Википедија

Veštačka inteligencija u industriji

Veštačka inteligencija u industriji se bavi primenom veštačke inteligencije radi rešavanja industrijskih problema, sa ciljem stvaranja vrednosti za korisnike, poboljšanja proizvodnosti, smanjenja troškova, optimizacije lokacija, prediktivne analize i otkrivanja uvida.

Veštačka inteligencija i mašinsko učenje postali su ključni za omogućavanje iskorišćavanja podataka u proizvodnji poslednjih godina zbog nekoliko različitih faktora: sve dostupniji senzori i automatizovani proces prikupljanja podataka; veća računarska moć računara za obavljanje složenijih zadataka brže i sa nižim troškovima; brža infrastruktura povezivanja i dostupnije usluge u oblaku za upravljanje podacima i autsorsing računarske snage.

Kategorije uredi

Moguće primene industrijske veštačke inteligencije i mašinskog učenja u domenu proizvodnje mogu se podeliti na sedam oblasti primene:

Svaku oblast primene možemo dodatno podeliti na konkretne scenarije primene koji opisuju stvarne situacije u oblasti veštačke inteligencije i mašinskog učenja u proizvodnji. Dok neke oblasti primene imaju direktnu vezu sa proizvodnim procesima, druge obuhvataju oblasti prilegle proizvodnji, kao što su logistika ili izgradnja fabrike.

Primer iz oblasti primene dizajna procesa i inovacija su saradnički roboti. Saradnički robotski rukavi su sposobni da nauče pokrete i putanje koje demonstriraju ljudski operateri i izvrše isti zadatak. Primeri primene iz oblasti mašina i oprema uključuju prediktivno i preventivno održavanje putem podataka vođenog mašinskog učenja.

Izazovi uredi

Za razliku od potpuno virtuelnih sistema, u kojima je mašinsko učenje već danas široko zastupljeno, stvarni proizvodni procesi karakterišu interakciju između virtuelnog i fizičkog sveta. Podaci se beleže pomoću senzora i obrađuju na računaruma, a po potrebi se akcije i odluke prenose nazad u fizički svet putem aktuatora ili ljudskih operatera.

Ovo postavlja značajne izazove za primenu mašinskog učenja u sistemima proizvodnog inžinjeringa. Ovi izazovi proizlaze iz susreta karakteristika procesa, podataka i modela: visoki zahtevi proizvodne oblasti u pogledu puzdanosti, visok potencijal rizika i gubitaka, mnoštvo heterogenih izvora podataka i nedovoljna transparentnost funkcionalnosti modela mašinskog učenja ograničavaju brže usvajanje mašinskog učenja u stvarnim proizvodnim procesima.

Konkretno, proizvodni podaci uključuju različite modalitete, semantike i kvalitet. Pored toga, proizvodni sistemi su dinamični, neizvesni i kompleksni, a inženjerski i proizvodni problemi su bogati podacima, ali skupi informacija. Osim toga, zbog različitih slučajeva upotrebe i karakteristika podataka, potrebni su setovi podataka koji su specifični za problem, koje je teško dobiti, što ograničava naučne istraživače u ovoj oblasti.

Karakteristike procesa i industrije uredi

Oblast proizvodnog inženjerstva može se smatrati kao konzervativna industrija kada je u pitanju primena napredne tehnologije i njihova integracija u postojeće procese. Ovo je zbog visokih zahteva za pouzdanošću proizvodnih sistema, koja proizilazi iz potencijalno velike ekonomske štete u slučaju smanjene efikasnosti procesa, kao što je dodatni neplanirani prostoj ili nesavršene kvalitete proizvoda. Pored toga, specifičnosti obradne opreme i proizvoda onemogućavaju široku upotrebu u različitim procesima. Osim tehničkih razloga, odbijanje primene mašinskog učenja podržava se i nedostatkom IT i ekspertize iz oblasti nauke o podacima.

Karakteristike podataka uredi

Podaci sakupljeni u proizvodnim procesima glavno potiču iz čestog uzumanja uzoraka senzora kako bi se procenilo stanje proizvoda, procesa ili okoline u realnom svetu. Očitavanja senzora podložna su šumu i predstavljaju samo procenu stvarnosti pod neizvesnošću. Podaci o proizvodnji obično uključuju više rasprostranjenih izvora podataka što rezultira različitim modalitetima podataka (na primer, slike iz sistema vizuelne kontrole kvaliteta, vremenska serija očitavanja senzora ili prekroznačne informacije o zadatku i proizvodu). Nesaglasnosti u prikupljanju podataka dovode do niskog odnosa signala i šuma, niske kvalitete podataka i velikih napora u integraciji, čišćenju i upravljanju podacima. Dodatno, kao rezultat mehaničkog i hemijskog tereta na opremu za proizvodnju, podaci o procesu podložni su različitim oblicima državnih podataka.

