önemli olan durumlarda doğruluğu ölçün.

Tüm yaşam döngüsünü maliyetlendirin. Etiketleme iş gücü ve yeniden eğitim dahil üç yıllık bir model oluşturun. Lisans ücretlerini değil, bunu karşılaştırın.

Güncelleme yolunu test edin. Bir model dağıtın, ardından değiştirin. Bunun ne kadar sürdüğü ve kimin dahil olması gerektiği, sistemin canlıya geçtikten sonra mı iyileştiğini yoksa ilk gün mü dondurulduğunu belirleyen sayıdır.

Çıkışı kontrol edin. Etiketlenen verilerinizi açık bir formatta dışarı aktarıp modellerinizi başka bir yere götürebilir misiniz? Değilse, bağımlılığın (lock-in) fiyatını hesaplayın.