AI: 센서 세부 정보에서 현명한 모니터링까지
게시 됨: 2022-01-18
센서 엔지니어링은 진화하고 훨씬 더 정확해지고 있습니다. 조직에 대한 추가 이점은 분명합니다. 예를 들어 향상된 바닥 해상도는 훨씬 더 정확한 지식을 생성할 것이기 때문입니다. 그러나 우려되는 사실은 도전 과제입니다. 노하우가 늘어남에 따라 지금까지 만들어지는 지식의 양도 늘어나고 있습니다. 이 데이터는 비즈니스 엔터프라이즈 절차를 알리는 데 도움이 되도록 적절하게 관리되어야 합니다.
세부 사항을 탐색하는 솔루션은 자동화와 인공 지능(AI)에 있습니다. 자동화는 주로 입력된 명령을 기반으로 하는 작업을 기계적으로 수행하기 위한 일련의 알고리즘으로 구성됩니다. AI는 자동화된 절차가 직관적으로 계속되도록 하기 때문에 이 절차의 핵심 부분입니다. 그 결과 지식 기반 처리가 사람과의 대화 없이 적용될 수 있으므로 상당한 시간을 확보할 수 있으므로 기업의 스트레스가 줄어듭니다.
감각 정보 생성
센서 기술 노하우를 활용하여 물체를 발견합니다. 자동화된 접근 방식이 어려움을 겪을 수 있도록 설정된 지식에 영향을 줄 수 있는 많은 변수가 있기 때문에 이는 문제를 제공합니다. 어려움은 알고리즘이 거의 모든 변수에 대해 완전히 개발될 수 없다는 것입니다.
이러한 문제에 대한 솔루션은 센서 기술에 의해 생성되는 방대한 양의 정보를 훨씬 더 잘 관리하도록 설계된 AI 장치에 의존하는 방식으로 생산되었습니다. 이것의 심각한 응용 프로그램은 차선 이탈 경고 방법과 웹사이트 교통 표시기 인식을 통합합니다.
AI 앱에서 센서 및 센서에서 가져온 정보에 이르기까지 세 가지 유형의 결과가 있습니다. 초기에는 개체가 인상에서 최신인지 여부를 결정하는 항목 분류가 있습니다. 그런 다음 사진에서 단일 또는 추가 개체를 감지하고 그 위치를 결정하는 개체 인식이 있습니다. 마지막으로 항목의 실제 윤곽을 채우는 개체 분할이 있습니다.
그러나 시스템의 복잡성은 객체 분류에서 세분화로 증가합니다. 정보 세트에 대한 많은 변수의 영향을 적절하게 처리하는 훨씬 더 직관적인 기술을 활용해야 합니다.
신경망의 목적
AI는 장치가 설정을 이해하고 마스터가 그곳에서 일어나는 조정에 적응할 수 있도록 하는 엔지니어링을 위한 포괄적인 기간입니다. AI에서 장비 연구는 통계적 방법을 활용하여 명시적으로 프로그래밍하지 않고도 장비가 일반적인 성능을 개선할 수 있도록 하는 하위 집합입니다. 그러나 훨씬 더 직관적인 것은 장비 학습의 하위 집합인 딥 러닝입니다. Deep Mastering은 DNN(Deep Neural Networks)을 사용하여 많은 양의 세부 정보를 처리할 수 있습니다.
이러한 신경망은 센서 기술의 항목 분류에 중요합니다. 여러 신경망을 잘 사용할 수 있다는 사실에도 불구하고 모두 센서 세부 사항을 해석하고 작동하는 방법을 마스터하는 데 영향을 미치는 일반적인 속성을 지정했습니다.
초기에는 모든 신경망이 검증되어야 합니다. 객체를 분류, 파악 또는 분할하려면 네트워크에 다양한 항목 교훈을 처리하는 방법을 지시해야 합니다. 네트워크는 네트워크가 모든 개체를 올바른 방법으로 분류, 인식 및 구분할 수 있을 때까지 개체별로 적절하게 레이블이 지정된 그림 또는 사진에 대해 잘 알고 있습니다.
신경망은 오류가 없습니다. 신경 커뮤니티 분석의 결과는 개체가 정확하게 식별될 수 있는 공유 기회를 나타냅니다. 확률 비율이 증가할수록 AI가 선택된 주장에 대해 더 확실해집니다. 그러나 100%는 거의 달성되지 않는다는 사실을 고려할 때 회사 프로세스에 사용하기에 충분히 더 높은 가능성 백분율을 염두에 두는 것이 중요합니다.