Karakteristike modela mašinskog učenja uredi

Modeli mašinskog učenja se smatraju kao sistemi crne kutije zbog njihove složenosti i nejasnosti u odnosu ulaz-izlaz. Ovo smanjuje razumevanje ponašanja sistema i takođe prihvatanje od strane operatera postora. Zbog odsustva transparentnosti i stohastičnosti ovih modela, nije moguće postići deterministički dokaz funkcionalne ispravnosti. Imajući u vidu njihovu urođenu neograničenu predvidivu prirodu, modeli mašinskog učenja izloženi su greškama ili manipulacijama podataka, dodatno rizikujući pouzdanost proizvodnog sistema zbog nedostatka stabilnosti i bezbednosti. Pored visokih troškova razvoja i postavljanja, državni podaci izazivaju visoke troškove održavanja, što je negativno u poređenju sa čisto determinističkim programima.

Standardni procesi za podatkovnu nauku u proizvodnji uredi

Razvoj aplikacija mašinskog učenja – počevši od identifikacije i selekcije slučaja upotrebe, pa do implementacije i održavanja aplikacije – prati posvećene faze koje mogu biti organizovane u standardne modele procesa. Modeli procesa pomažu u strukturiranju procesa razvoja i definisanju zahteva koji moraju biti ispunjeni u svakoj fazi kako bi se prešlo u sledeću. Standardni procesi mogu biti klasifikovani u generičke i domenske. Generički standardni procesi (na primer, među-industrijski standardni proces za izdvajanje podataka [en] (CRISP-DM), ASUM-DM, Izdvajanje podataka [en] (KDD), SEMMA [en] ili timski proces podataka) opisuju opštu metodologiju i stoga su nezavisni od pojedinačnih domena.S druge strane, domenski specifični procesi uzimaju u obzir specifičnosti i izazove posebnih oblasti primene.

Mašinski-cevno učenje u proizvodnji je domenski specifična metodologija za nauku inspirisana CRISP-DM modelom, a posebno je dizajnirana da se primeni u oblastima inženjeringa i tehnologije proizvodnje. Kako bi se rešili osnovni izazovi mašinskog učenja u inženjeringu – karakteristike procesa, podataka i modela – metodologija posebno ističe procenu slučaja upotrebe, dostignuće zajedničkog razumevanja podataka i procesa, integraciju podataka, predprocesiranje podataka iz stvarnog proizvodnog okruženja i implementaciju i sertifikaciju stvarnih aplikacija za mašinsko učenje u stvarnom svetu.

Izvori industrijskih podataka uredi

Osnova većine aplikacija veštačke inteligencije i mašinskog učenja u industrijskim okruženjima jesu obimni setovi podataka iz relevantnih oblasti. Ti setovi podataka služe kao osnova za treniranje korišćenih modela. U drugim domenima, kao što su računarski vid, prepoznavanje govora ili modeli jezika, često se koriste obimni referentni setovi podataka (npr. ImageNet, Librispeech, The People's Speech) i podaci sakupljeni sa otvorenog interneta.Takvi setovi podataka retko postoje u industrijskom kontekstu zbog visokih zahteva za poverljivost i visoke specifičnosti podataka. Zbog toga su industrijske primene veštačke inteligencije često izložene problemu dostupnosti podataka.

Iz ovih razloga, postojeći otvoreni setovi podataka primenljivi na industrijske aplikacije često potiču iz javnih ustanova kao što su vladine agencije ili univerziteti i takmičenja u analizi podataka koja organizuju kompanije. Pored toga, postoje platforme za deljenje podataka. Međutim, većina ovih platformi nema industrijski fokus i pruža ograničene mogućnosti filtriranja u vezi sa izvorima industrijskih podataka.

Vidi još uredi

Reference uredi

Spoljašnje veze uredi

Preuzeto iz „https://sr.wikipedia.org/w/index.php?title=Вештачка_интелигенција_у_индустрији&oldid=27245202”