Czytaj także -

Aktualne wydanie

2021 12 okladka1

Świat Szkła 12/2021

User Menu

 ET-160x600-PL-4

 

 

 

 

facebook12

czytaj newsy Świata Szkła

- więcej szklanej architektury

 

Baztech

Miesięcznik Świat Szkła

indeksowany jest w bazie

czasopism technicznych

 

 

  Adv-750x100-px-Builing-Science-23

 BUDMA 22a

Kiedy maszyny myślą – sztuczna inteligencja
Data dodania: 28.11.21

2021 11 28 1Sztuczna inteligencja naśladuje ludzkie procesy myślowe. Potrafi wykrywać i przetwarzać obrazy, rozpoznawać język, tłumaczyć komunikaty i podejmować decyzje. Ale czy może “obejść się” bez ludzi?

 

Sztuczna inteligencja (AI – artificial intelligence) doskonale nadaje się do inteligentnego wykorzystywania obrazów (zdjęć), ponieważ kamery stale gromadzą, filtrują i oceniają dane. W rozmowie z przedstawicielem Forum Technologii Szkła Bertrand Mercier, wiceprezes Business Unit Glass w ISRA Surface Vision, wyjaśnił, czego klienci mogą, a czego nie mogą oczekiwać od sztucznej inteligencji.

 

„Sztuczna inteligencja nie działa bez udziału człowieka, nawet jeśli proces ma na celu ograniczenie pracy ludzi. Na przykład OPC UA jest używany jako ustandaryzowany język do kontaktu między maszynami. Sztuczna inteligencja jest „karmiona” informacjami i korygowana, gdy nieprawidłowo interpretuje dane – metoda ta jest podobna do procesu uczenia się dziecka. Jest to proces ciągły, z ciągłymi korektami, które stopniowo zmniejszają stopień błędnej interpretacji (poziom błędu).

 

Maszyna musi zawsze rozpoznawać określony za pomocą przykładów wzór – rodzaj i wielkość wady. Uczy się, jak wyglądają poszczególne wzorce wad oraz jak je rozróżnić i ocenić, na przykład jak rozpoznawać różnicę między wtrąceniem ceramicznym a pęcherzykiem powietrznym w szkle oraz jakie wielkości są dopuszczalne w określonym wyrobie szklarskim (np. w szkle budowlanym lub szkle samochodowym).

 

Te właściwości – wszystkie interesujące nas wady szkła, które algorytm sztucznej inteligencji ma wyszukiwać na sprawdzanych taflach szkła - należy wcześniej opisać (zdefiniować i zobrazować) oraz nauczyć AI ich rozpoznawania.

 

W przemyśle szklarskim mogą to być typowe defekty wynikające z procesu produkcyjnego szkła bazowego float – takie jak plamy, rysy i pęcherze, lub wady powstałe w czasie procesu przetwarzania tafli szkła lub produkcji szyb zespolonych – np. wady powłoki, odpryski na krawędzi tafli szkła lub zabrudzenia wewnątrz szyby zespolonej.

 

Dlatego nie ma gotowej do działania sztucznej inteligencji uruchamianej za naciśnięciem jednego przycisku – wcześniej należy przygotować wzorce do jej poprawnego działania („materiały dydaktyczne” do nauki właściwego rozpoznawania wad).

 

Skuteczna analiza danych pozwala z wyprzedzeniem przewidywać wymagania lub rozpoznawać trendy – system może wówczas optymalizować procesy i reagować na zmiany, zanim nawet nadzorujący człowiek jeszcze zobaczy dane.

 

Jeśli dziś czytając o nowych technologiach i rozwoju, spotykamy się z takimi pojęciami jak BIG DATA (duże bazy danych) czy sztuczna inteligencja, oparta na formie głębokiego uczenia się (deep learning) oraz uczenia maszynowego (machine learning), aby najlepiej “poznać” korzyści wynikające z analizowania tych danych.

 

Takie duże ilości danych liczbowych oznaczają, że wskazane jest określenie najlepszej konfiguracji przy użyciu inteligentnej metody z wykorzystaniem „sprytu”, a nie „brutalnej siły” (brute-force) czyli trzeba nauczyć maszynę z AI na podstawie przykładów (wzorów wad), aby AI zrozumiała zróżnicowanie wad i je rozpoznawała. W przeciwnym razie – w metodzie określanej jako „brute-force”, maszyna musi zapamiętać i sprawdzać wszystkie możliwe, nawet mało prawdopodobne, konfiguracje. Ta druga metoda wymaga dużo większych mocy obliczeniowych komputera i zajmuje czas.

