AI: od szczegółów czujnika do mądrego monitorowania
Opublikowany: 2022-01-18
Inżynieria czujników ewoluuje i staje się coraz bardziej dokładna. Dodatkowe korzyści z tego płynące dla organizacji są oczywiste, ponieważ lepsza rozdzielczość ilustracji zapewni znacznie dokładniejszą wiedzę. To powiedziawszy, fakty, o których mowa, są wyzwaniem. Tak jak rośnie know-how, tak dalece rośnie ilość tworzonej wiedzy. Dane te muszą być odpowiednio zarządzane, aby pomóc w ustaleniu procedur biznesowych przedsiębiorstwa.
Rozwiązaniem nawigowania po szczegółach jest automatyzacja i sztuczna inteligencja (AI). Automatyzacja składa się z szeregu algorytmów, które mają mechanicznie wykonywać akcje głównie na podstawie wprowadzonych instrukcji. Sztuczna inteligencja jest kluczowym elementem tej procedury, ponieważ zapewnia, że zautomatyzowane procedury są nadal intuicyjne. Konsekwencją jest to, że zabiegi oparte na wiedzy mogą być stosowane bez rozmowy międzyludzkiej, co zmniejsza stres przedsiębiorstw, ponieważ uwalnia znaczną część czasu.
Wytwarzanie sensu informacji z czujnika
Do wykrywania obiektów wykorzystuje się wiedzę technologiczną czujników. Stanowi to wyzwanie, ponieważ istnieje wiele zmiennych, które mogą wpływać na ustaloną wiedzę, więc zautomatyzowane podejście może mieć problemy. Trudność polega na tym, że algorytmów nie da się w pełni opracować dla prawie każdej zmiennej.
Opracowano rozwiązania tego problemu, które są zależne od jednostek AI, które zostały zaprojektowane w celu znacznie lepszego zarządzania ogromnymi ilościami informacji wytwarzanych przez technologie czujników. Poważne zastosowania tego obejmują metody ostrzegania o opuszczeniu pasa ruchu i rozpoznawanie wskaźników ruchu na stronie internetowej.
Istnieją trzy rodzaje wyników, od aplikacji AI po czujniki i informacje z nich pochodzące. Po pierwsze, istnieje klasyfikacja przedmiotu, która określa, czy przedmiot jest aktualny w wyświetleniu. Następnie następuje rozpoznawanie obiektów, w którym na obrazie wykrywany jest pojedynczy lub dodatkowy obiekt i ustala się ich miejsce. I wreszcie mamy do czynienia z segmentacją obiektów, która wypełnia rzeczywiste kontury przedmiotu.
Jednak złożoność systemu wzrasta od klasyfikacji obiektów do segmentacji. Trzeba będzie zastosować znacznie bardziej intuicyjne techniki, które odpowiednio radzą sobie z wpływem wielu zmiennych na zbiory informacji.
Cel sieci neuronowych
Sztuczna inteligencja to ogólny okres dla inżynierii, który umożliwia urządzeniom zrozumienie ich ustawień i opanowanie dostosowania się do zachodzących tam zmian. W sztucznej inteligencji badanie sprzętu to podzbiór, który wykorzystuje metody statystyczne, aby umożliwić sprzętowi poprawę ich ogólnej wydajności bez konieczności wyraźnego programowania. O wiele bardziej intuicyjne jest jednak głębokie uczenie, które jest podzbiorem nauki wyposażenia. Deep Mastering może przetwarzać duże ilości szczegółów, pracując z głębokimi sieciami neuronowymi (DNN).
Te sieci neuronowe mają kluczowe znaczenie dla klasyfikacji elementów w technologii czujników. Pomimo faktu, że można z powodzeniem wykorzystać wiele sieci neuronowych, wszystkie mają określone atrybuty, które mają wpływ na to, jak potrafią interpretować i działać na detalach czujników.
Na początku wszystkie sieci neuronowe muszą zostać zakwalifikowane. Aby klasyfikować, rozróżniać lub segmentować obiekty, sieci muszą zostać poinstruowane, jak obsługiwać różne lekcje przedmiotów. Sieci znają się na znanych ilustracjach lub zdjęciach, na których obiekty są odpowiednio oznakowane, dopóki sieć nie będzie mogła we właściwy sposób klasyfikować, realizować i rozdzielać wszystkie obiekty.
Sieci neuronowe nie są niezawodne. Konsekwencja analizy społeczności neuronowej wyraża szansę na to, że obiekt zostanie dokładnie zidentyfikowany. Im większa proporcja szansy, tym większa pewność AI wybranego twierdzenia. Powiedziawszy to, biorąc pod uwagę fakt, że prawie nigdy nie uzyskuje się 100%, ważne jest, aby ustalić procent prawdopodobieństwa, który jest wyższy, wystarczający do wykorzystania w procesach firmy.
