Hra na procenta

Obecně řečeno, umělá inteligence (AI) je inteligence projevovaná stroji. Z této definice vyplývá, že AI zahrnuje celou řadu témat. Například poměrně jednoduchý algoritmus implementovaný prostřednictvím elektronických obvodů by mohl být považován za AI, jakmile by systém začal vykazovat inteligentní chování (např. pokud by teplota stroje dosáhla určité prahové hodnoty, stroj by se uměl sám vypnout).

Zdokonalení umělé inteligence umožnilo technologii provádět hluboké učení, rozpoznávání obrazu a rozpoznávání řeči. Ačkoli výzkum umělé inteligence probíhá již od 40. let 20. století, pokrok ve výpočetním výkonu během několika posledních desetiletí nakonec vedl k tomu, že umělá inteligence dosáhla pozoruhodnějších milníků. Ve svých dřívějších verzích porazila AI v roce 1997 nejlepšího lidského šachistu. V roce 2017 pak AI dokázala porazit nejlepšího lidského hráče hry Go.

AI se již léta používá také v recyklačních aplikacích. Pokud jde o využití AI ve strojovém vidění, jak přesně stroje identifikují objekt a zda se jedná o něco, co je třeba ponechat v proudu, nebo odstranit? To jsou klíčové problémy, které je třeba vyřešit v souvislosti s využitím AI v technologiích třídění recyklovatelných materiálů.

Historie AI v třídění

Využití AI v třídění začalo se systémy v 70. až 80. letech 20. století. Tyto systémy byly založeny na optických senzorech a elektronice, které porovnávaly hodnoty šedi nebo barvy. Na základě poměru těchto barev elektronický obvod na základě pravidel rozhodoval, zda materiál ponechat, nebo vyhodit. Například první reverzní prodejní automat (RVM) rozpoznal tvar láhve na základě stínu, který vytvářela a který byl detekován předem umístěnými optickými senzory.

Na počátku 90. let 20. století se používala pixelová klasifikace snímků z šedých a barevných kamer v kombinaci s elektronikou vyrobenou na zakázku, což omezovalo možnosti umělé inteligence z hlediska prahových hodnot a rozhodování. S nástupem osobních počítačů (PC) bylo možné tuto technologii použít pro klasifikaci obrazů.

K získání specifických spektrálních vlastností a lepších možností shlukování byla použita technologie kamer na zakázku, což vedlo ke zvýšení přesnosti UI. To umožnilo přiřadit každému pixelu specifickou třídu materiálu na základě jeho spektrálního obsahu. Barva již nebyla jediným identifikačním kritériem.

Tato technologie pak byla koncem 90. let spojena s rozpoznáváním objektů, což umožnilo shlukovat různé pixely podobných vlastností a spojovat je do objektu.

V roce 2000 byly k dispozici hyperspektrální zobrazovací systémy a výkon počítačů se dále zvýšil. Pro klasifikační problémy při zpracování dat začaly být k dispozici umělé neuronové sítě (ANN). Na základě dříve vyškolených vzorků pro konkrétní aplikaci a stroj mohla nyní tato třída UI kombinovat různé rysy a vlastnosti pro jednu klasifikaci. V důsledku toho bylo možné detekovat složitější materiály a bylo dosaženo další úrovně přesnosti třídění.

Později v roce 2000 byly k dispozici takzvané stroje s podpůrnými vektory (SVM). Ačkoli to zní jako fyzikální stroj, jedná se o matematické modely, které umožňují stroji definovat shluky ve vícerozměrném prostoru. Ukládání výsledků do tabulek na fyzickém třídiči opět zlepšilo výkon.

Společným znakem všech dříve zmíněných forem umělé inteligence používaných pro třídění je skutečnost, že takzvané tréninkové nebo učební aspekty umělé inteligence musí být pod dohledem. Ve velmi jednoduchém příkladu RVM ze 70. let minulého století musel inženýr fyzicky umístit optický senzor na správné místo a před uvedením třídiče do provozu musel mít k dispozici sadu označených vzorků pro učení systému.

AI dnes

Dnes vyžaduje počáteční učení systému od inženýra počítačového vidění, aby definoval příslušné rysy pro třídicí úlohu. Tím se z obrazových dat vygenerují vektory příznaků, které se pak ve spojení se značkami použijí pro automatické trénování ANN nebo SVM. Protože trénink probíhá automaticky bez interakce inženýra, nazývá se tento přístup učení bez dohledu.

