الذكاء الاصطناعي: من تفاصيل المستشعر إلى المراقبة الحكيمة
نشرت: 2022-01-18
هندسة المستشعرات تتطور وتزداد دقة. الفوائد الإضافية لهذا بالنسبة للمؤسسات واضحة ، للتوضيح ، سيؤدي تحسين دقة الأرضية إلى إنشاء معرفة أكثر دقة بكثير. بعد قولي هذا ، فإن الحقائق المعنية تمثل تحديًا. مثلما تتزايد المعرفة ، يزداد حجم المعرفة التي يتم إنشاؤها أيضًا. يجب إدارة هذه البيانات بشكل مناسب للمساعدة في إخبار إجراءات مؤسسة الأعمال.
يكمن حل التنقل في التفاصيل في الأتمتة والذكاء الاصطناعي (AI). تتكون الأتمتة من سلسلة من الخوارزميات ، والتي تهدف إلى تنفيذ الإجراءات بشكل ميكانيكي بناءً على التعليمات المدخلة. يعد الذكاء الاصطناعي جزءًا أساسيًا من هذا الإجراء لأنه يتأكد من استمرار الإجراءات الآلية في الحدس. والنتيجة هي أنه يمكن تطبيق العلاجات المدفوعة بالمعرفة دون محادثة بشرية مما يقلل من الضغط على المؤسسات لأنها توفر جزءًا كبيرًا من الوقت.
إنتاج حاسة معلومات المستشعر
يتم استخدام الدراية التكنولوجية الاستشعار لاكتشاف الأشياء. يمثل هذا تحديًا نظرًا لوجود الكثير من المتغيرات التي يمكن أن تؤثر على المعرفة التي تم إنشاؤها حتى يمكن للنهج الآلي أن يواجه صعوبات. تكمن الصعوبة في أن الخوارزميات لا يمكن تطويرها بالكامل لكل متغير تقريبًا.
تم إنتاج حلول لهذا القلق تعتمد على وحدات الذكاء الاصطناعي التي تم تصميمها لإدارة الأحجام الهائلة من المعلومات التي تنتجها تقنيات الاستشعار بشكل أفضل. تتضمن تطبيقات الحياة الخطيرة لهذا طرق التحذير من مغادرة المسار والتعرف على مؤشر حركة المرور على موقع الويب.
هناك ثلاثة أنواع من النتائج من تطبيقات الذكاء الاصطناعي إلى أجهزة الاستشعار والمعلومات الناتجة عنها. مبدئيًا ، يوجد تصنيف عنصر يحدد ما إذا كان الكائن حاليًا في الظهور. ثم هناك التعرف على الكائن حيث يتم اكتشاف كائن واحد أو كائنات إضافية في الصورة ويتم تحديد مكانها. وأخيرًا ، هناك تجزئة الكائن التي تملأ المخططات الفعلية للعنصر.
ومع ذلك ، يزيد تعقيد النظام من تصنيف الكائنات إلى التجزئة. يجب استخدام تقنيات أكثر سهولة للتعامل بشكل مناسب مع تأثيرات العديد من المتغيرات على مجموعات المعلومات.
الغرض من الشبكات العصبية
الذكاء الاصطناعي عبارة عن فترة زمنية شاملة للهندسة تمكن الأجهزة من فهم إعداداتها وإتقانها للتكيف مع التعديلات التي تحدث هناك. في الذكاء الاصطناعي ، تعد دراسة المعدات مجموعة فرعية تستخدم الأساليب الإحصائية للسماح للمعدات بإجراء تحسينات على أدائها العام دون الحاجة إلى البرمجة بشكل صريح. ولكن الأمر الأكثر سهولة هو التعلم العميق وهو مجموعة فرعية من دراسة المعدات. يمكن للإتقان العميق معالجة كميات كبيرة من التفاصيل باستخدام الشبكات العصبية العميقة (DNNs).
هذه الشبكات العصبية ضرورية لتصنيف العناصر في تقنية الاستشعار. على الرغم من حقيقة أن الشبكات العصبية المتعددة قد يتم الاستفادة منها بشكل جيد ، إلا أنها جميعًا لها سمات محددة في السائدة تؤثر على كيفية إتقانها لتفسير تفاصيل المستشعر والتصرف بناءً عليها.
في البداية ، يجب أن تكون جميع الشبكات العصبية مؤهلة. لتصنيف الكائنات أو اكتشافها أو تقسيمها ، يجب إرشاد الشبكات إلى كيفية التعامل مع دروس العناصر المختلفة. الشبكات ماهرة في الرسوم التوضيحية أو الصور المعروفة حيث يتم تصنيف الكائنات بشكل مناسب حتى تتمكن الشبكة من تصنيف جميع الكائنات وإدراكها وتقسيمها بالطريقة الصحيحة.
الشبكات العصبية ليست معصومة من الخطأ. تعبر نتيجة تحليل المجتمع العصبي عن فرصة مشتركة في تحديد كائن ما بدقة. كلما زادت نسبة الفرصة ، كان الذكاء الاصطناعي أكثر ثقة في التأكيد المختار. بعد قولي هذا ، وبالنظر إلى حقيقة أن 100 في المائة لا يتم الحصول عليها أبدًا تقريبًا ، فمن المهم أن تجعل عقلك يصل إلى نسبة احتمالية أعلى بما يكفي لاستخدامها في عمليات الشركة.
