Case: computer vision
Hvad gør man med millioner af bilbilleder om ugen?
Man lader en model klassificere dem og berige dem med metadata, som bruges videre i butikken. Her var klassisk machine learning det rigtige valg, ikke generativ AI.
- Virksomhed
- Autorola Group
- Min rolle
- Machine Learning Engineer
- Periode
- 2024–
- Status
- I drift
Forretningsspørgsmålet
Virksomheder behandler og gemmer millioner af billeder af biler hver uge. Billederne er ustrukturerede: De siger ikke selv, hvad de viser.
Spørgsmålet var, hvordan billederne kunne gøres til data, som resten af forretningen kan bruge.
Vælg værktøjet efter opgaven
Ikke alle AI-opgaver skal løses med store sprogmodeller. Ved millioner af billeder om ugen handler det om pris pr. billede, hastighed og stabilitet. Her er en specialiseret computer vision-model det rigtige værktøj.
Det er en del af en god AI-strategi: at kende hele værktøjskassen og vælge den løsning, der giver mest værdi for pengene, ikke den, der lyder mest moderne.
Sådan blev den bygget
Jeg byggede en pipeline, der klassificerer billederne automatisk og udstyrer dem med metadata. Metadata bruges efterfølgende videre i butikken.
Resultat
- Millioner af bilbilleder om ugen klassificeres og beriges automatisk.
- Metadataen skaber værdi længere nede i kæden, både i håndteringen og i forædlingen af bilerne.