Różne projekty sieci neuronowych mają różne domy. Na przykład, niektóre style społeczności mogą być wykształcone bardzo szybko, ale zapewniają mniejsze procentowe szanse na ocenę obiektu. Z reguły im o wiele bardziej skomplikowane i czasochłonne instrukcje społeczności neuronowej, tym bardziej prawdopodobne jest, że jest godna zaufania. Z tego powodu organizacje stosujące know-how muszą zdecydować, czy chcą priorytetowo traktować szybkość, czy niezawodność.
Nabycie na scenę (chmura)
Wymagane są również różne modele sieci neuronowych, niezależnie od tego, czy czujnik wykorzystuje wizualizacje, klipy wideo czy chmury pozycji. Chmura problemów to zbiór punktów szczegółów we własnym zakresie, reprezentujących stan lub obiekt 3D. Aby stworzyć chmurę problemów, wykorzystuje się know-how w zakresie skanowania laserowego. Prawie każdy numer zawiera dużą sumę informacji, które można wbudować w inne źródła wiedzy lub wykorzystać do tworzenia stylów 3D.
Istnieją specjalne wersje społeczności neuronowej dla chmur problemów, które odpowiadają na różne potrzeby treści informacyjnych. Na przykład dla przedsięwzięcia badawczego United Kingdom Network Rail opracowano chmurę sceniczną odcinka trasy o długości około 90 km, która umożliwiła rozpoznanie 18 klas obiektów.
Kluczową przeszkodą w tej pracy była rejestracja szczegółów, ponieważ wiele podróży skanowania wymagało połączenia w celu uzyskania użytecznych rzeczy. Doskonała klasyfikacja pozycji przez sieć neuronową była zróżnicowana w przypadku lekcji dotyczących osób, zgodnie z cechami geometrycznymi obiektu. Na przykład słupy energetyczne i wiadukty zostały szybko zidentyfikowane przez sieć neuronową, ale rozróżnienie między powierzchniami dla ilustracji form ścian było niewiarygodne.
Chmury problemów mogą być również wykorzystywane w ramach procesu hybrydowego, w którym technologiczne know-how łączy się z innymi metodami, takimi jak urządzenia typu PC-aided style (CAD) i inne rodzaje mapowania. Jest to szczególnie cenne, gdy jest stosowane w połączeniu z sieciami neuronowymi, aby wspomóc zautomatyzowane pomiary i podejmowanie decyzji o użytkowaniu gruntów na podstawie wcześniej wspomnianych informacji. Systemy hybrydowe są dodatkowo odpowiedzialne za zadania takie jak wykrywanie powierzchni, a nie samodzielne know-how chmury punktów.
Wnioski pomagają uzyskać znacznie lepsze wyniki
Wszystkie te technologie, w większości oparte na sztucznej inteligencji, mają unikalne dodatkowe korzyści, głównie w oparciu o obowiązki, które rozwiązują. Z drugiej strony, klasyfikacja obiektów, chmury sceniczne i modele hybrydowe są częste, ponieważ opierają się na wspierającym celu sztucznej inteligencji.
Sztuczna inteligencja pomaga ludziom dokonywać ważnych wyborów szybciej i z dodatkową percepcją. W praktyce jest to najlepsza z obu tych okoliczności, ponieważ pozwala ludzkiemu rozumowaniu w kierunku kwestii, które mogą mieć kontekst społeczny, polityczny lub biznesowy, ale wzmacnia metodę budowania determinacji, pozwalając na forsowanie danych wnioski na podstawie tego, co jest rejestrowane przez czujnik.
Czujniki dostarczają szerokie porcje informacji. W tych faktach kryją się praktyczne spostrzeżenia, które można wykorzystać w różnych branżach, aby usprawnić procedury firmy. To powiedziawszy, jest po prostu dużo danych generowanych, aby zapewnić te wglądy w odpowiednim czasie przez osoby na własną rękę – odblokowanie tego polega na metodzie sztucznej inteligencji za pomocą sieci neuronowych w celu usprawnienia procesów podejmowania ostatecznych decyzji przez człowieka. Po przeprowadzeniu, technologia ta przyniesie ulepszenia w całej organizacji i rządzie, a pionierzy zapewnią maksymalne możliwości inwestycji w czujniki.
Dean McCormick, Head of Wise Checking Options, Hexagon’s Basic safety Division, Infrastructure & Geospatial Division