تصميمات الشبكات العصبية المختلفة لها منازل مختلفة. للتوضيح ، يمكن تعليم بعض أنماط المجتمع بسرعة كبيرة ولكنها توفر نسبًا أقل للفرص عندما يتعلق الأمر بتقييم الكائن. كقاعدة عامة ، كلما كانت تعليمات المجتمع العصبي أكثر تفصيلاً واستهلاكًا للوقت ، كان من المحتمل أن تكون أكثر موثوقية. لهذا السبب ، يتعين على المؤسسات التي تطبق الخبرة أن تتخذ قرارًا بشأن ما إذا كانت تريد تحديد أولويات السرعة أو الاعتمادية.
اكتساب المرحلة (السحابة)
يتم طلب نماذج مختلفة من الشبكات العصبية أيضًا بالاعتماد على بغض النظر عما إذا كان المستشعر يستخدم المرئيات أو مقاطع الفيديو أو وضع السحب. سحابة المشكلات هي مجموعة من نقاط التفاصيل في المنزل تمثل حالة أو كائنًا ثلاثي الأبعاد. لتطوير مشكلة سحابة ، يتم استخدام خبرة المسح بالليزر. تتضمن كل مشكلة تقريبًا قدرًا كبيرًا من المعلومات التي يمكن تضمينها في مصادر المعرفة الأخرى أو استخدامها لإنشاء أنماط ثلاثية الأبعاد.
هناك إصدارات مجتمعية عصبية معينة لسحب المشكلات التي تتناول الاحتياجات المميزة لمحتوى المعلومات. على سبيل المثال ، بالنسبة لدراسة أجرتها شبكة السكك الحديدية في المملكة المتحدة ، تم تطوير سحابة مرحلة من جزء مسار طويل بطول 90 كم تقريبًا والتي وفرت التعرف على 18 فئة كائن.
كانت العقبة الرئيسية التي قدمتها هذه الوظيفة هي تسجيل التفاصيل ، حيث تم اختبار عدد من رحلات المسح للحصول على أشياء قابلة للاستخدام. تباينت ميزة تصنيف العناصر من خلال الشبكة العصبية لدروس عنصر الشخص وفقًا للصفات الهندسية للكائن. على سبيل المثال ، تم تحديد أبراج الطاقة والجسور العلوية بسرعة بواسطة الشبكة العصبية ، لكن الفروق بين الأسطح ، لتوضيح أشكال الجدار ، كانت غير موثوقة.
يمكن أيضًا استخدام سحابة المشكلات ضمن عملية هجينة فقط حيث يتم دمج المعرفة التقنية مع طرق أخرى مثل أجهزة نمط بمساعدة الكمبيوتر (CAD) وأنواع أخرى من الخرائط. يعد هذا ثمينًا بشكل خاص عند استخدامه مع الشبكات العصبية للمساعدة في المسح الآلي وتحديد استخدام الأراضي من المذكور سابقًا. تعتبر الأنظمة الهجينة مسؤولة بشكل أكبر عن المهام مثل اكتشاف الأسطح مقارنة بمعرفة تقنية السحابة النقطية بمفردك.
خاتمة تساعد على نتائج أفضل بكثير
تتمتع كل هذه التقنيات القائمة على الذكاء الاصطناعي في الغالب بفوائد إضافية فريدة تعتمد بشكل أساسي على المسؤوليات التي تحلها. من ناحية أخرى ، فإن تصنيف الكائنات ، وسحب المسرح ، والنماذج الهجينة كلها متكررة هو أنها مدعومة بالغرض الداعم للذكاء الاصطناعي.
يساعد الذكاء الاصطناعي البشر على جعل التحديدات الحيوية أسرع ومع إدراك إضافي. في الممارسة العملية ، يعد هذا أفضل ظرف من هذين العالمين من حيث أنه يتيح التفكير البشري في اتجاه القضايا التي قد يكون لها سياقات اجتماعية أو سياسية أو تجارية ، ولكنها تزيد من طريقة بناء التحديد ، مما يسمح بدفع البيانات استنتاجات بناءً على ما يلتقطه المستشعر.
تقدم المستشعرات أجزاء كبيرة من المعلومات. ضمن هذه الحقائق تكمن رؤى قابلة للتنفيذ يمكن الاستفادة منها عبر الصناعات لزيادة إجراءات الشركة. بعد قولي هذا ، هناك أيضًا الكثير من البيانات التي تم إنشاؤها لتوفير هذه الأفكار في الوقت المناسب من قبل الأفراد بمفردك - ويتكون فتح هذا من طريقة AI عن طريق الشبكات العصبية لزيادة عمليات إنشاء القرار النهائي البشري. بمجرد تنفيذها ، ستؤدي هذه التقنية إلى تحسينات عبر المؤسسة والحكومة ، مع تأمين الرواد لأقصى فرصة لاستثمارات أجهزة الاستشعار الخاصة بهم.
دين ماكورميك ، رئيس خيارات الفحص الحكيم ، قسم السلامة الأساسية والبنية التحتية والجغرافيا المكانية في Hexagon