Neuronale Netze bei der Herstellung von Zahnersatz

Das Ersetzen eines Zahns durch ein Implantat oder das Einsetzen einer Krone ist eine schmerzhafte und teure Prozedur. Eines der schwierigsten Teile bei der Restauration ist die Gestaltung der Prothese im CAD-System, mit der Zahntechniker befasst sind. Jede Krone wird in 8-10 Minuten individuell für den Patienten und seinen Kiefer entworfen. Gleichzeitig hat jeder Techniker seine eigene subjektive Vorstellung davon, was eine gute Zahnkrone ist, und die Qualitätsbewertung derselben Krone für verschiedene Spezialisten des gleichen Niveaus kann von „gut“ bis „möglich und besser“ variieren.


Daher ist es nicht verwunderlich, dass in der Zahnmedizin das Ziel darin bestand, den menschlichen Faktor zu entfernen und die Automatisierung zu verbessern. Dies kann über neuronale Netze erfolgen. Sie sind inzwischen so weit fortgeschritten, dass sie Objekte erkennen, Verbrecher in der Menge finden, Bilder anhand von Skizzen zeichnen und die Gesichter von Schauspielern in Filmen ersetzen können, beispielsweise DiCaprio mit Burunov im Film The Great Gatsby. Sie helfen auch, mit Zähnen umzugehen, und wie es passiert ist, wird Stanislav Shushkevich erzählen.

Stanislav Shushkevich - arbeitet bei Adalisk Service. Dies ist der Auftragnehmer für den größten US-amerikanischen Prothesenhersteller. Zu den Aufgaben des Auftragnehmers gehört die Automatisierung der Herstellung von Kronen, Brücken und Implantaten. Stanislav unterrichtet tiefe neuronale Netze. Bei Saint HighLoad ++ 2019 verfasste Stanislav einen Bericht, in dem er ausführlich beschrieb, wie das Unternehmen eingehende Schulungen einsetzt, um die Klassifizierung von Eingabedaten, die Erstellung von Konstruktionen und die Automatisierung der Kronenmodellierung zu automatisieren.

Dieser Artikel basiert auf der Niederschrift seines Berichts. Daraus lernen Sie, wie man Deep Learning und Design Generation bei der Herstellung von Zahnersatz anwendet, wie man die Qualität stabilisiert, verschiedene Produktionsstufen mithilfe neuronaler Netze automatisiert, den menschlichen Faktor schrittweise reduziert und die durchschnittliche Zeit um ein Vielfaches verkürzt. die der Zahntechniker für Kronen und Implantate ausgibt.

Hinweis Die Gruppe, in der Stanislav arbeitet, arbeitet mit dem Berkeley Institute (USA) zusammen. Gemeinsam entwickelten sie tiefe neuronale Netze, um das Design von Zahnimplantaten zu automatisieren. Den Ergebnissen dieser Arbeit zufolge haben die Forscher einen wissenschaftlichen Artikel veröffentlicht, der Bericht ist jedoch interessanter.

Zahnterminologie

Um Sie in die Dinge eintauchen zu lassen, werde ich Ihnen die zahnärztliche Terminologie erläutern. Eine Person hat 32 Zähne, aber häufiger 28, weil Weisheitszähne oft nicht wachsen oder krank werden und entfernt werden. Es gibt eine fortlaufende Nummerierung von 1 bis 32, aber es ist bequemer, den Kiefer in 4 nummerierte Quadranten von 8 Zähnen zu unterteilen. Wir sagen daher, dass eine Person 32 Zähne hat - von 11 bis 48. Die erste Ziffer ist die Nummer des Quadranten, die zweite die Nummer des Zahns im Quadranten.


Standardzahnnummerierungsschema.

Nach der Spiegelreflexion sind die Zähne auf der linken Seite des Kiefers den Zähnen auf der rechten Seite ähnlich, aber die oberen sind nicht den unteren ähnlich. Wenn wir also sagen, dass wir einen Zahn erzeugen müssen, meinen wir normalerweise 16 Zähne - 32 in der Hälfte, nur 16.

Die Form der Zähne einer Person kann das Geschlecht nicht bestimmen. Wenn Ausgrabungen Zähne finden, ist daher nicht klar, wem sie gehören: Männern oder Frauen. Gleichzeitig kann man an den Kiefern des Pferdes erkennen, ob es sich um eine Stute oder ein Pferd handelt - das Pferd hat Reißzähne, die Stute jedoch nicht. Solche "zahnärztlichen" Tatsachen amüsieren mich immer.

