Široké využití umělé inteligence

28. července 2022

Balíček "All-in-one" činí technologii uživatelsky přívětivou

Deep learning otevírá nové oblasti použití pro průmyslové zpracování obrazu, které by dříve nebylo možné řešit vůbec nebo jen s velkým úsilím. Zásadně odlišný přístup ke klasickému zpracování obrazu vytváří také nové výzvy. Je nutné se nad ním znovu zamyslet. IDS proto představuje univerzální balík pro strojové vidění, s nímž může každý uživatel v několika málo krocích, bez znalosti programování, implementovat zpracování obrazu na bázi umělé inteligence a použít jej na kameře jako vestavěný inferenční systém. Deep Learning se tak stává uživatelsky přívětivým. Na webových stránkách IDS visionpier lze již nyní nalézt množství aplikací a řešení využívající AI systém kamer IDS NXT přímo od uživatelů.

Počítačové vidění a zpracování obrazu se staly nepostradatelnými nástroji v různých oblastech našeho života. Systémy zpracování obrazu se stále častěji setkávají s neustále rostoucím množstvím výrobků, jejich variant a organických objektů, jako je ovoce, zelenina nebo rostliny. Konvenční přístupy se zpracováním obrazu na základě pravidel rychle narazí na své limity. Analyzovaná obrazová data se často mění a rozdíly je obtížné nebo nemožné popsat pomocí algoritmů. V takových případech není robustní automatizace kvůli nepružnému souboru pravidel proveditelná. A to i v případě předpokladu, že úloha je pro lidi snadno řešitelná. Jako příklad lze uvést dítě, které je schopno rozpoznat auto, i když nikdy předtím nevidělo konkrétní model. Stačí, když dítě předtím vidělo dostatek jiných modelů aut.

Prostřednictvím strojového učení lze nyní schopnost pružného a nezávislého rozhodování přenést i na systémy zpracování obrazu. Pomocí neuronových sítí a algoritmů „Deep Learning“ můžeme počítač naučit vidět objekty, rozpoznávat je a vyvozovat závěry z toho, co se naučil. Podobně jako člověk se "inteligentní automatizace" učí a rozhoduje na základě empirických hodnot.

Rozdíly oproti klasickému zpracování obrazu

Hlavní rozdíl oproti zpracování obrazu založenému na pravidlech spočívá v tom, jak a kým jsou identifikovány charakteristiky obrazu a jak jsou naučené znalosti reprezentovány. Při klasickém nebo "symbolickém přístupu" je za výběr rozhodujících obrazových znaků a jejich popis podle určitých pravidel zodpovědný specialista na zpracování obrazu. K podrobné specifikaci způsobu řešení dané úlohy je zapotřebí mnoho řádků zdrojového kódu. Software totiž dokáže rozpoznat pouze to, co pravidla pokrývají. Následné provádění probíhá v definovaných mezích bez jakéhokoli prostoru pro interpretaci. Skutečný intelektuální výkon tedy spočívá výhradně na odborníkovi na obraz.

Postup práce s neuronovými sítěmi je zcela odlišný. Jejich výhodou je, že se samostatně učí, které vlastnosti obrazu jsou důležité pro vyvození správného závěru. Pak hovoříme o "nesymbolickém přístupu", protože znalosti jsou pouze implicitní a neumožňují žádný vhled do naučených řešení. To, které charakteristiky jsou uloženy, jak jsou váženy a jaké závěry jsou vyvozeny, je ovlivněno pouze množstvím a obsahem vstupních dat (obrazů). Algoritmy hlubokého učení rozpoznávají a analyzují kompletní obsah obrazu a rozpoznané charakteristiky přiřazují k "termínům", které se mají naučit, v závislosti na četnosti výskytu. Statistická četnost vytváří to, čemu říkáme zkušenost během tréninku. Specialistka na umělou inteligenci společnosti Google Cassie Kozyrkovová na WebSummitu 2019 v Lisabonu popisovala strojové učení jako programovací nástroj. Umožňuje učit stroj věci na základě příkladů, a ne mnoha instrukcí.

Vývoj aplikací strojového vidění založených na umělé inteligenci proto vyžaduje zamyšlení. Je důležité si uvědomit, že kvalita výsledků – tj. rychlost a spolehlivost detekce objektů – závisí na tom, co neuronová síť detekuje a k jakým závěrům dospěje. Zde hrají velmi rozhodující roli znalosti příslušného odborníka. Ten musí poskytnout potřebné datové sady pro trénink s co největším počtem různých příkladových obrázků včetně pojmů, které se mají naučit. Odpovědnost za klasický přístup, která ležela na odborníkovi na zpracování obrazu, přebírá odborník na data v oblasti strojového učení.

