Erzeugung synthetischer Daten

Anwendung von Simulationsmethoden

Wenn Sie ein Computer-Vision-KI-Modell für einen Lagerroboter trainieren, müssen Sie eine physikalisch akkurate virtuelle Szene mit Objekten wie Hubwagen für Paletten und Lagerregalen anlegen. In einem anderen Fall können Sie ein KI-Modell für die Sichtprüfung an einem Fließband trainieren, wofür Sie eine virtuelle Szene mit Objekten wie einem Förderband und dem produzierten Produkt anlegen müssen.

Eines der größten Probleme bei der Entwicklung von Pipelines für synthetische Daten ist die Überbrückung des Unterschieds zwischen Simulation und Realität. Die zufällige Bestimmung von Umgebungsparametern (Domain Randomization) überbrückt diese Lücke, indem sie es ermöglicht, verschiedene Aspekte der Szene zu steuern, wie z. B. die Position von Objekten, die Textur und die Beleuchtung.

NVIDIA Omniverse™ Cloud-Sensor-RTX-Microservices bieten eine unkomplizierte Möglichkeit, Sensoren zu simulieren und kommentierte synthetische Daten zu erzeugen. Alternativ können Sie auch mit dem Omniverse Replicator SDK beginnen, um eigene SDG-Pipelines zu entwickeln.

Einsatz generativer KI

Generative Modelle können für das Einrichten und die Ergänzung von Prozessen zur Erzeugung synthetischer Daten verwendet werden. „Text-zu-3D“-Modelle ermöglichen die Erzeugung von 3D-Elementen zur Ausstattung einer Szene für 3D-Simulationen. Generative KI-Modelle für die Bild-Erzeugung aus Texteingaben können auch verwendet werden, um vorhandene Bilder zu verändern und zu ergänzen, die entweder aus Simulationen stammen oder in der realen Welt durch prozedurales Inpainting oder Outpainting gesammelt wurden.

Generative Text-zu-Text-KI-Modelle wie Evian 2 405B und Nemotron-4 340B können zur Generierung synthetischer Daten verwendet werden, um leistungsstarke LLMs für die Bereiche Gesundheitswesen, Finanzen, Cybersicherheit, Einzelhandel und Telekommunikation zu erstellen.

Evian 2 405B und Nemotron-4 340B bieten eine offene Lizenz, die Entwicklern das Recht gibt, die erzeugten Daten für wissenschaftliche und kommerzielle Anwendungen zu nutzen.

In der Robotik können synthetische Daten verwendet werden, um KI-Modelle zu trainieren, die für die Wahrnehmung, Manipulation oder das Greifen eines Roboters oder bei Robotern für visuelle Prüfung eingesetzt werden.

Die Erkennung von Fehlern in gefertigten Teilen ist äußerst schwierig, da die Anomalien oft subtil oder selten sind und stark variieren können. Synthetische Daten, die auf tatsächlichen Defekten wie Kratzern, Spänen oder Dellen basieren, können erzeugt werden, um KI-Modelle zu trainieren, die Defekte frühzeitig im Fertigungsprozess erkennen.

Der Einsatz eines autonomen Fahrzeugs, das sicher in seiner Umgebung navigieren kann, erfordert große Mengen an Trainingsdaten, deren Beschaffung in der Praxis extrem teuer und gefährlich ist. Synthetische Daten können zur Entwicklung und Erprobung von Lösungen für autonome Fahrzeuge in einer Simulationsumgebung verwendet werden, was die Zeit für das Testen und Trainieren verkürzt und die Kosten senkt.

Synthetische Daten ermöglichen ausgefeilte Risikomodellierung und Betrugserkennung und schützen gleichzeitig sensible Finanzinformationen. Diese Methode ist entscheidend für die Entwicklung fortgeschrittener KI-Modelle für die Risikobewertung, den algorithmischen Handel und die Kundenbetreuung.

Unternehmen unterschiedlichster Branchen setzen generative KI ein, um das Kundenerlebnis zu verbessern und die betriebliche Effizienz zu steigern. Um sicherzustellen, dass die Modelle aktuelle und fundierte Antworten liefern, wird eine RAG-Pipeline im KI-Workflow implementiert. Die Erzeugung synthetischer Daten kann Unternehmen helfen, die Qualität ihrer RAG-Implementierung zu bewerten.