Естествената еволюция на изкуствения интелект

АвтоматизацияТехнологииСпециален брой: Високотехнологична автоматизация • 05.05.2022

  • Благодарение на съвкупността от данни, извлечени чрез изкуствен интелект от много различни източници, може да се идентифицират тенденции в многомерни пространства, които хората нямат способността да си представят

  • С помощта на изкуствения интелект прогнозната поддръжка води и до по-дълъг оставащ полезен живот на машините и оборудването, тъй като се предотвратяват вторични повреди

  • Специалистите прогнозират, че по-широкото възприемане на изкуствения интелект от производителите ще удължи ангажимента им към даден продукт, което от своя страна ще благоприятства възприемането на подходите на кръговата икономика

 

Като една от областите, в които новите технологии се възприемат най-лесно и бързо, производството предлага добри примери за това как изкуственият интелект (AI) може да бъде внедрен успешно и в дейности от голям мащаб.

В момента изкуственият интелект отключва огромна промяна в производството, която обхваща всичко – от дистанционно наблюдение на машини до откриване на проблеми, преди да са възникнали, от намаляване на отпадъците във веригата за доставки до прогнозиране на вида продукти, които клиентите ще искат или от които ще имат нужда, и гарантиране на готовността им за продажба без забавяне.


Бъдещето на AI в производството

Когато става въпрос за изкуствен интелект и машинно самообучение (ML), малко индустрии могат да се похвалят с възможностите за мащабно внедряване и тестване на най-новите постижения в областта на автоматизацията, управлявана от изкуствен интелект, както производителите на индустриални машини.

Индустриалният интернет на нещата (IIoT) вече се движи с бързи темпове и заедно с навлизането на 5G мрежите ще трансформира производствените операции завинаги. Операциите във фабриките разширяват своята дигитализация чрез използването на софтуерни инструменти, натрупвайки много информация, която трябва да бъде обработена, оценена и анализирана. AI дава на потребителите възможност да пресеят всички тези несвързани, неструктурирани данни и да ги осмислят. Чрез анализиране на конкретни данни, като например степента на използване на капацитета или консумацията на електроенергия, производителите могат да управляват по-икономична работа, повишавайки производителността, като същевременно намаляват разходите и въглеродните си емисии.

Изкуственият интелект помага на производителите да направят процесите си по-гъвкави. Чрез използване на данни от фунията на продажбите, фабриките могат по-добре да предвидят нуждите на клиентите и следователно да персонализират производството в съответствие с тенденциите, диктувани от потребителите. Чрез постигане на правилния баланс между използването на дигитални инструменти и анализ на специалисти, заводите биха могли да сведат до минимум загубите си като време, ресурси, материали и да възприемат стратегия за нулеви отпадъци.

Вече се използват алгоритми, които помагат за намирането на начини за повторна употреба, усъвършенстване и надграждане на продукти на клиенти, които увеличават продължителността на живота им. Специалистите прогнозират, че по-широкото възприемане на изкуствения интелект от производителите ще удължи ангажимента им към даден продукт, което от своя страна ще благоприятства възприемането на подходите на кръговата икономика.

Благодарение на съвкупността от данни, извлечени чрез изкуствен интелект от много различни източници, може да се идентифицират тенденции в многомерни пространства, които хората нямат способността да си представят. Изследванията на изкуствения интелект са ключът към интегрирането на нашите производствени знания за поддържане на гъвкавост и водещо предимство в технологиите.

Зле планираната поддръжка може да намали общия производствен капацитет на едно предприятие с до 20%. Не е учудващо, че броят на индустриалните роботи с изкуствен интелект нараства експоненциално сред предприятията с критично оборудване. През 2016 г. водещ производител на дигитални решения представи своята интелигентна индустриална облачна система, позволяваща на производителите да наблюдават машините. Тя се използва например при газови турбини, където с над 500 сензора се следи състоянието на турбините, позволявайки актуализации в реално време, и прогнозиране на ремонтна поддръжка.

