Inspirace

Budou mít stroje intuici jako lidé?

Andrea Cejnarová
0

Schopnost učit se je hlavním předpokladem k dosažení autonomie. Proto začali výzkumníci ze společnosti Siemens pracovat na vývoji znalostních sítí založených na simulaci činnosti neuronů a jejich synapsí během učení. Tyto sítě lze využít k zobecnění informací prostřednictvím identifikace asociací mezi výjimečně komplexními prostředími, jako je například veřejně přístupný internet a vnitropodnikový informační systém. Vzato do důsledků, vypadá to, že tato technologie má potenciál napodobit to, co lidé nazývají intuicí.

Učení se děje v zásadě třemi způsoby. Dochází k učení se skrz paměť (např. vybavování si určitých faktů), skrz dovednosti (např. házení míčem) a skrz abstrakci (např. vyvozování souboru pravidel na základě pozorování). Počítače, které jsou již skutečnými mistry v prvním způsobu učení se, se nyní snaží dosáhnout dokonalosti rovněž v dalších dvou způsobech, jak se učit.

Umění předpovídat

Co tyto trendy vypovídají o budoucnosti? Poněvadž všechna čidla a snímače se neustále zmenšují, zlevňují a jsou schopny plnit stále víc funkcí, lokálně i v sítích máme k dispozici stále více a více dat. Tuto záplavu dat je ale nutné inteligentně analyzovat prostřednictvím učících se systémů, které „vědí“, jak vzájemně propojené stroje a systémy fungují a které senzory a měřicí techniku máme zapojit, abychom získali přístup k těm datům, která opravdu potřebujeme. Tento tzv. internet věcí zásadně mění nejen průmysl, ale také celou infrastrukturu. Příkladem jsou dopravní kontrolní systémy, které vzájemně propojují jednotlivá vozidla a ta dále spojují s řídicím centrem. Nebo autonomní průmyslová zařízení a chytré budovy.

Optimalizaci provozu větrných turbín s pomocí adaptivního softwaru se věnuje výzkumný tým Volkmara Sterzinga z divize Siemens Corporate Technology. Jeho dalším cílem je vyvinout samooptimalizační paroplynovou turbínu.

SENN, který se nezdá

Společnost Siemens vyvinula simulační prostředí pro neuronové sítě (SENN), s jehož pomocí lze nalézt odpovědi na řadu otázek. SENN například umí předpovídat ceny surovin. Ve dvou ze tří případů umí software bezchybně předpovědět ceny elektrické energie na příštích 20 dní – včetně nejlepšího dne k nákupu elektřiny. Siemens využívá tuto metodu k nákupu levného proudu od r. 2005. S touto technikou lze ale rovněž předpovídat množství obnovitelné energie, kterou bude potřeba dodat do sítě, nebo přesně stanovovat úroveň znečištění vzduchu ve velkých městech na několik dní dopředu.

 

Jiným příkladem je automatická adaptace větrných turbín na proměnlivé větrné podmínky a aktuální předpověď počasí, aby se co nejvíce zvýšila efektivita výroby elektřiny. Relevantní parametry, jakými jsou směr a síla větru, teplota vzduchu, proud, napěti a vibrace velkých komponent, jako jsou generátory a lopatky generátorů, snímají čidla umístěná uvnitř i vně větrné elektrárny. Nový samoučící se systém by pak měl být schopen tato data nejen analyzovat a vizualizovat, ale současně je i autonomně interpretovat a automaticky podle nich kalibrovat příslušné parametry turbíny.

Hluboké strojové učení   

Hluboké učení se stalo novým trendem strojového učení. Tyto techniky využívají 100 000 nebo i více simulovaných neuronů a 10 milionů simulovaných synapsí – to jsou počty, které lámou všechny předchozí rekordy na poli umělé inteligence. Díky mnohavrstevnaté struktuře moderních umělých neuronových sítí, kde každá hladina odpovídá jiné úrovni abstrakce objektu, který se má učit, lze očekávat, že techniky hlubokého učení umožní rozvoj nových aplikací pro automatizované rozpoznávání obrazu. Vzájemným propojením těchto hladin získáváme data, která jsou mnohem detailnější než u dřívějších typů neuronových sítí. V současné době se pracuje na matematických modelech znalostních sítí, které zahrnují až 10 milionů objektů. V rámci tohoto modelu pak lze vytvořit asi 1014 možných předpovědí o vztazích mezi těmito objekty, což odpovídá přibližně počtu synapsí v dospělém lidském mozku.

 Milníkem v historii strojového učení je systém AlphaGo od Googlu. Byl navržen tak, aby zvládnul velice složitou deskovou hru Go, která má prakticky neomezený počet možných pozic. V březnu 2016 dosáhl AlphaGo převratného úspěchu, když opakovaně porazil nejlepšího hráče Go světa Lee Sedola.

Takové znalostní sítě lze například využívat v průmyslu jako most mezi veřejně přístupným internetem a interním informačním systémem velkých firem. S pomocí učících se strojních zařízení se očekává, že v budoucnu budou oba tyto systémy schopny vzájemně si předávat informace a z nich vyvozovat obecné závěry. Vylepší se tedy výběr relevantních informací, které si systémy budou moct vzájemně vyměňovat a jeden druhého tak obohacovat. Výrobní společnosti by mohly využívat takto získané informace k významné optimalizaci procesů plánování a rozhodování, například těch, které se týkají řízení dodavatelského řetězce.

Zdroje: Siemens

Diskuze k článku

Pro přidání komentáře je nutné se přihlásit přes facebook. Přihlásit se

Vaše komentáře

Zatím nebyl přidán žádný příspěvek. Buďte první.

Mohlo by vás zajímat

 
Galerie