Strona korzysta z plików cookies w celu realizacji usług i zgodnie z Polityką Plików Cookies.


25.10.2019

Skalowalna infrastruktura

Red Hat OpenStack Platform 15
25.10.2019

Cienki klient 2.0

Windows Virtual Desktop
25.10.2019

Nowy sprzęt Microsoftu

Rodzina Surface się powiększa
24.10.2019

Serwery ARM

Oracle stawia na Ampere Computing
24.10.2019

Wszechstronny i elegancki

Dell XPS 15
10.10.2019

CYBERSEC EXPO - największe w...

Bezpieczeństwo cyfrowe nie jest problemem dotyczącym jedynie działów IT. Obecnie stanowi...
30.09.2019

Nowości w wirtualizacji

VMware World 2019
30.09.2019

Bezpieczeństwo mobile-first

Android 10

Praktyczne zastosowania sztucznej inteligencji

Data publikacji: 29-05-2018 Autor: Marcin Szeliga
Rys. 1. Sztuczna inteligencja...

Czwarta rewolucja przemysłowa rozpoczęła się na początku XXI wieku i w przeciągu następnych dwudziestu lat całkowicie zmieni świat, w którym żyjemy. Olbrzymi wpływ na zmiany będzie miało stosowanie AI. Przyjrzyjmy się czterem typowym zastosowaniom tej technologii.

Wszystkie rewolucje przemysłowe były wywołane odkryciem i upowszechnieniem nowej technologii. Pierwszą rewolucję zawdzięczamy zastosowaniu pary wodnej w przemyśle (XVIII wiek), drugą – elektryczności (początek XX wieku). Trzecia rewolucja miała miejsce w latach 70. XX wieku i została nazwana naukowo-techniczną, bo polegała na integracji przemysłu wysokich technologii z informatyką, czego skutkiem była cyfryzacja procesów produkcyjnych. Czwartą rewolucję przemysłową zawdzięczamy stosowaniu na coraz szerszą skalę mechanizmów sztucznej inteligencji. Przyjrzyjmy się czterem typowym zastosowaniom AI, wykorzystywanej do optymalizacji procesów, zwiększania sprzedaży, wspierania decyzji oraz w robotyce.

> OPTYMALIZACJA PROCESÓW

Nowoczesny przemysł (Przemysł 4.0) polega na łączeniu działań ludzi i sterowanych cyfrowo systemów. Dane generowane są przez urządzenia produkcyjne i zbierane przez czujniki. Trafiają one do systemów SCADA, które je wstępnie przetwarzają i przekazują do systemu analitycznego. Analiza predykcyjna danych może się odbywać lokalnie, na urządzeniach IoT wyposażonych w moduły uczenia maszynowego lub na zdalnym serwerze znajdującym się np. w chmurze. Wyniki analiz nie tylko są wizualizowane, ale również używane do automatycznego sterowania procesami. Takie podejście pozwala m.in. wykrywać awarie, zanim one nastąpią, minimalizować straty związane z przestojami, wykrywać nietypowe działanie systemu lub jego użytkowników oraz symulować działanie urządzeń i optymalizować w ten sposób procesy badawcze.

Do optymalizacji procesów stosowane są zarówno modele uczenia maszynowego, jak i modele głębokiego uczenia maszynowego. W pierwszym wypadku do dyspozycji są dane o ustawieniach poszczególnych urządzeń i wyniki zebrane przez czujniki, np. dotyczące temperatury. W drugim – dane uzupełniane są o dźwięk lub obraz. W obu wypadkach zadaniem sztucznej inteligencji jest uzupełnienie brakujących informacji. Uzupełniane mogą być dane:

 

  • numeryczne – np. przewidywana liczba cyklów pracy urządzenia pozostała do awarii – wtedy mamy do czynienia z modelami regresji,
  • kategoryczne – np. informacje o tym, czy urządzenie ulegnie awarii w ciągu najbliższego tygodnia – takie modele nazywamy klasyfikatorami.


Przykładem optymalizacji procesów może być system wykrywania awarii silników samolotowych utworzony na platformie Microsoft Azure. Zbierane w czasie rzeczywistym przez urządzenia i czujniki dane są wysyłane do chmury przez usługę Azure IoT Hub, która pozwala nawiązać dwukierunkową komunikację z urządzeniami IoT, a więc zarówno odbierać wysyłane protokołami HTTP, AMQP/AMQP-WS lub MQTT dane, jak i sterować pracą tych urządzeń. Odebrany strumień danych jest analizowany z wykorzystaniem usługi Azure Stream Analitics umożliwiającej wykonywanie zapytań na strumieniach danych w języku przypominającym język SQL.
 
Przykładowe zapytania mogą wyglądać następująco: pierwsze zwraca oryginalne, przefiltrowane dane, drugie agreguje je, dodając średnie odczyty z dwóch ostatnich minut:

WITH
[StreamData] AS (
SELECT *
FROM [IoTHubStream]
WHERE [ObjectType] IS NULL
-- Filter out device info and command responses
)
SELECT DeviceId, Counter,Cycle,Sensor9,`
Sensor11,Sensor14,Sensor15
INTO [Telemetry]
FROM [StreamData]


SELECT DeviceId, Cycle, AVG(Sensor9) AS Sensor9, `
AVG(Sensor11) AS Sensor11,
AVG(Sensor14) AS Sensor14, AVG(Sensor15) AS `Sensor15
INTO [TelemetrySummary]
FROM [StreamData]
GROUP BY
DeviceId, Cycle, SLIDINGWINDOW(minute, 2)
-- cover the longest possible cycle
HAVING SUM(EndOfCycle) = 2
-- Sum when EndOfCycle contains both start and end events

Tak przygotowane dane są wysyłane do wcześniej nauczonego modelu regresji utworzonego w Azure ML Studio (rys. 1). Nauczony model został opublikowany jako usługa WWW, do której wysyłane są zagregowane przez Stream Analitycs dane. Uzupełnione o predykcje dane są udostępniane na stronie WWW (rys. 2).

Stosowane do optymalizacji procesów systemy sztucznej inteligencji to modele klasyfikujące, regresyjne lub analizujące anomalie, które doskonale nauczyły się rozwiązywać konkretne zadania, ale nie mają nic wspólnego ze sztuczną inteligencją rozumianą jako zdolność rozwiązywania wielu, w tym nowych, zdań.

> ZWIĘKSZENIE SPRZEDAŻY

Systemy rekomendujące są powszechnie używane m.in. do: wybierania reklam wyświetlanych w serwisach społecznościowych, sugerowania produktów w e-sklepach, polecania książek (Amazon, Barnes&Noble), filmów (Reel, RatingZone, Amazon, Netflix), muzyki (CDNow, Spotify, Tidal) czy wybierania płatnych odnośników zwracanych przez wyszukiwarki internetowe.

[...]

Pracownik naukowy Wyższej Szkoły Bankowej w Poznaniu Wydział Zamiejscowy w Chorzowie, jest autorem książek poświęconych analizie danych i posiada tytuł Microsoft Most Valuable Professional.

Artykuł pochodzi z miesięcznika: IT Professional

Pełna treść artykułu jest dostępna w papierowym wydaniu pisma.

.

Transmisje online zapewnia: StreamOnline

All rights reserved © 2019 Presscom / Miesięcznik "IT Professional"