Der Stumpf des 36. Zahnes ist blau markiert - der erkrankte Zahn wurde abgesägt, der Stumpf blieb. Im Englischen heißt der Zahnstumpf "sterben". Die Kante des Stumpfes ist rot hervorgehoben und wird als "Rand" bezeichnet. Wenn der Zahnarzt die Krone auf den Zahn setzt, ist es wichtig, dass der Rand der Krone fast mit dem Rand übereinstimmt, mit einem Rand für „Kleber“, da sonst eine hässliche Stufe entsteht.


Dreidimensionaler Scan des Unterkieferabdrucks.

Für uns hat der Techniker ein 3D-Modell einer schönen Krone angefertigt.



Rillen oben - Anatomie der Krone. Sie sind nicht zufällig lokalisiert, sondern nach ihrer typischen Zahnzahl. Es kann für eine lange Zeit beschrieben werden, aber es gibt eine primäre Anatomie, ein sekundäres, kieferorthopädisches Kreuz.

Der Kieferantagonist ist von oben geeignet, und wenn der Zahn oben ist, ist der Kiefer ein Antagonist von unten. Die Aufwärtsrichtung, die als Okklusionsrichtung bezeichnet wird , ist uns ebenfalls wichtig. Wenn im Text ein "okklusaler Schnappschuss eines Zahns" erscheint, bedeutet dies einfach einen Schnappschuss von oben.

Reisekronen

Wie machen Zahnkronen? Diejenigen, die sich Zahnkronen setzen, stellen grob dar. Ich werde den Rest des allgemeinen Schemas erzählen.

Zahnarzt - Zahntechniker - Zahnarzt. Du kommst zum Zahnarzt, mach den Mund auf, sagt er reparieren. Feilt einen Zahn und beißt auf den Teller. Es sieht aus wie Plastilin auf einem Untergrund - ein Abdruck des Ober- und Unterkiefers bleibt darauf. Der Zahnarzt schickt diesen Abguss an den Zahntechniker ins Labor.

Ein Zahntechniker sitzt in einem Labor und kommuniziert nie mit echten Patienten. Er erstellt Zahnmodelle in einem CAD / CAM-System auf einem Computer. Aus dem fertigen 3D-Modell des Zahns fertigt er eine echte Restauration und schickt sie an den Zahnarzt zurück. Darüber hinaus installiert der Zahnarzt die Restauration bereits an Ort und Stelle.

Unsere Anwendung von Macht steht im Zentrum dieses Schemas.

Zahnarzt - Zahntechniker + ML - Zahnarzt . Jetzt arbeitet der Zahntechniker in einem Programm, das AutoCAD ähnelt. Aber im Idealfall sollte er dies tun: Ein Fall kommt in Form einer Form, ein Techniker scannt ihn und erhält einen fertigen Vorschlag für die Krone. Unsere ML-Gruppe arbeitet mit Zahntechnikern zusammen und hat in wenigen Jahren 5 Millionen Fälle und 150 TB an Daten gesammelt, die auf Amazon gespeichert sind - es gibt eine große Auswahl.

Der Techniker benötigt 10 Minuten, um ein 3D-Bild der Krone zu erstellen, während er über viele Parameter nachdenkt:

• natürliche Form;
• Antagonist;
• enge Kontakte;
• Randlinie;
• Kiefersegmentierung;
• tiefe Anatomie;
• Richtungen;
• Bogen;
• Ausfüllen von Papieren und anderen.

Parameter

Die Natürlichkeit der Form . Dies ist das erste, woran ein Zahntechniker denkt - für mich ist dies der mysteriöseste Moment. Wenn ich die Technik von zwei Zähnen zeige und er sagt, welcher ist gut, frage ich, warum er sich so entschieden hat:

- Weiß nicht. Ich sehe nur, dass dies ein natürlicher Zahn ist, aber es ist nicht so.
- Gibt es formale Kriterien? Ein automatisiertes Entwurfssystem benötigt formale Metriken.
"Ich kenne keine formalen Metriken." Ich sehe nur, dass dies ein guter Zahn ist, und dieser ist schlecht.

Dies nennt man die "natürliche Form".

Gleichzeitig achtet der Techniker zusätzlich darauf, dass sich die Krone nicht mit dem Antagonisten schneidet und gut auf der "Kante" des Stumpfes sitzt, etwa bei engem Kontakt mit den Nachbarn, Richtungen festlegt und den Kiefer segmentiert.