Dalším krokem ve vývoji umělé inteligence při třídění je nasazení metodik hlubokého učení, které byly k dispozici v roce 2010 a nyní se používají v řadě aplikací. Tyto typy sítí byly vynalezeny již před desítkami let. Díky masivnímu nárůstu výpočetního výkonu v moderních grafických procesorech a milionům obecně dostupných a označených obrázků je nyní možné je aplikovat na praktické problémy.

Tzv. hluboké konvoluční neuronové sítě jsou stále ANN; ve srovnání s prvními odvozeninami však mají mnohem větší počet vrstev a neuronů. V důsledku toho jsou tyto sítě výkonnější. Vyžadují však také mnohem více trénovacích dat než tradiční přístupy.

Hlavní výhodou konvolučních neuronových sítí je, že krok extrakce příznaků se rovněž provádí automaticky během trénování sítě. Výsledkem je, že inženýr počítačového vidění již nemusí ručně definovat rysy relevantní pro danou úlohu. Obvykle první vrstvy sítě generují rysy, které jsou v následujících vrstvách integrovány do složitějších rysů a v posledních vrstvách pak klasifikovány.

Tyto sítě lze kombinovat téměř jako stavebnice, přičemž každá z nich je předem natrénována pro určitou úlohu. Tímto způsobem lze návrh přizpůsobit dané aplikaci. Technologie hlubokého učení mají velký vliv zejména na rozpoznávání obrazu.

Náhled do budoucnosti

Současná fáze vývoje umělé inteligence – zejména aspekty hlubokého učení – umožní recyklačnímu průmyslu řešit v současnosti neřešené problémy.

Dnes je ke zlepšení kvality konečného produktu na požadovanou úroveň stále zapotřebí ruční sběrná stanice na konci linky. Příklad lze vidět u silikonových kazet, které nejsou v polyethylenovém proudu žádoucí. Aby je mohl robot sebrat nebo vyhodit přes poslední optický třídič, musely by být nejprve detekovány.

Pro tuto schopnost bude hrát umělá inteligence a hluboké učení důležitou roli při zvyšování efektivity. Kombinace těchto nových forem umělé inteligence s potenciálem velkých dat (např. s daty, která již dnes můžeme shromažďovat ze strojů) otevře ještě více možností, jak zvýšit výrobu, snížit náklady a zlepšit kvalitu.

Existuje názor, že dnešní AI je jako najít oběd zdarma a ošklivé káčátko. Obě myšlenky jsou skutečné matematické věty, které se týkají tématu umělé inteligence.

První věta v podstatě říká, že žádné řešení umělé inteligence není pro konkrétní aplikaci lepší než všechna ostatní. Každé řešení může mít určité výhody, které jsou na úkor některých nevýhod v jiných oblastech – proto neexistuje nic takového jako „oběd zdarma“.

Podobný je i teorém o ošklivém káčátku, který říká, že pro všechny aplikace neexistuje optimální sada funkcí. I kdybychom našli obecnou umělou inteligenci, která by řešila mnoho různých problémů, nevyhovovala by alespoň jedné aplikaci nebo problému a neposkytovala by vhodné řešení – což z ní činí „ošklivé káčátko“.

Vzhledem k tomu bychom měli zůstat skromní v očekáváních týkajících se možností konvolučních neuronových sítí a hlubokého učení. Je k dispozici spousta příkladů, kdy hluboké učení řeší obtížné, volně strukturované rozpoznávací problémy, ale u jiných třídicích úloh budou mít lepší výkon jiné přístupy umělé inteligence. Nalezení správné kombinace různých typů UI bylo klíčové v minulosti a zůstane klíčem k zajištění nejlepšího výkonu třídění recyklovatelného odpadu i v budoucnosti.

Umělá inteligence je v recyklačním průmyslu nasazována již delší dobu. Přesto jsou možnosti, které může hluboké učení nabídnout, když se oblasti strojového vidění a strojového učení spojí pod jednu hlavičku, pro toto odvětví nové a vzrušující.

Autoři jsou viceprezidenty s odpovědností za výzkum v německé společnosti TOMRA Sorting GmbH, www.tomra.com/en/sorting/recycling, která je součástí norské společnosti TOMRA Systems ASA.

.