Традиционните подходи на мониторинг на оборудването не отчитат по-сложните динамични модели на машините или контекстуалните данни, свързани с производствения процес като цяло. Например сензор на производствена машина може да улови внезапно повишаване на температурата. Система, базирана на статични правила, няма да вземе предвид факта, че машината е подложена на стерилизация, и ще задейства фалшив сигнал.

Предимствата на машинното самообучение за прогнозна поддръжка са многобройни и могат значително да намалят разходите, като същевременно елиминират необходимостта от планиран престой в много случаи. Чрез алгоритми за машинно самообучение поддръжката изпреварва повредите, преди да настъпят, като така системите могат да продължат да функционират без ненужни прекъсвания. С други думи, необходимостта от поддръжка става много по-фокусирана – техниците се информират за компонентите, които се нуждаят от проверка, ремонт и подмяна, кои инструменти да използват и кои процедури да следват.

С помощта на изкуствения интелект прогнозната поддръжка води и до по-дълъг оставащ полезен живот на машините и оборудването, тъй като се предотвратяват вторични повреди, а за извършване на процедурите по поддръжката е необходима по-малко работна сила.

При много компании възниква проблем от това, че внедряват AI в изолирани зони в своите производствени бази, т.е. на “островен принцип”, и впоследствие се стремят да го внедрят в цялото си производство за своите глобални операции. За щастие много разработчици предлагат базирани на AI производствени решения, които оптимизират тези процеси и същевременно подобряват производителността на цеховете.

Потенциалът на изкуствения интелект за радикално трансформиране на фабриките не е изчерпан. Много производители все още са в етап на пилотни проекти с изкуствен интелект, но това предстои да се промени. Въпреки че финансовата тежест при инвестиция в изкуствен интелект намалява, анализаторите съзират, че има и някои други пречки пред внедряването.


Изкуственият интелект като област на науката

AI системите работят чрез комбиниране на големи набори от данни с интелигентни, итеративни алгоритми за обработка, за да се самообучават от модели и характеристики на данните, които анализират. Винаги когато AI система изпълнява цикъл на обработка на данни, тя тества и измерва собствената си производителност и натрупва допълнителен опит.

Тъй като изкуственият интелект никога не се нуждае от почивка, той може да премине през стотици, хиляди или дори милиони задачи изключително бързо, да научи много за кратко време и да стане изключително способен за това, което е обучен да изпълнява. Трикът за разбиране на това как AI наистина работи е разбирането на концепцията, че AI не е само една компютърна програма или приложение, а цяла дисциплина или наука.

Целта на науката за изкуствен интелект е да се изгради компютърна система, която е в състояние да моделира човешкото поведение, така че да може да използва процеси на мислене, подобни на тези на човека, за решаване на сложни задачи. За да постигнат тази цел, AI системите използват цял арсенал от методи и процеси, както и огромен набор от различни технологии.
Едва след като се разгледат тези методи и процеси, може наистина да се добие представа за това какво всъщност прави AI и по този начин как работи.

Има много различни компоненти на системата за изкуствен интелект, за които може да се каже, че са поддисциплини, които науката за изкуствения интелект обхваща и с които технологиите за изкуствен интелект си служат.

Машинното самообучение е специфично приложение на AI, което позволява на компютърните системи, програми или приложения да се учат автоматично и да развиват по-добри резултати въз основа на опит, без да са програмирани за това.
Машинното самообучение позволява на изкуствения интелект да намира модели в данните и да подобрява резултатите от всяка задача, която е била поставена на системата.

Машинното самообучение изучава компютърни алгоритми, които могат да се подобряват автоматично чрез опит и използване на данни. Алгоритмите за машинно самообучение изграждат модел, базиран на примерни данни, известни като данни за самообучение, за да правят прогнози или дават решения, без да бъдат изрично програмирани за това.