Für jeden Fall gibt es mehrere gute Lösungen. Verschiedene Techniken für den gleichen Kiefer führen zu mehreren guten Zähnen.

Machen Sie es sich einfach: Nehmen Sie eine normale Zahnkrone, „spielen“ Sie mit der Form des geometrischen Algorithmus und setzen Sie sie in den Kiefer ein. Diese geometrische Aufgabe ist in der Vorstellung einfach, in der Praxis jedoch nicht so einfach.

Variabilität . Im Bild unten sind drei Bilder von Kronen.

Der erste links ist der perfekte menschliche Zahn. Im Durchschnitt ist die Lücke zwischen dem Antagonisten und dem Zahnstumpf so klein, dass die Krone abgeflacht ist. Der Abstand zwischen diesem Zahn und dem Nachbarn links war groß genug, aber die Krone musste den Nachbarzahn berühren, sodass links ein Zustrom auftrat. In der rechten Abbildung scheint alles normal zu sein, aber die Linie der „Kante“ des Stumpfes ist kein Kreis, sondern eine komplexe räumliche Figur. Für geometrische Methoden ist dies alles aufgrund der großen Variabilität der Kronen kompliziert.

Liebe zum Detail . Ein weiteres wichtiges Detail ist die charakteristische Größe der simulierten Merkmale. Die Größe des 36. Zahns (vom unteren Ende des Unterkiefers) beträgt ungefähr 8 mm, und 200 Mikrometer entsprechen der Größe nur der Anatomie. Dies bedeutet, dass bei normaler Anatomie eine Genauigkeit von mindestens 100 Mikrometern erforderlich ist. Es wird mit einer Genauigkeit von ca. 20 µm geschnitten. Wir teilen 100 Mikrometer in 8 mm - wir erhalten eine Genauigkeit von ca. 1%.

All dies schafft ein Problem - der Techniker verbringt viel Zeit mit vielen Faktoren. Wir haben uns entschlossen, die Arbeit zu vereinfachen und die Effizienz zu steigern - mehr Kronen pro Zeiteinheit. Wir haben verschiedene Optionen ausprobiert und neuronale Netze ausgewählt, die die Arbeit des Technikers vereinfachen.

Lösungsmethoden

CAD / CAM . Jedes Dentalunternehmen erstellt sein eigenes System. Glidewell Dental, Invisalign, Sirona - alle haben oder entwickeln ihre eigenen CAD / CAM-Systeme. Systeme sehen aus wie AutoCAD oder KOMPAS-3D: Sie haben ein Standardobjekt, das Sie ziehen, streicheln und drehen können. Jetzt arbeiten die Techniker auf diese Weise und verbringen 10 Minuten damit, eine normale Krone herzustellen.

ML - harmonische Funktionen. Dies ist ein anderer Weg - relativ einfaches maschinelles Lernen. Wenn Sie beispielsweise die Krone von oben betrachten, sieht sie aus wie ein Kreis mit Rillen, und Sie können dann versuchen, sie in harmonische Funktionen zu zerlegen. Aber wir haben es versucht - mit unseren Genauigkeitsbedingungen funktioniert das nicht.

Am Ende haben wir uns daher tiefen Netzwerken zugewandt, um dreidimensionale Objekte zu erzeugen. Ich werde zwei Geschichten erzählen, die mit unserer Wahl zusammenhängen. Der erste ist propädeutisch . Dies ist eine Schulungs- oder Lehrgeschichte über die Kiefersegmentierung. Die zweite handelt von der Kronenerzeugung .

Kiefersegmentierung

Die Kiefersegmentierung ist die Färbung jedes Zahns und Zahnfleisches mit einer eigenen Farbe (z. B. in einer okklusalen Ansicht).



Segmentierung ist wichtig. Zum Beispiel kam der Kiefer in Form eines 3D-Modells und darauf ein gesägter Zahnstumpf. Damit das Programm versteht, wo der Zahn platziert werden muss, sollte er mindestens relativ zum Stumpf positioniert sein. In diesem Fall sitzt eine Person normalerweise und klickt mit der Maus auf sie und ihre Nachbarn. Erst dann versteht das Programm, wo der Zahn platziert werden muss. Bei der automatischen Segmentierung wäre alles viel interessanter - es würde automatisch anzeigen, wo der Zahn platziert werden soll.

Aus diesem Grund haben wir uns entschlossen, unsere Zähne mit neuronalen Netzen zu färben.

