Mesterséges intelligencia tanítása ipari környezetbe

Előző cikkünkben foglalkoztunk azzal a problémával, hogy milyen nagy az adatigénye egy jól működő neurális hálózat tanításának. Sorra vettük, hogy az eltérő kamerákból, és az eltérő működisi körülmények miatt mekkora tanítómintára is van szükségünk.

Ehhez képest az ipar környezetekbe megoldható, hogy ezeket a változókat redukáljuk. Ezáltal csökkentve a probléma méretét, és a szükséges képi adatmennyiséget. Vegyük sorra milyen lehetőségeink vannak arra, hogy minél inkább egyszerűsítsük a problémát.

Ipari kamerák

Ilyen környezetbe tipikusan ipari felhasználásra tervezett kamerákat használunk. Ezeket a kamerákat úgy fejlesztették, hogy teljesen szabadon lehessen azokat hangolni. A képalkotásnak minden paraméterét lehessen limitek közé szorítani, ahol az automatikus beállítás milyen tartományban hangolhatja ezeket, de akár teljesen fix manuális beállítást is megengednek.

Ezekben a kamerákból a legtöbb esetben nyers formátumba nyerhetőek ki a képek, azaz nem kerül a képekre valamilyen tömörítés, ami információ vesztés okozna. Ráadásul ezek a tömörítő algoritmusok sajátos képi információ torzítást eredményezhetnek a képen, emberi szemmel ez nehezen észrevehető, de a neurális hálózatok adott esetbe erre nagyon érzékenyek tudnak lenni. A mély tanulás sajátossága, hogy a lokális képi tartalomból épít fel összefüggéseket a későbbi rétegekbe, ha mi elrontjuk a lokális információkat belátható sokkal nehezebb megkeresni ezeket az összefüggéseket.

Ami még nagy előnye az ipari kameráknak az álltalános társaikkal szemben, hogy a termék ciklusuk sokkal hosszabb. Az ilyen kamerákat gyártó cégek ismerik a saját piacukat és megpróbálják kiszolgálni az ott jelentkező igényeket. Ez abban is megnyilvánul, hogy tipikusan ma is megvásárolható az a kamera, ami akár 10 évvel ezelőtti csúcs technológiát képviselte. Azaz ezek a gyártók garantálják, hogy a vásárlóik általál gyártott termékek életciklusa alatt az adott típusú kamera végig beszerezhető. Így nem kell félnünk egy esetleges gyártási kapacitás bővítés esetén, illetve ezen idő alatt végig élvezhető a terméktámogatás előnye is.

Egységesített körülmények

Szemléltettük az is megelőző cikkünkbe, hogy egy álltalános bárhol alkalmazható eljárásra milyen hatásai vannak a környezeti adatságoknak és akár az időjárási körülményeknek. Ezzel szemben tipikusan egy ipari körülmények között nem változik a feldolgozás helyszíne, ha egyszer kikerült egy gyártósori minőségbiztosító rendszer, az ugyan ott fog működni várhatóan a években.

Ezen felül a környezetet további eszközök a rendszerbe történő integrálásával még inkább fixálhatjuk. Ilyen eszközök lehetnek például a megvilágítások alkalmazása. Ha változnak a külső fényviszonyok, például természetes fény világíthatja meg gyártósorunkat, ami időbe akár változhat, ezen hatást jól el lehet nyomi egy erős lokális fényforrással és árnyékolók kihelyezésével.

Ha megvilágítást alkalmazunk akkor annak persze más haszna is lehet. Ha több fény kerül a rendszerbe akkor az a kamerának a zajosságára is jótékonyan hathat. Illetve a képalkotási időt is lehet redukálni, ezzel akár gyorsabban mozgó objektumokat is megfigyelhetünk.

A mesterséges intelligenciára gyakorolt hatása az ipari környezetnek

A fent említett lehetőségekkel és egyéb praktikákkal nagy mértékben sikerült a változó körülmények számát redukálni. Ennek több pozitív hatása lehet ezeket is nézzük meg sorra.

Az első ilyen, hogy nagy mértékben csökkenhet a tanítóadat szükséglet így ezáltal olcsóbban megvalósítható az a szoftver rendszer, ami a gyártási folyamatokat támogatja. Ennek persze egy másik hatása is van gyorsabban kivitelezhető is a projekt álltalában.

Kimagasló pontosság érhető el azzal, hogy a mesterséges intelligenciát csak erre az egy fix problémára tanítjuk. Az egyszerűen belátható, hogy egy problémát minél inkább sikerül sztenderdizálni annál egyszerűbb megoldani is. Illetve azoknak az eseteknek a száma is csökkenthető amikor a neurális hálózat addig nem látott problémával találkozik. Így elérhető az emberi pontosságot meghaladó eredmény is.

Harmadik előny, amit még érdemes megemlítenünk, hogy mivel a probléma mértékét sikerült leszorítani ezt akár kihasználhatjuk arra is, hogy csökkentsük a neurális hálózat méretét. Ennek két jótékony hatása lehet. Az egyik, hogy gyorsabb feldolgozásra képes rendszert kapunk. Vagy mivel a kisebb neurális hálózatnak köszönhetően csökken a számítási kapacitásunk, csökkenhet a hardver költség is, ami a projekt egész költségvetését is csökkenti.