020'nin endüstriyel uygulamalarda yapay zekanın (AI) hızlı büyümesi ile AI-Driven System yılı olması bekleniyor. Daha fazla mühendis ve bilim insanı ile yapay zeka projeleri üzerinde çalışan veri bilimcileri ve simülatörler yapay zeka tarafından ihtiyaç duyulan eğitim verilerini sağlarken, beceri ve veri kalitesi gibi engeller azaltılacaktır. Buna ek olarak, yapay zeka düşük güçlü, düşük maliyetli gömülü aygıtlara ve takviye öğrenme oyunlarından gerçek dünyadaki endüstriyel uygulamalara geçtikçe yeni sınırlar büyümeyi artıracak.
1. Beceri ve veri kalitesinin önündeki engelleri gevşetin.
Yapay zeka endüstride daha yaygın hale geldikçe, sadece veri bilimcileri değil, giderek daha fazla mühendis ve bilim insanı AI projeleri üzerinde çalışacak.
Deep Mevcut derin öğrenme modelleri ve araştırma sonuçlarına erişim sayesinde, engeller sıfırdan başlamaktan önemli ölçüde daha düşüktür. Bu AI modelleri bir zamanlar büyük ölçüde görüntülere dayanıyordu, ancak zaman serisi verileri, metin ve radar gibi daha duyusal veriler de içerecek.
Bir projenin başarısı veya başarısızlığı, mühendislerin ve bilim adamlarının verilerdeki (alan bilgisi) benzersiz bilgisinden büyük ölçüde etkilenir. Bu, veri bilimcilerinin sahip olmadığı bir avantajdır ve otomatik etiketleme araçları vb. Kullanarak, veri bilimcisi becerileri olmadan bile alan bilgisini kullanarak büyük ve yüksek kaliteli veri kümeleri oluşturabilirler. Bunu yapabilecektir. Kullanılabilir verilerin kalitesi ne kadar yüksek olursa, AI modellerinin doğruluğu o kadar yüksek olur ve proje başarısı olasılığı da o kadar artar.
2. AI sürücü sistemlerinin yükselmesi nedeniyle karmaşık tasarım
AI, çok çeşitli sensör verilerini (IMU (atalet ölçüm cihazı), LiDAR (binici), radar vb.) İşleyebilir ve mühendisler, kendi kendine giden arabalar, uçak motorları, fabrikalar ve rüzgar türbinleri dahil olmak üzere çok çeşitli sistemler kullanabilir. AI kullanımı ilerleyecektir. Bu karmaşık ve çok alanlı sistemlerde, AI modelinin davranışı genel sistem performansı üzerinde önemli bir etkiye sahiptir. Bu alanlarda, AI modelleri geliştirmek son bir adım değil, bir adımdır ve AI odaklı sistemleri simüle edebilen, entegre edebilen ve sürekli olarak test edebilen model tabanlı geliştirme araçlarına artan ilgi vardır.
Model tabanlı geliştirme araçlarını kullanarak, yapay zeka ve tüm sistem arasındaki etkileşimi anlamak için simülasyonu kullanabilir ve tasarım fikirlerini tüm sistemle denemek için entegre edebilirsiniz. Ek olarak, sürekli testler AI eğitim veri kümelerindeki zayıflıkları hızlı bir şekilde belirleyebilir.
3. AI'yı düşük güçlü, düşük maliyetli yerleşik cihazlara tanıtmak.
Geçmişte, AI modelleme genellikle GPU'lar, bilgisayar kümeleri ve veri merkezleri gibi HPC (yüksek performanslı hesaplama) sistemlerine benzer şekilde 32 bit kayan nokta aritmetiği kullanıyordu. Bu yüksek performanslı enstrümanlarla daha doğru sonuçlar elde edebilir ve modelinizi daha kolay eğitebilirsiniz. Öte yandan, sabit nokta aritmetiği kullanan düşük maliyetli, düşük güçlü gömülü cihazlar bu AI çıkarım modellerini uygulamak için hedef değildi.
Bununla birlikte, AI geliştirme araçları ilerledikçe, farklı sabit nokta aritmetiği seviyelerine dayanan AI çıkarım modelleri ile uyumlu hale gelmiştir ve AI'yı düşük güçlü, düşük maliyetli gömülü cihazlarda dağıtmak mümkün hale gelmektedir. Yapay zekayı otomotiv elektronik kontrol üniteleri (ECU'lar) ve diğer endüstriyel gömülü uygulamalar gibi tasarımlara dahil etmek için yeni sınırlar açılacak.
4. Takviye öğrenme, oyunlardan gerçek dünyadaki endüstriyel uygulamalara geçer
2020'ye kadar, Takviye Öğrenme oyun dünyasından atlayacak ve kendi kendine giden arabalar, otonom sistemler, kontrol tasarımı ve robotik için gerçek bir endüstriyel uygulama haline gelecektir.
Mühendislerin takviye öğrenme politikaları oluşturma ve eğitme, eğitim için büyük miktarda simülasyon verisi oluşturma, takviye öğrenme ajanlarını sistem düzeyi simülasyon araçlarına entegre etme ve gömülü donanımı entegre etme için kullanımı kolay bir araç İçin kod üretimi kolaydır. Gelecekte, takviye öğrenimi daha büyük sistemleri geliştirmek için bir bileşen olarak kullanılmaya başlanacaktır.
Bir örnek, otomatik sürüş sistemlerinin sürüş performansını iyileştirmektir. AI, sistem kontrol performansını artırmak, hız, yakıt verimliliği ve tepki süresi gibi performansı iyileştirmek ve optimize etmek için takviye öğrenme ajanları ekleyebilir. Bu gelişmiş kontrolör, araç dinamiği modeli, çevresel model, kamera sensör modeli ve görüntü işleme algoritması ile tamamen özerk bir sürüş sistemi modeline entegre edilebilir.
5. Simülasyon, yapay zeka benimsenmesinin önündeki en büyük engel olan veri kalitesini aşıyor.
Analistler, veri kalitesinin başarılı AI benimsemesinin önündeki en büyük engel olduğunu ve simülasyonların bu engeli 2020'ye kadar düşüreceğini gösteriyor. Doğru bir AI modelinin eğitilmesi çok fazla veri gerektirir. Aralarında özellikle ihtiyaç duyulan şey, sistemin normal çalışması sırasındaki veriler değil, bir hata veya ciddi bir arıza sırasındaki verilerdir.
Bu, fabrika pompalarının kalan servis ömrünü doğru şekilde tahmin etmek gibi tahmini bakım alanında özellikle önemlidir. Gerçek ekipmandan arıza verileri oluşturmak tehlikeli ve pahalı olduğundan, en iyi yaklaşım hata davranışını temsil eden simülasyonlardan veri oluşturmak ve bu verileri doğru AI modellerini eğitmek için kullanmaktır. Gelecekte yapay zeka güdümlü sistemlerin başarısında simülasyon önemli bir rol oynayacaktır.
...
KAYNAK= MONOİST(jpn)
Yorumlar
Yorum Gönder