 

Ostatecznie zaś chodzi o automatyczne i szybkie rozwiązania złożonych problemów uczenia się, które są trudne do zaprogramowania przy użyciu konwencjonalnych metod.

 

Czego może oczekiwać klient dokonujący zakupu AI? Korzystając z podejścia opartego na regułach w przetwarzaniu obrazu, AI porównuje wzorce defektów tego samego typu w celu zidentyfikowania podobieństw i zdefiniowania zasad segregacji (podziału na dopuszczalne i niedopuszczalne wady – więc na wyroby dobrej lub złej jakości).

 

Chociaż jest to łatwe w przypadku aplikacji z typami defektów, które można wyraźnie oddzielić, to do wygenerowania reguł i wzorców defektów bardziej złożonych/skomplikowanych wymagany jest pewien okres szkolenia.”

 


„Sztuczna inteligencja nie działa bez udziału człowieka”
Algorytmy klasyfikujące oparte na sztucznej inteligencji potrzebują danych szkoleniowych - do nauki (skonfigurowania) algorytmu sztucznej inteligencji. Przy podejściu wykorzystującym uczenie maszynowe (klasyfikacja oparta na cechach) system jest stale „doszkalany” zgodnie z potrzebami użytkownika (zakładu szklarskiego).

 

Odbywa się to za pomocą drzewa decyzyjnego (decision tree) lub poprzez identyfikację najbardziej podobnych defektów (most similar defect) – klasyfikacja odbywa się zatem według cech takich jak: parametry geometryczne (kształt i wymiary), dane statystyczne (opisanie danej cechy za pomocą zagregowanego wzoru) lub częstotliwość występowania.

 

Umożliwia to automatyczne generowanie struktur klasyfikacyjnych o średniej złożoności przez model/algorytm sztucznej inteligencji, a użytkownik może je później ulepszyć (improve) uzupełniając określone cechy wad. Liczba zdefiniowanych cech zdecydowanie determinuje tutaj jakość klasyfikacji.

 

Głębokie uczenie (deep learning) – wykorzystujące klasyfikację opartą na obrazach – eliminuje potrzebę ekstrakcji charakterystycznych cech (wyodrębnianie ich i definiowanie) – poznanie tego jest zadaniem sieci neuronowej.

 

Wyodrębnia ona reprezentatywne dane z obrazu wykorzystując warstwy konwolucyjne (splotowe) – filtry. System uczy się cech i klasyfikuje je z największą precyzją, gdy ma do dyspozycji odpowiednio duży i dobry (reprezentatywny) zbiór danych w postaci zdjęć (obrazów).

 

Jednak nie jest to również podejście w pełni zautomatyzowane, ponieważ zarówno skuteczność modeli (algorytmów), jak i ich złożoność stale rosną w wyniku takich czynników, jak podejście z wykorzystaniem samodzielnego uczenia się (selflearning) algorytmu. Poza tym na początku to człowiek - specjalista musi dostarczyć i uzupełnić zdjęciowe bazy danych, łącznie z określeniem, na którym zdjęciu pokazana jest wada szkła, a na którym jego cecha, która wadą nie jest oraz jakich wyrobów one dotyczą (szkło budowlane lub szkło samochodowe, wyroby z jakością „premium” lub z jakością „standard” itp.) albo dla jakich fragmentów tafli szkła są przeznaczone (normy określają inny poziom wad dla strefy środkowej i strefy brzegowej szyby zespolonej).

 

Firma użytkująca maszyny ze sztuczną inteligencją powinna więc dysponować bardzo dobrze wyszkoloną, wyspecjalizowaną kadrą – posiadającą aktualną wiedzę dotyczącą technologii szkła i algorytmów komputerowych.”

 

Ważne linki :
glass.vdma.org
www.isravision.com

 

Całość artykułu w wydaniu drukowanym i elektronicznym 

Inne artykuły o podobnej tematyce patrz Serwisy Tematyczne 
Więcej informacji:  
Świat Szkła 11/2021  

 

 

 

 

Czytaj także --

Czytaj także

 

 

01 chik
01 chik