AI: dai dettagli del sensore al monitoraggio intelligente
Pubblicato: 2022-01-18
L'ingegneria dei sensori si sta evolvendo e sta diventando molto più precisa. I vantaggi aggiuntivi di ciò per le organizzazioni sono evidenti, poiché l'illustrazione, una migliore risoluzione del pavimento creerà una conoscenza molto più accurata. Detto questo, i fatti in questione sono una sfida. Proprio come il know-how sta aumentando, così è anche il volume di conoscenza che viene creato. Questi dati devono essere gestiti in modo appropriato per aiutare a raccontare le procedure aziendali.
La soluzione per navigare nei dettagli risiede nell'automazione e nell'intelligenza artificiale (AI). L'automazione consiste in una serie di algoritmi, che hanno lo scopo di eseguire meccanicamente azioni basate principalmente su istruzioni immesse. L'intelligenza artificiale è una parte fondamentale di questa procedura in quanto assicura che le procedure automatizzate continuino a essere intuitive. La conseguenza è che i trattamenti basati sulla conoscenza possono essere applicati senza conversazioni umane, il che riduce lo stress per le imprese poiché libera una parte sostanziale di tempo.
Produrre il senso delle informazioni del sensore
Il know-how tecnologico dei sensori viene utilizzato per scoprire gli oggetti. Ciò rappresenta una sfida perché ci sono molte variabili che possono influenzare le conoscenze stabilite, quindi l'approccio automatizzato può avere difficoltà. La difficoltà è che gli algoritmi non possono essere completamente sviluppati per quasi tutte le variabili.
Sono state prodotte soluzioni a questa preoccupazione che dipendono da unità di intelligenza artificiale progettate per gestire molto meglio gli enormi volumi di informazioni prodotte dalle tecnologie dei sensori. Le applicazioni serie di questo includono metodi di avviso di deviazione dalla corsia e riconoscimento degli indicatori di traffico del sito web.
Esistono tre tipi di risultati dalle app AI ai sensori e alle informazioni da essi derivate. Inizialmente, esiste una classificazione dell'elemento che determina se un oggetto è corrente in un'impressione. Poi c'è il riconoscimento degli oggetti in cui uno o più oggetti vengono rilevati in un'immagine e viene deciso il loro posto. E infine, c'è la segmentazione degli oggetti che riempie i contorni effettivi dell'oggetto.
Tuttavia, la complessità del sistema aumenta dalla classificazione degli oggetti alla segmentazione. Dovranno essere utilizzate tecniche molto più intuitive che gestiscano adeguatamente gli effetti di molte variabili sui set di informazioni.
Lo scopo delle reti neurali
L'intelligenza artificiale è un periodo di tempo ombrello per l'ingegneria che consente ai dispositivi di comprendere le proprie impostazioni e padroneggiarli per adattarsi agli adeguamenti che si verificano lì. In AI, Equipment Studying è un sottoinsieme che utilizza metodi statistici per consentire alle apparecchiature di apportare miglioramenti alle loro prestazioni generali senza essere programmate in modo esplicito. Tuttavia, molto più intuitivo è il Deep Learning, che è un sottoinsieme di Equipment Studying. Deep Mastering può elaborare grandi quantità di dettagli lavorando con Deep Neural Networks (DNN).
Queste reti neurali sono fondamentali per la classificazione degli elementi nella tecnologia dei sensori. Nonostante il fatto che più reti neurali possano essere utilizzate, tutte hanno attributi specifici in prevalente che influenzano il modo in cui padroneggiano per interpretare e agire sui dettagli del sensore.
Inizialmente, tutte le reti neurali devono essere qualificate. Per classificare, capire o segmentare oggetti, le reti devono essere istruite su come gestire diverse lezioni di oggetti. Le reti sono esperte su illustrazioni o foto note in cui gli oggetti vengono opportunamente etichettati fino a quando la rete può classificare, realizzare e sezionare nel modo giusto tutti gli oggetti.
Le reti neurali non sono infallibili. La conseguenza dell'analisi della comunità neurale esprime una probabilità condivisa che un oggetto venga identificato con precisione. Maggiore è la proporzione di probabilità, più sicura è l'IA di un'asserzione selezionata. Detto questo, considerando il fatto che il 100 per cento non si ottiene quasi mai, è importante farsi un'idea di una percentuale di probabilità che sia sufficientemente alta da poter essere utilizzata per i processi aziendali.