Neuronales Netz-Training erfordert Daten. Es gibt offene Datensätze für die Segmentierung von Gesichtern, Posen und Briefen. Menschen nehmen gerne an Konferenzen teil und teilen ihre Trainingserfolge miteinander. Es ist jedoch schwierig, einen Datensatz für die Zahnsegmentierung zu finden.

Es gibt Unternehmen, die Datensätze mit bereits segmentierten Zähnen haben. Aber sie verkaufen oder verschenken sie natürlich nicht. Dies ist das Know-how und der große Wert jedes Unternehmens.

Glücklicherweise hatten wir einen geometrischen Algorithmus für die Wasserscheide , auf den ich später noch eingehen werde. Er kann segmentieren, aber mit einer Effizienz von 30% - normale Segmentierung in einem von drei Fällen. Wir haben den Algorithmus mit 15.000 Fällen segmentiert und dann manuell gefiltert. Nach der Filterung blieben 5000 gute Fälle übrig, auf die wir SegNet trainierten.

Hinweis SegNet ist das Standardnetzwerk für die Segmentierung. Ein bestimmtes Netzwerk ist nicht so wichtig. Es ist wichtig, was zu tun ist, in welcher Reihenfolge und woher die Daten stammen.


So sieht eine Kiefersegmentierung mit 12 Zähnen aus.

Alles scheint in Ordnung zu sein - verschiedene schöne Farben, die Zähne "lecken" praktisch nicht. Es nützt jedoch wenig, nur die Fälle zu segmentieren, die wir bereits geometrisch segmentieren gelernt haben. Wir möchten lernen, den gesamten Phasenraum zu segmentieren. Im Falle einer starken Korrelation zwischen dem geometrischen und dem neuronalen Netzwerkalgorithmus segmentiert das Netzwerk im Grunde nur diejenigen Fälle gut, die bereits gut segmentiert sind.

Die Hauptfrage lautet also: Gibt es eine Korrelation zwischen den Aktivitäten von Watershed und SegNet? Um diese Frage zu beantworten, müssen Sie wissen, wie diese Algorithmen funktionieren.

Wie Wasserscheide und SegNet funktionieren

Die Wasserscheide funktioniert auf einer 3D-Oberfläche - dies sind „Täler“, die durch Kämme mit großer räumlicher Krümmung getrennt sind. Wenn wir uns auf einer 3D-Oberfläche bewegen, gibt es zum Beispiel an einigen Stellen eine scharfe Biegung, bei der zwei Zähne zusammenpassen oder ein Zahn in das Zahnfleisch eintritt. An diesen Stellen entstehen „Grate“. Wasserscheide "gießt Wasser" und bedeckt die Täler, überquert aber nicht die "Grate".

Der Algorithmus funktioniert nicht gut, wenn die räumliche Krümmung gebrochen ist. Zum Beispiel gibt es zwei Zähne mit einer gemeinsamen Tangente. Sie wurden gescannt, so dass zwei Zähne reibungslos ineinander übergehen. Der Algorithmus malt zwei Zähne mit einer Farbe.

SegNet funktioniert wie jedes segmentierte Netzwerk. Er weiß, was ungefähr im Inneren erhalten werden kann - ein segmentiertes Bild sieht normalerweise aus wie 14 Kreise in einem Bogen und um das Zahnfleisch herum. SegNet ist fehleranfällig: Wenn die Kreise unregelmäßig geformt sind, hat der Patient nicht 14 Zähne, sondern 12 oder der Zahn fällt aus dem Bogen - dem Bogen, auf dem sich die Zähne befinden. Das Bild zeigt nur 12 Zähne, es war schwer, aber der Algorithmus hat es geschafft.

Es scheint, dass Watershed und SegNet nicht miteinander korrelieren, und alles ist relativ normal.

Zwischensummen

Für den Endbenutzer ist eine Optimierung erforderlich . Wir könnten viel Zeit im Voraus aufwenden, um die Korrelation loszuwerden, darüber nachzudenken und Maßnahmen zu ergreifen. Aber auch ohne dies ergab SegNet bei der Schulung in ausgewählten Fällen ungefähr 90% der korrekten Segmentierungen - ein Netzwerk von 9 von 10 Kiefersegmenten, das perfekt ist.

Handarbeit hilft sehr. Sie erfahren Ihre Daten und wählen aus, was Sie benötigen.

Wir gehen zum Hauptgericht.

Kronengeneration

Um die Krone zu erzeugen, haben wir dieses Schema gewählt: Wir nehmen die okklusale Ansicht und daraus eine monochrome Tiefenkarte - Tiefenkarte.