Nové výzvy

Které (nové) dovednosti jsou však potřeba k zavedení strojového učení do Vaší společnosti? Rozložení vývoje aplikace umělé inteligence na jednotlivé kroky ve skutečnosti odhaluje úkoly a koncepty, které je třeba se naučit zcela nově ve srovnání s klasickým přístupem. Zpracování a příprava obrazových dat i trénování neuronových sítí vyžadují zcela nové nástroje a vývojové rámce. Ty je třeba nainstalovat a spustit na vhodné počítačové infrastruktuře. Potřebné návody a open source software jsou obvykle volně dostupné u poskytovatelů cloudových služeb nebo na platformách, jako je Github. Poskytují však pouze základní nástroje, které vyžadují vysokou míru zkušeností. Nejen vytvoření, ale i provedení a vyhodnocení výsledků tréninku na vhodné hardwarové platformě vyžaduje pochopení a znalost hardwaru, softwaru a jejich rozhraní.

Začněte ihned s balíčkem strojového vidění All-in-one

Společnost IDS chce uživatele podpořit již při prvních krocích s novou technologií. Software firmy IDS kombinuje zkušenosti s deep learning a kamerovou technologií v rámci balíčku inferenčních kamer "All-in-one". Díky tomu může každý uživatel okamžitě začít se zpracováním obrazu na bázi umělé inteligence. Díky IDS NXT Ocean snižuje IDS vstupní bariéru a poskytuje snadno použitelné nástroje pro vytvoření inferenčních úloh během několika minut bez větších předchozích znalostí a jejich okamžité spuštění na kameře.

Koncepce je založena na třech důležitých prvcích:

• Snadno použitelný tréninkový software pro neuronové sítě
• Inteligentní kamerová platforma
• Akcelerátor umělé inteligence, který provádí neuronové sítě na straně hardwaru

Všechny komponenty byly vyvinuty přímo společností IDS a jsou navrženy tak, aby spolu dokonale spolupracovaly. Díky tomu je to pro uživatele velmi snadné a celý systém je velmi výkonný.

Cloudový tréninkový software IDS NXT lighthouse Vás vede krok za krokem přes přípravu dat k tréninku umělé inteligence v podobě neuronové sítě. Uživatel se nikdy nedostane do kontaktu s žádnými základními nástroji, dokonce se nemusí zabývat instalací vývojových prostředí. Jako webová aplikace je IDS NXT lighthouse okamžitě připravena k použití. Uživatel má k dispozici dostatečný úložný prostor a tréninkový výkon pro všechny své projekty ve snadno použitelném pracovním postupu. Přihlásí se, nahraje tréninkové obrázky, označí a poté trénuje požadovanou síť. Zákazníci mohou využívat výhod datového centra a síťové architektury německých serverů provozovaných společností Amazon Web Services (AWS) či Microsoft Azure, které jsou speciálně navrženy tak, aby splňovaly nejvyšší standardy ochrany a zabezpečení dat.

Pomocí několika málo konfiguračních nastavení uživatel v jednoduchých dialogových oknech určí požadavky na rychlost a přesnost své aplikace. IDS NXT lighthouse pak zcela nezávisle vybere síť a nastaví potřebné parametry trénování. Výsledky tréninku již dávají uživateli dobrou předpověď o kvalitě trénované inteligence a umožňují tak rychlou úpravu a opakování tréninkového procesu. Systém je průběžně vylepšován a modernizován. Aniž by bylo nutné plánovat aktualizace a fáze údržby, má každý k dispozici vždy nejnovější verzi softwaru. Uživatel se může plně soustředit na řešení své aplikace, aniž by si musel sám budovat znalosti o metodách učení a umělé inteligenci.

IDS používá k trénování neuronových sítí učení v IDS NXT lighthouse. Algoritmy hlubokého učení se učí pomocí předem definovaných dvojic vstupů a výstupů. Učitel – v tomto případě uživatel – musí během učení poskytnout správnou hodnotu funkce pro vstup přiřazením správné třídy k obrázkovému příkladu. Síť je trénována tak, aby byla schopna samostatně vytvářet asociace tím, že vytváří předpovědi týkající se obrazových dat ve formě procent. Čím vyšší je hodnota, tím je předpověď přesnější a spolehlivější.