Методът на самообучение с утвърждение (Reinforcement Learning) обозначава група от методи за автоматично самообучение, които се отличават със способността си да функционират без необходимост от примерни решения на поставения проблем.
Обучението протича като последователност от пробни действия, които постепенно водят до утвърждаване на правилните действия и избягване на неправилните.

Дълбокото самообучение (deep learning) е специфичен тип машинно самообучение, което позволява на изкуствения интелект да се учи и подобрява чрез обработка на данни. Дълбокото самообучение използва изкуствени невронни мрежи, които имитират биологични невронни мрежи в човешкия мозък, за да обработват информация, да намират връзки между данните и да извеждат изводи или резултати, базирани на положително и отрицателно стимулиране.

Изкуствените невронни мрежи са модел за обработка на информация, който следва принципа на работа на биоелектричните мрежи в човешкия мозък, образувани от неврони и техните синапси. При процеса на обработка се анализират набори от данни отново и отново, за да се намерят асоциации и да се интерпретира значението от недефинирани данни. Изкуствените невронни мрежи подобно на мрежите от неврони в човешкия мозък позволяват на AI системите да приемат големи набори от данни, да разкриват модели сред данните и да отговарят на въпроси за тях.

Когнитивните изчисления са друг важен компонент на системите за изкуствен интелект, предназначени да имитират взаимодействията между хора и машини, позволявайки на компютърните модели да имитират начина, по който работи човешкият мозък, когато изпълнява сложна задача, като анализиране на текст, реч или изображения.

Обработката на естествен език е критична част от процесите на обработка чрез изкуствен интелект, тъй като позволява на компютрите да разпознават, анализират, интерпретират и наистина разбират човешката реч, било то в писмена или вербална форма. Обработката на естествен език е от решаващо значение за всяка управлявана от изкуствен интелект система, която взаимодейства с хората по някакъв начин – чрез текстово или чрез устно въвеждане.

Машинното зрение е едно изключително продуктивно приложение на изкуствения интелект, тъй като комбинацията от двете технологии дава способност да се преглежда и тълкува съдържанието на изображения чрез разпознаване на модели и дълбоко самообучение. Машинното зрение позволява на системите с изкуствен интелект да идентифицират компоненти от визуални данни.


Механизмите за обучение на невронни мрежи

Има два различни подхода, за да накарате програма да прави това, което искате. Първият подход е чрез направляване на действията на програмата с конкретно програмирани алгоритми. Операторът казва на програмата какво точно иска тя да прави. Вторият подход се основава на принципа на невронните мрежи. При него на мрежата се задават входните сигнали и какво се изисква за изходните и след това тя се оставя да се самообучи. Чрез самообучение се спестява въвеждането на всички правила. Създава се архитектурата и след това тя се оставя да се самообучава.

Изкуствените невронни мрежи са организирани в слоеве взаимосвързани паралелни изчислителни елементи (неврони). За разлика от нашите компютри, които имат един процесор за събиране и показване на информация, тези мрежи обикновено се състоят от множество прости процесори, които могат да действат паралелно един с друг, за да моделират променящи се системи. Този паралелен процес на изчисление също така позволява по-бърза обработка и изчисляване на решения. Невронните мрежи следват динамична изчислителна структура и не се придържат към прост процес за получаване на желания резултат.

Всеки неврон приема сигнали от другите (под формата на числа), сумира ги, като сумата минава през активационна функция, и така определя своята активация (степен на възбуда), която се предава по изходящите връзки към другите неврони. Всяка връзка има тегло. За всеки процесор в слой всеки от входните сигнали се умножава по първоначално установено тегло, като така се дава т. нар. вътрешна стойност на операцията, т.е. определя се нейната значимост. Тази стойност допълнително се променя от първоначално създадена прагова стойност и се изпраща на функция за активиране, за да картографира нейния изход. Резултатът от тази функция след това се изпраща като вход за друг слой или като краен отговор на мрежата, ако слоят е последен. Обучаването на една невронна мрежа се извършва чрез промяна на теглата на връзките между невроните и се осъществява чрез правила, които определят как да се променят тези тегла. Теглата и праговите стойности се променят, за да се получи правилната и най-точна стойност.

