Mi a mesterséges intelligencia?

A mesterséges intelligencia (artificial intelligence, AI) egy olyan mesterségesen létrehozott tudat, szoftvertechnika, mely folyamatos emberi beavatkozás nélkül képes reagálni környezeti behatásokra és fejleszteni önmagát.

A klasszikus ipari forradalomtól napjainkig számtalan meghatározó technikai fejlesztés született, melyek hatására a gőzgépektől, a sorozatgyártáson át egészen a számítógépekkel automatizált gyártási folyamatokig jutottunk. Az ipar 4.0 lehetővé teszi, hogy a különböző gyártógépek, gyártósorok és az ezeket vezérlő rendszerek kommunikálhassanak egymással. A hálózatba kötött, intelligens rendszereknek köszönhetően a gyártási folyamatok optimalizálhatók, a hatékonyság pedig növelhető.
A gyakorlatban több technológia együttes alkalmazására van szükség a fent említett célok eléréséhez.

Selejtdetektáló rendszer

A rendszer alapját a machine to machine kommunikáció (emberi közreműködést nem igénylő adatáramlás) képezi, mely az IoT technológiákra, például az 5G mobilhálózatra támaszkodik.
Nagy mennyiségben gyűjt be adatot, melynek tárolása kiemelt fontosságú. Az adatfeldolgozás big data és gépi tanulási technológiák felhasználásával zajlik. Azaz a rendszer fejlett, jelen esetben képalkotói technológia alapján képes elemezni és szortírozni az adatállományt.

Fogalmi kitekintő:

Big data és gépi tanulás

A big data egy komplex technológiai környezet, amely támogatja a nagy mennyiségű, összetett és változatos adatállományok hatékony feldolgozását. Ma már számos big data technológia teszi lehetővé a közel valós idejű kiértékeléseket is.
Gépi tanulásnak nevezünk olyan szoftvereket, rendszereket vagy algoritmusokat, melyek egy adatmintán feltanítva képesek szabályokat megtalálni az adott adathalmazon. A gépi tanulást alkalmazó rendszerek általánosítani tudják ezen szabályokat, valamint képesek ismeretlen adathalmazokon is alkalmazni, valamint ismereteikre alapozva döntéseket hozni.

Az ipar 4.0 számos területén segítséget nyújt a gépi tanulás technológiája:

  • gyártásoptimalizálás,
  • befektetési vagy gyártás szervezési döntéstámogatás
  • gyártásszervezési döntések támogatása.

Esetünkben a gépi tanulás technológiáin belül a neurális hálózatok (biológiai ihletésű szimuláció), főként a deep learning érvényesül.
A neurális háló egy olyan gépi tanulási modell, ami az emberi agy neuronjainak működését másolva valósítja meg tanulást és az intelligenciát. A gyakorlatban a folyamat első lépéseként data scientist-ek megalkotják a gépi tanulási modellt, ezt követi egy feature extraction vagy feature engineering fázis, amely során a bemenő adathalmaz tisztítása zajlik: kiválasztásra kerülnek azon paramétereket, amelyek relevánsak lehetnek az eredmény szempontjából, így a gép csak ezen adatokkal dolgozik tovább.

A Deep learning technológia a többrétegű neurális hálókra épül, ezek összetettebbek, valamint képesek a feature extraction (adattisztítás) fázist magukba foglalni.
A deep learning háló felépítéséhez kevesebb domain -és szakmai tudás szükséges, a háló képes eldönteni, hogy mely paraméterekre lesz szükségük a továbbiakban.

A deep learning megoldások elterjedtek a képfeldolgozás és természetes nyelvfeldolgozás területén is.

A gépi látás területénél fut össze a képfeldolgozás és a gépi tanulás. A deep learning algoritmus lehetővé teszi az objektumok detektálásat, felismerését. Az objektumokat lehet osztályozni, kategorizálni, szegmentálni, valamit lekövetni a mozgásukat.
Egy megfelelő kamerarendszerrel és a mesterséges intelligencia felhasználásával több területen is növelhető a hatékonyság.

  • gyártási minőségbiztosítás
  • idősoros elemzés
  • csalásdetektálás

A képfeldolgozó algoritmusok is fontos szerepet töltenek be az ipari környezetben. A prediktív modellezéssel adatbányászati módszereket alkalmazva tehetők előrejelzések, felhasználva a gyártósori környezetben termelt nagymennyiségű adatot. A gyártósori alkatrész karbantartási és/vagy csere igény idejének determinálása hozzájárul a hatékonyság növeléséhez, valamint meghatározó gyártósori leállástól óvja a termelést.