Jedným z pokrokov, ktorý nedávno eskaloval naše schopnosti v oblasti umelej inteligencie (AI), je zásadný posun v hlbokom učení. Hlboké učenie využíva algoritmy, ktoré sa snažia napodobňovať neurónové siete ľudského mozgu. Je to proces, ktorý pomáha riešiť jednu z najťažších, ale nevyhnutných oblastí robotiky – strojové videnie.
Až donedávna boli aplikácie strojového videnia pevne kódované, čo zahŕňa vkladanie údajov priamo do každého algoritmu. Je to pomalý, nákladný a krehký proces, počas ktorého aj najmenšie odchýlky, vrátane zmien osvetlenia alebo dokonca prachu na šošovkách, môžu spôsobiť zlyhanie. Navyše, konvenčne kódované riešenia sú zriedkavo rozšíriteľné, takže pridávanie nových častí si často vyžaduje začatie celého procesu znova od nuly.
Situáciu komplikuje aj skutočnosť, že programovanie nových aplikácií vyžaduje prístup k záujmovým častiam a prostrediu, ktoré je veľmi podobné plánovanému pracovnému priestoru pre vývoj strojového videnia. Výsledok? Vízia kódovacieho stroja sa často robí v záverečných fázach vývoja, čo môže spomaliť vývoj nových výrobných systémov.
Hlboké vzdelávanie ponúka alternatívny prístup
Namiesto pevných kódovacích explicitných algoritmov využíva hlboké vzdelávanie externé obrazové databázy na porovnávanie obrovského počtu príkladov s akoukoľvek danou časťou záujmu. Tieto príklady sa používajú na „školenie“ hlbokej neurónovej siete. Tento typ školenia môže využívať existujúce architektúry neurónových sietí a školiace algoritmy, ako napríklad populárny freeware TensorFlow. Pretože táto metóda trénuje sieť na základe vzorových obrázkov, existuje oveľa menšia závislosť od zručnosti alebo šťastia programátora, čo pravdepodobne vedie k robustnejším a spoľahlivejším výsledkom.
Výzva je nasledovná: Na to, aby hlboké vzdelávanie fungovalo efektívne, musia byť údaje o školení, ktoré používa, objemné. Avšak získanie dostatočného počtu obrázkov môže byť prekážkou. Sľubný nový výskum prináša riešenie tejto výzvy. Pomocou simulátorov s vysokou vernosťou na vytvorenie umelých tréningových údajov je možné virtuálne obrazy vypočítať z virtuálnych objektov tak, aby sa rýchlo vytvorila tréningová súprava s dostatočným objemom na efektívne vycvičenie neurónovej siete. Tento prístup môže byť zároveň kľúčom ku školeniu systémov videnia používaných vo výrobe. Simuláciou snímok odvodených z CAD modelov častí dôjde k hlbokému učeniu sa tak, že sa podarí navrhnúť systém videnia skôr, ako skutočne nastane alebo dokonca bude existovať.
Významná zmena výroby
Toto je iba jeden z mnohých príkladov, ktoré ilustrujú, ako pokrok v simulácii a (AI) pomáhajú riešiť kľúčovú potrebu v robotike. So zavedením stále výkonnejších a cenovo dostupných hĺbkových 3-D kamier je príležitosť pre vysoko spoľahlivé strojové videnie ešte väčšia. V súčasnosti je programovanie na interpretáciu trojrozmerných obrazov ešte dosť primitívne, najmä preto, že príchod nových zariadení prevyšoval zodpovedajúce metódy programovania. Je však nepravdepodobné, že proces bude trvať dlho.
Pokročilejšie metódy programovania, ktoré sa dnes objavujú, sľubujú ešte väčšie výhody pri interpretácii trojrozmerných údajov. Keď dôjde k tomuto posunu, údaje o výcviku potrebné na hlboké vzdelávanie sa budú môcť získať fyzicky alebo simuláciou a hlboké siete sa budú môcť vyškoliť na interpretáciu týchto 3-D údajov. Je to vzrušujúci posun, ktorým pravdepodobne vieme úplne zmeniť výrobu.
Aplikácia robotiky znamená okamžité prínosy
Dôsledky spoľahlivejšieho a robustnejšieho strojového videnia sú obrovské. Strojové videnie je kľúčom k nespočetným aplikáciám robotiky v takých oblastiach, akými sú autonómne vozidlá, výroba, logistika, prieskum, chirurgia a domáce roboty. Prielomy v oblasti kvantového výpočtového systému sľubujú zároveň ďalší obrovský skok k hlbokému učeniu a umelej inteligencii.
Je známe, že systémy hlbokého vzdelávania sú výpočtovo náročné. Pokroky v oblasti kvantového počítania otvoria výpočtové bariéry, ktoré obmedzujú možnosti a dosah dnešných najmodernejších systémov hlbokého vzdelávania. Pomocou takýchto vysokorýchlostných výpočtov bude možné konečne počítať simulácie s vyššou vernosťou a vytvárať virtuálne tréningové údaje, ktoré podporujú hlboké siete. Okamžité prínosy AI budú rýchle.
Súčasný súboj inovácií v AI, v simulátoroch a vo výpočtovom hardvéri vytvára obrovskú vlnu zmien. Pred nami sú lepšie a rýchlejšie systémy AI, ktoré značne urýchlia kognitívne schopnosti robotov. Táto zmena rozšíri ich kompetencie, rozšíri dosah ich aplikácií a zvýši ich vplyv na všetky aspekty nášho života.
Pre investorov by nemôže existovať časovejšia téma ako robotika a umelá inteligencia. Výroba môže byť prvým odvetvím, ktoré môže ťažiť z výhod dnešnej križovatky robotiky a umelej inteligencie.
Profesor Wyatt Newman, PhD
Foto: Qoinbeck
Viac článkov o logistike nájdete v novom čísle Logistika Dnes Magazínu, ktorý je k stiahnutiu zdarma TU
Chcete nás podporiť? Budeme radi, ak to urobíte na naše číslo účtu:
SK73 8360 5207 0042 0002 2712