Разглеждането на аналогия може да бъде полезно за разбирането на механизмите на невронната мрежа. Обучението на невронна мрежа е тясно свързано с начина, по който хората учим – ние извършваме действие, което се приема или коригира от обучител, за да разберем как да станем по-добри в определена задача. По подобен начин невронните мрежи изискват обучител, за да се опише какво е трябвало да бъде произведено като отговор на входа. Въз основа на разликата между действителната стойност и стойността, която е изведена от мрежата, се изчислява стойност за грешка и се изпраща обратно през системата. За всеки слой от мрежата стойността на грешката се анализира и използва за коригиране на прага и теглата за следващия вход. По този начин грешката става все по-малка при всяка итерация, тъй като мрежата се научава как да анализира стойностите.

Описаният по-горе метод на обучение е най-разпространеният и е известен като обратно разпространение на сигнал за грешка (back-propagation) и се прилага непрекъснато през мрежа, докато стойността на грешката не стане минимална. В този момент невронната мрежа вече не изисква такъв процес на обучение и й се разрешава да работи без корекции. След това мрежата се прилага практически, като се използват коригираните тегла и прагове като насоки.

Когато една невронна мрежа е активна, не се извършва обратно разпространение, тъй като няма начин очакваният отговор директно да се провери. Вместо това, валидността на изходните изрази се коригира по време на нова обучителна сесия или те се оставят такива каквито са, за да може мрежата да работи. Може да се наложи да се направят много корекции, тъй като в изкуствената невронна мрежа фигурират голямо количество променливи, които трябва да бъдат точни, за да функционира тя.

Пример за такъв процес може да бъде разгледан чрез обучение на невронна мрежа да преобразува текст в реч. Човек може да избере множество различни статии и параграфи и да ги използва като входове за мрежата и предварително да определи желания вход, преди да стартира теста. След това етапът на обучение ще се състои в преминаване през множеството слоеве на мрежата и използване на обратно разпространение за коригиране на параметрите и праговата стойност на мрежата, за да се сведе до минимум стойността на грешката за всички входни примери. След това мрежата може да бъде тествана върху нови текстове, за да се определи дали наистина може правилно да преобразува текста в реч.

Например за да се научи един колаборативен робот да налива бира в чаша, без да е зададена крайната цел, тоест без зададени конкретни движения, може да се използват методите на обучение с утвърждение. С тези методи роботът може бързо да идентифицира обекта и сам да вземе най-доброто решение за динамично движение.

Един подход на изучаването на траекторията на манипулатор чрез обучение с утвърждение използва сензори за виртуална реалност за инструктиране на движенията на робота. Друг подход разчита на направлявани от човек движения на манипулатора чрез докосване на сензора за сила.

Друг подход избягва използването на сензори чрез представяне на политики от примитиви за динамично движение (Dynamic Movement Primitives – DMPs). Този тип обучение се базира на забранени действия, които роботът не трябва да заучава.
Следователно избягва препятствията в работната среда, докато все още изчислява траекториите в рамките на установените ограничения. Възможно е също така да се приложи обучение с утвърждаване чрез референтни методи, където манипулаторът трябва да открие възможно най-бързо отклоненията, които прилаганият модел има по отношение на модела на околната среда.

При всички тези подходи практиката на следене/коригиране на роботите им помага да се научат какво да правят в съответствие със задачите в дадена ситуация. Такива ситуации, при които манипулаторите, конфигурирани с обучение с утвърждаване, се използват за контрол на качеството на продуктите чрез проверка, могат да имат безкраен брой входни задания и следователно ще генерират безкраен брой изходни действия. За решение на такива проблеми се прилагат специални алгоритми за подобряване на производителността на робота и непрекъснато адаптиране към динамични среди.

 

 

ЕКСКЛУЗИВНО

Top