다른 신경망 설계에는 다른 집이 있습니다. 예를 들어, 일부 커뮤니티 스타일은 매우 빠르게 교육될 수 있지만 개체 평가와 관련하여 더 낮은 확률을 제공합니다. 일반적으로 신경 커뮤니티의 지시가 훨씬 더 정교하고 시간이 많이 소요될수록 훨씬 더 신뢰할 수 있습니다. 그렇기 때문에 노하우를 적용하는 조직은 속도를 우선할지 아니면 신뢰성을 우선시할지 결정해야 합니다.
스테이지 획득(클라우드)
센서가 시각 자료, 비디오 클립 또는 위치 클라우드를 사용하는지 여부에 따라 다양한 신경망 모델도 필요합니다. 이슈 클라우드는 3D 조건 또는 객체를 나타내는 하우스의 세부 사항 포인트 세트입니다. 이슈 클라우드를 개발하기 위해 레이저 스캐닝 노하우를 활용합니다. 거의 모든 문제에는 다른 지식 소스와 함께 내장되거나 3D 스타일을 만드는 데 사용할 수 있는 많은 양의 정보가 포함됩니다.
정보 콘텐츠의 고유한 요구 사항을 해결하는 이슈 클라우드에 대한 특정 신경 커뮤니티 버전이 있습니다. 예를 들어, 영국 네트워크 레일(United Kingdom Network Rail)이 착수한 연구를 위해 약 90km 연장된 경로 부분의 스테이지 클라우드가 개발되어 18개의 객체 클래스를 인식했습니다.
이 작업이 제공하는 주요 장애물은 사용 가능한 항목을 얻기 위해 연결하기 위해 여러 스캔 여정을 겪었기 때문에 세부 정보를 등록하는 것이었습니다. 신경망에 의한 항목 분류의 우수성은 대상의 기하학적 성질에 따라 개인 항목 수업에 따라 다양하였다. 예를 들어, 에너지 철탑과 고가도로는 신경망에 의해 빠르게 식별되었지만 벽 형태의 예를 들어 표면 사이의 구분은 신뢰할 수 없었습니다.
문제 클라우드는 기술 노하우가 PC 지원 스타일(CAD) 장치 및 기타 종류의 매핑과 같은 다른 방법과 결합되는 정확히 하이브리드 프로세스 내에서 활용할 수도 있습니다. 이는 앞서 언급한 자동 측량 및 토지 사용 결정을 돕기 위해 신경망과 함께 사용할 때 특히 중요합니다. 하이브리드 시스템은 자체적으로 포인트 클라우드 노하우보다 표면 감지와 같은 작업을 추가로 담당합니다.
훨씬 더 나은 결과를 위한 결론 지원
이러한 모든 AI 기반 기술은 주로 해결하는 책임을 기반으로 고유한 추가 이점을 제공합니다. 반면에 객체 분류, 스테이지 클라우드 및 하이브리드 모델이 모두 빈번하게 발생하는 것은 AI의 지원 목적에 의해 뒷받침된다는 것입니다.
AI는 인간이 중요한 선택을 더 빠르고 추가로 인식하도록 돕습니다. 실제로 이것은 사회적, 정치적 또는 비즈니스적 기업 맥락을 가질 수 있는 문제의 방향으로 인간의 추론을 허용하지만 결정 구축 방법을 강화하여 데이터 푸시를 허용한다는 점에서 두 세계 상황 모두에서 가장 좋습니다. 센서에 의해 포착되는 것을 기반으로 결론을 내립니다.
센서는 광범위한 정보를 제공합니다. 이 사실 안에 기업 절차를 향상시키기 위해 산업 전반에 걸쳐 사용할 수 있는 실행 가능한 통찰력이 있습니다. 그렇긴 하지만, 개인에 의해 적시에 이러한 통찰력을 제공하기 위해 생성된 많은 데이터가 있습니다. 이를 잠금 해제하는 것은 인간의 최종 의사 결정 프로세스를 강화하기 위한 신경망을 통한 AI 방법으로 구성됩니다. 일단 실행되면 이 기술은 조직과 정부 전반에 걸쳐 개선을 가져올 것이며 개척자들은 센서 투자의 최대 기회를 확보할 것입니다.
Dean McCormick, Hexagon의 기본 안전, 인프라 및 지리 공간 부문 Wise Checking Options 책임자