Krone mit tiefer Anatomie (Kreuz) und mit sekundärer Anatomie.

Datenquellen

Die erste Datenquelle sind natürliche Zähne . Es gibt viele Kieferabdrücke, wir können sie jetzt segmentieren: Wir schneiden natürliche Zähne aus und trainieren sie.

Wir haben sie genommen, aber es hat sich als schlecht herausgestellt. Natürliche Zähne sind zu vielfältig . Gewöhnliche menschliche Zähne sind selbst bei jungen Menschen nicht sehr schön. Ich möchte, dass die Krone schöner ist.

Die zweite Datenquelle sind fertige Kronen . Wir haben bereits 5 Millionen Fälle von 150 TB. Sie werden in der Amazon-Cloud gespeichert. Von den 5 Millionen Fällen wählen wir diejenigen aus, die die Techniken abgeschlossen haben, und trainieren sie. Aber es hat auch nicht geklappt. Wir haben uns unser Trainingsset genau angesehen und festgestellt, dass die Hälfte bis zwei Drittel der fertigen Kronen besser gemacht werden können. Dies betraf hauptsächlich die Tiefe der Anatomie der fertigen Kronen - die Rillen waren nicht ausreichend ausgeprägt.

Dies war eine unangenehme Entdeckung, da wir die Ergebnisse von Spezialisten herangezogen haben, die nachgeahmt werden sollten. Aber wir wussten schon, was wir in solchen Fällen tun sollten.

Wir nahmen zehntausend Fälle und zerlegten sie manuell in gute und schlechte. Erhielt 5.000 gut, auf die Sie lernen können. Experimentell wussten wir jedoch, dass für das Training 10 bis 15.000 gute Fälle erforderlich sind. Um sie zu erhalten, müssen Sie 30.000 Fälle pro Zahn manuell sortieren - das ist zu viel. Deshalb haben wir ein einfaches Hilfsnetzwerk trainiert, das Zähne zeigt und das Gute vom Schlechten trennt.



Die Abbildung zeigt, dass die drei oberen Zähne eine tiefe Anatomie haben - das Kreuz ist deutlich sichtbar und auf den unteren Vertiefungen. Auf der letzten (ganz links) gibt es überhaupt keine Anatomie. Der Techniker "leckte" diese Krone, so dass die Anatomie verschwand.

Mit Hilfe eines Hilfsnetzwerks können wir sehr große Volumina filtern und 10-20.000 Fälle pro Zahn erhalten.

Generation Technische Details

Geldstrafen. Das erste, was mir in den Sinn kam, war, das generierende Netzwerk zu nehmen, ihm das obere Bild des Kiefers mit einem Zahnstumpf zu zeigen, von ihr das untere Bild zu zeichnen und eine feine L1 zu verhängen. Aber die Theorie besagt, dass es nicht funktioniert, und deshalb.


Der Kiefer mit der Matrize darüber ist mit einem gesägten Zahn versehen, in der Mitte befindet sich ein Antagonist, und darunter befindet sich die Krone, die als Ergebnis des Netzwerks erstellt werden sollte.

Wir haben bereits gesagt, dass es viele gute Lösungen für denselben Input gibt. Wenn Sie nur eine Geldbuße L1 verhängen, wird das Netzwerk bestraft, weil es das Bild der Krone im Kopf des Technikers zum Zeitpunkt seiner Planung nicht erraten konnte. Er könnte eine solche Krone machen, oder er könnte eine andere machen, auch gut. Ein Bußgeld für eine weitere gute Krone ist nicht erforderlich.

L1 '"nackte" Strafe ist eine schlechte Idee.

Diskriminator Es ist eine gute Idee, einen Diskriminator auszubilden, der zu allen guten Kronen „Gut“ und zu allen schlechten Kronen „Schlecht“ sagt. Dabei wird die komplexe Oberfläche guter Kronen (Oberfläche im Raum von Kronen) berücksichtigt. Wie sich herausstellte, unterdrückt GAN außerdem hochfrequente Geräusche.

Unser Verlust sieht folgendermaßen aus: Loss = D_GAN + L1 + AntagonistIntersectionPenalty .

D_GAN - berücksichtigt die komplexe Oberfläche möglicher guter Entscheidungen. AntagonistIntersectionPenalty hinzugefügt, damit sich der Zahn nicht mit dem Antagonisten schneidet.