Bezproblémová spolupráce softwaru s kamerami IDS NXT rio & rome zajišťuje rychlý úspěch. Natrénované neuronové sítě lze nahrát a spustit přímo a bez programátorského úsilí na jedné z těchto kamer. Uživatel tak má okamžitě k dispozici zcela funkční vestavěný systém vidění, který vidí, rozpoznává a odvozuje výsledky ze zachycených obrazových dat. Díky digitálním rozhraním lze přímo ovládat i navazující stroje.

Embedded Vision hybridní systém

Společnost IDS vyvinula vlastní jádro umělé inteligence pro FPGA inteligentní kamerové platformy IDS NXT s názvem "deep ocean core", které hardwarově zrychluje provádění předem vyškolených neuronových sítí. Tím se z průmyslových kamer stávají vysoce výkonné inferenční kamery, využívající umělou inteligenci v průmyslovém prostředí. Analýza obrazu se provádí decentralizovaně, čímž se redukuje omezení šířky pásma při přenosu. Kamery založené na platformě IDS NXT tak mohou držet krok s moderními stolními procesory, pokud jde o přesnost a rychlost výsledků – a zároveň mají výrazně menší spotřebu energie. Přeprogramovatelnost FPGA nabízí další výhody z hlediska budoucí bezpečnosti, nízkých opakovaných nákladů a doby uvedení na trh.

Dokonalé přizpůsobení vlastního softwaru a hardwaru IDS umožňuje uživateli zvolit cílový čas inference před tréninkem. IDS NXT lighthouse pak zajišťuje optimální nastavení tréninku při zohlednění výkonu jádra AI kamery. Uživatele tak nečekají žádná překvapení při následném provádění inference. Odpadá nutnost časově náročné úpravy nastavení a opětovného trénování. Po integraci zůstává systém IDS NXT pro uživatele 100% kompatibilní a konzistentní ve svém chování. Zejména u průmyslově certifikovaných aplikací je to významná výhoda.

Díky výkonnému hardwaru je platforma Embedded Vision mnohem víc než jen inferenční kamera používaná s využitím neuronových sítí. Soubor funkcí kombinace CPU-FPGA bude moci uživatel rozšířit podle svých potřeb v dalším vývojovém kroku pomocí aplikací pro strojové vidění. Opakující se úlohy vidění pak bude možné rychle nastavit a měnit. Lze pak realizovat i zcela flexibilní sekvenci zpracování obrazu. Pořízené snímky se například nejprve předzpracují a teprve poté se poměrně jednoduchou a rychlou klasifikací roztřídí dobré a špatné části. Pokud se vyskytnou chyby, lze v řádu milisekund načíst mnohem složitější neuronovou síť, která určí třídu chyby mnohem podrobněji a výsledky přenese do databáze. Vlastní řešení lze pak snadno implementovat pomocí vývojové sady aplikací. Uživatelé si tak mohou v několika krocích vytvořit vlastní individuální aplikace pro strojní vidění, nahrát je a spustit na kamerách IDS NXT.

Kamery IDS NXT jsou navrženy jako hybridní systémy, které umožňují jak předzpracování obrazových dat pomocí klasického zpracování obrazu, tak extrakci funkcí pomocí neuronových sítí vedle sebe, aby bylo možné efektivně provozovat aplikace pro zpracování obrazu na jediném zařízení.

Souhrn

IDS NXT ocean dělá „Deep learning“ smysluplným a uživatelsky přívětivým pro každého. IDS představuje kombinaci hardwaru a softwaru, která k sobě dokonale ladí. Inteligentní detekční úlohy a automatizace v mnoha (nových) oblastech použití jsou touto kombinací nesmírně zjednodušeny nebo poprvé umožněny. V několika málo krocích a bez znalosti programování lze vytvořit a realizovat řešení pro zpracování obrazu na bázi umělé inteligence. S tréninkovým softwarem IDS NXT Lighthouse se výrobce vědomě přesunul do cloudu, aby mohl škálovat úložný prostor a tréninkový výkon podle požadavků uživatelů. Kromě toho není třeba plánovat žádné fáze aktualizace a údržby, aby bylo možné využívat průběžných vylepšení. Díky tomu je pro každého uživatele vždy připravena nejnovější verze softwaru. Výrobce také nabízí inferenční startovací balíček IDS NXT ocean Creative Kit se všemi potřebnými komponentami jako první krok do zpracování obrazu na bázi umělé inteligence. Kamera s napájecím zdrojem a objektivem i školící licence pro IDS NXT lighthouse – vše, co potřebujete, abyste mohli ihned začít zpracovávat i Vaší aplikaci.

V případě zájmu o více informací nás neváhejte kontaktovat.