Diversi modelli di reti neurali hanno case diverse. Ad esempio, alcuni stili di comunità possono essere educati molto rapidamente, ma forniscono percentuali di possibilità inferiori quando si tratta di valutazione degli oggetti. Di norma, più l'istruzione di una comunità neurale è molto più elaborata e dispendiosa in termini di tempo, più è probabile che sia affidabile. Per questo motivo, le organizzazioni che applicano il know-how devono decidere se vogliono dare la priorità alla velocità o all'affidabilità.
Acquisizione allo stage (cloud)
Sono inoltre richiesti diversi modelli di reti neurali a seconda che il sensore utilizzi elementi visivi, clip video o nuvole di posizione. Una nuvola di problemi è un insieme di punti dettagli interni che rappresentano una condizione o un oggetto 3D. Per sviluppare una nuvola di problemi, viene utilizzato il know-how di scansione laser. Quasi ogni numero include una grande quantità di informazioni che possono essere integrate con altre fonti di conoscenza o utilizzate per creare stili 3D.
Esistono particolari versioni della comunità neurale per i cloud di problema che affrontano le esigenze distinte del contenuto informativo. Ad esempio, per un'impresa di studio della United Kingdom Network Rail, è stato sviluppato uno stage cloud di una parte di percorso prolungata di circa 90 km che ha fornito il riconoscimento di 18 classi di oggetti.
L'ostacolo principale offerto da questo lavoro era nella registrazione dei dettagli, poiché una serie di viaggi di scansione sperimentati per essere collegati per ottenere cose utilizzabili. L'eccellenza della classificazione degli oggetti da parte della rete neurale variava per le lezioni individuali degli oggetti in base alle qualità geometriche dell'oggetto. Ad esempio, i tralicci energetici e i cavalcavia sono stati rapidamente identificati dalla rete neurale, ma le distinzioni tra le superfici, per le forme illustrative delle pareti, sono state inaffidabili.
Le nuvole di problemi possono anche essere utilizzate all'interno di un processo ibrido esattamente dove il know-how tecnologico è combinato con altri metodi come dispositivi CAD (PC-Aidded Style) e altri tipi di mappatura. Ciò è particolarmente prezioso se impiegato in combinazione con le reti neurali per aiutare il rilevamento automatizzato e la decisione sull'uso del suolo di cui sopra. I sistemi ibridi sono più responsabili per attività come il rilevamento di superfici rispetto al know-how delle nuvole di punti da solo.
Conclusione assist per risultati molto migliori
Tutte queste tecnologie per lo più basate sull'intelligenza artificiale hanno vantaggi aggiuntivi unici basati principalmente sulle responsabilità che risolvono. D'altra parte, ciò che la classificazione degli oggetti, le nuvole di scena e i modelli ibridi hanno tutti in frequente è che sono supportati dallo scopo di supporto dell'IA.
L'intelligenza artificiale aiuta gli esseri umani a effettuare selezioni vitali più rapide e con una percezione aggiuntiva. In pratica, questa è la migliore di entrambe le circostanze del mondo in quanto consente al ragionamento umano nella direzione di questioni che possono forse avere contesti sociali, politici o aziendali, ma aumenta il metodo di costruzione della determinazione, consentendo conclusioni basate su ciò che viene rilevato dal sensore.
I sensori forniscono ampie porzioni di informazioni. All'interno di questi fatti si trovano intuizioni attuabili che possono essere utilizzate in tutti i settori per aumentare le procedure aziendali. Detto questo, ci sono semplicemente anche molti dati generati per fornire queste informazioni su una base tempestiva da parte degli individui: sbloccare questo consiste in un metodo di intelligenza artificiale tramite reti neurali per aumentare i processi decisionali finali umani. Una volta implementata, questa tecnologia genererà miglioramenti all'interno dell'organizzazione e del governo, con i pionieri che si assicureranno la massima opportunità dei loro investimenti in sensori.
Dean McCormick, Head of Wise Checking Options, divisione Basic safety, Infrastructure & Geospatial di Hexagon