Es ist wichtig, dass L1 plötzlich erscheint. Sie haben gerade gelesen, dass es etwas verderben sollte, aber wenn Sie es auf eine begrenzte Weise hinzufügen, wird es nicht verderben. Der Grund ist, dass das GAN während des Trainings ziemlich instabil ist und L1 berichtet, dass der Zahn auf jeden Fall wie ein weißer Fleck in der Mitte des Rahmens aussieht. In der Anfangsphase des Trainings stabilisiert er sich - alles läuft besser zusammen, sieht glatt und ordentlich aus.

Technischer Hinweis. Wir haben lange gekämpft und versucht, ein Netz für alle Backenzähne oder ein Netz für ein paar Zähne zu trainieren. Wir sind jedoch zu dem Schluss gekommen, dass Sie Ihr Netzwerk für jeden Zahn und für jedes kleine lokalisierte Datenelement trainieren müssen. Wir haben eine solche Gelegenheit.

Ein Zahn - ein Netzwerk.

Dies ist wichtig - dies ist Ihr Kompromiss zwischen der Stabilität der Lösung und den verwendeten Ressourcen. Wenn Sie 200 MB zusätzlichen Videospeicher ausgeben, geschieht (normalerweise) nichts. Sie führen jedoch für jeden Zahn ein eigenes Netzwerk und trainieren es nach Bedarf.

Zwischensummen

Wir haben wieder Hilfsnetze und Handarbeit eingesetzt :

• von Hand sortiert, zerlegte zehntausend Fälle in "gut und schlecht";
• Anhand der Ergebnisse der manuellen Sortierung haben wir das Hilfsnetzwerk untersucht.
• Bulk gesiebte unmarkierte Fälle.

Hurra, wir sind in Produktion gegangen!

Nach all dem, was wir getan haben, sind wir in die Produktion gegangen. Dies ist keine echte Produktion - die Forschungs- und Produktionsgruppe, aber sie schafft 100 Kronen pro Tag.

Hinweis Zum Zeitpunkt der Veröffentlichung des Artikels sind generierende Netzwerke bereits in diesem Produkt enthalten .

Die Gruppe arbeitet seit Mai - mehrere tausend Kronen wurden von GANs hergestellt. Ein Techniker drückt einen Knopf und ein Kronenbild wird in 20 Sekunden erzeugt. Der Techniker überprüft die Richtigkeit des Formulars, spannt die Kontakte in der Regel fest und schickt es zu einem Drink.

Wir haben einen erheblichen Zeitgewinn. Die Krone wird in 8-10 Minuten und unter Einbeziehung der GAN in 4 Minuten präpariert. Die GAN deckt 80% der Fälle ab. Wenn der Techniker nicht mit den Vorschlägen der GAN zufrieden ist, modelliert er die Krone mit den Händen und verbringt 8 Minuten.

Die Lektionen

Optimierung für den Endverbraucher . Dabei ist es nützlich, über Kennzahlen, Metriken, Verlustfunktionen und Korrelationen nachzudenken. Aber Sie haben alles richtig gemacht, wenn Sie die Arbeit zum Ende gebracht und das erwartete Ergebnis erzielt haben.

Verwendung von Hilfsnetzen.

Handarbeit. Es gibt ein Sprichwort in ML: " Kennen Sie Ihre Details." Mit Handarbeit finden Sie heraus, was in Ihren Daten enthalten ist. Handarbeit wird in der Regel belohnt, weil Sie Ihr Netzwerk mit genau dem „füttern“, was Sie brauchen.

Balance zwischen Qualität und Ressourcen . Wenn möglich auf Qualität umstellen. Seien Sie nicht gierig - fügen Sie so viele Netzwerke hinzu, wie Sie benötigen.

Nicht weit entfernt ist die nächste Saint HighLoad ++ - Konferenz. Am 6. und 7. April in St. Petersburg werden wir auf jeden Fall Beispiele für die Verwendung neuronaler Netze und maschinelles Lernen in der komplexen Produktion und natürlich Möglichkeiten zur Erzielung einer hohen Leistung hören. Wenn Sie nur diese Erfahrung teilen möchten, sondern einen Bericht einreichen möchten, bleibt nur sehr wenig Zeit, bis die Frist für die Aufforderung zur Einreichung von Vorschlägen abgelaufen ist. Oder folgen Sie den Ankündigungen von Berichten, in denen wir das Programm in Kürze in der Mailingliste genehmigen werden, um rechtzeitig über die Teilnahme an der Konferenz zu entscheiden.