Сегодня нельзя избежать термина искусственный интеллект (ИИ), поскольку он увековечивает поп-культуру, средства массовой информации и промышленные предприятия. PTC широко определяет искусственный интеллект как дисциплину, которая использует компьютерные науки и статистику для создания систем, которые воспринимают, понимают и действуют аналогично органическому интеллекту.

Область ИИ охватывает множество технологий, использующих различные методы науки о данных, способные «учиться», чтобы обеспечить этот органический интеллект.

Мы видим три новых технологических сектора, связанных с искусственным интеллектом, управляющих цифровыми преобразованиями в промышленности: компьютерное зрение, машинное обучение и генеративный дизайн.

Давайте посмотрим на каждого из них:

Компьютерное зрение:

Компьютерное зрение (CV) - это далеко идущий термин для описания области того, как компьютеры и машины могут видеть мир вокруг нас. Что касается искусственного интеллекта, то это важнейшая функция, в которой алгоритмы обнаружения объектов и распознавания изображений решают проблемы в науке и промышленности, которые раньше считались невозможными. Термины «глубокое обучение» и «искусственные нейронные сети» часто ассоциируются с компьютерным зрением из-за их способности интерпретировать или воспринимать сгенерированные CV данные.

Предварительные аргументы в пользу технологий, обеспечивающих компьютерное зрение, восходят к нейросетевой системе Фрэнка Розенблатта « Перцептрон» в 1950-х годах, но вычислительной мощности не было, чтобы доказать ее потенциал.

Это изменилось сегодня благодаря закону Мура. Процессоры (включая графические процессоры) способны быстро рендерить и анализировать неструктурированные данные из изображений и видео для восприятия окружающей среды. 
В реальных случаях на месте это может выглядеть как гарнитура дополненной реальности (AR), анализирующая данные о состоянии машины на заводском этаже или автономное транспортное средство, воспринимающее условия вождения и соответствующим образом ориентирующееся в навигации.

ИИ обеспечивает компьютерное зрение в AR посредством восприятия с помощью встроенных датчиков (камеры, GPS и т. Д.) На самом оборудовании и программного обеспечения, интерпретирующего среду с возникающими возможностями, такими как автоматическое распознавание объектов . Признание жестов рук, слежения за глазами и взаимодействия с обработкой на естественном языке (умные помощники) становятся все более важными возможностями AR, продвигаемыми ИИ.

Машинное обучение:

Машинное обучение - это обширная ветвь ИИ, специфичная для систем, моделей и алгоритмов, которые могут обучаться без явного программирования и распознавать шаблоны для прогнозирования результатов. Существует множество моделей обучения, используемых для различных ситуаций, но в целом они сегментированы как контролируемые или неконтролируемые.

В контролируемых моделях (классификация, регрессии, наивные байеры и т. Д.) Существует «наземная истина», в которой известны данные о том, какими должны быть определенные выходные значения.

На производстве алгоритм регрессии использует входные данные от датчиков (температуры, вибрации и т. Д.) Для оценки оставшегося срока полезного использования актива, что может иметь решающее значение в случае использования с прогнозирующим обслуживанием. При неконтролируемом машинном обучении (т. Е. Кластеризации) модель почти работает в обратном порядке, начиная с ожидаемого результата (но пока не известно), и последовательно обучает алгоритм.

Искусственные нейронные сети и их роль в моделях глубокого обучения имеют решающее значение, когда входные данные поступают через скрытые слои. Каждый слой обучен распознавать определенную особенность и, в конечном итоге, производить вывод; автономное транспортное средство полагается на эти встроенные сети, чтобы понять деревья по знакам остановки от пешеходов.

Опять же, не существует алгоритма машинного обучения «один размер подходит всем» - он полностью зависит от потребностей бизнеса; конкретная модель глубокого обучения могла бы быть лучше для распознавания лиц, а алгоритм машинного обучения посредством регрессии мог бы быть лучше для прогнозирования системного сбоя.

Генеративный дизайн:

С появлением концепции генеративного проектирования инженеры смогут повысить производительность, инновации и эффективность на протяжении всего производственного процесса. Эти итеративные процессы проектирования используют человеческие ресурсы для ограничений и характеристик, а затем программное обеспечение интуитивно обеспечивает проектирование в режиме реального времени моделирования, которое соответствует параметрам.

ИИ внедряется в этот процесс разработки, представляя альтернативы проектирования для рассмотрения и связывания с рядом факторов, таких как предпочтительные материалы, решения о покупке, производственные мощности, различия в продуктах и ​​статус цепочки поставок, среди прочих.

В этих программах есть ряд инженерных инструментов и вспомогательных сценариев использования, включая оптимизацию топологии, объемное моделирование и проектирование решетчатых структур, что позволяет мощным продуктам выходить в реальный мир благодаря аддитивному производству . Аналитики прогнозируют, что в 2030 году этот развивающийся рынок генеративного дизайна составит около 45 миллиардов долларов .

Последние мысли

ИИ - это обширная область, состоящая из подкатегорий, таких как машинное обучение и глубокое обучение, которые встраиваются в такие приложения, как компьютерное зрение и генеративный дизайн. Успешное внедрение ИИ потребует распаковки конкретных бизнес-задач, имеющих решающее значение для успеха организации, и согласования с подходящими поставщиками технологий, которые разделяют подобное видение. С внедрением ИИ промышленные компании могут стать на один шаг ближе к внедрению цифровых преобразований на предприятии.