Spille med procenterne

I generelle vendinger er kunstig intelligens (AI) intelligens, der demonstreres af maskiner. Denne definition viser, at AI dækker en række forskellige emner. F.eks. kan en ret simpel algoritme, der gennemføres via elektroniske kredsløb, betragtes som AI, så snart systemet begynder at udvise intelligent adfærd (f.eks. hvis maskinens temperatur når en bestemt tærskelværdi, ved maskinen, at den selv skal slukke).

Forbedringer inden for AI har gjort det muligt for teknologien at udføre deep learning, billedgenkendelse og talegenkendelse. Selv om AI-forskning har eksisteret siden 1940’erne, har fremskridtene inden for regnekraft i de seneste årtier endelig ført til, at AI har nået flere bemærkelsesværdige milepæle. I sine tidligere versioner slog AI den bedste menneskelige skakspiller i 1997. I 2017 var AI så i stand til at slå den bedste menneskelige Go-spiller.

AI har i årevis også været anvendt til genbrugsapplikationer. Hvad angår AI’s anvendelse i maskinsyn, hvordan præcist identificerer maskinerne et objekt, og hvordan kan de identificere, om det er noget, der skal beholdes i strømmen eller fjernes? Dette er centrale udfordringer, der skal løses i forbindelse med brugen af AI i sorteringsteknologier til genbrugsmaterialer.

Historie om AI i sortering

AI’s anvendelse i sortering startede med systemer i 1970’erne til 1980’erne. Disse systemer var baseret på optiske sensorer og elektronik, der sammenlignede gråværdier eller farver. På grundlag af forholdet mellem disse farver traf det elektroniske kredsløb en regelbaseret beslutning om, hvorvidt materialet skulle beholdes eller udvises. Den første omvendte salgsautomat (RVM) genkendte f.eks. formen af en flaske på baggrund af den skygge, som den genererede, og som blev registreret af forud placerede optiske sensorer.

I begyndelsen af 1990’erne blev der anvendt pixelbaseret klassificering af gråskala- og farvekamerabilleder i kombination med specialfremstillet elektronik, hvilket begrænsede AI’s muligheder med hensyn til tærskelværdier og beslutninger. Med fremkomsten af personlige computere (pc’er) blev det muligt at anvende denne teknologi til klassificering af billeder.

Der blev anvendt skræddersyet kamerateknologi til at opnå specifikke spektrale egenskaber og bedre klyngemuligheder, hvilket førte til forbedret AI’s nøjagtighed. Dette gjorde det muligt at tildele hver enkelt pixel en specifik materialeklasse på grundlag af dens spektrale indhold. Farve var ikke længere det eneste identifikationskriterium.

Denne teknologi blev derefter kombineret med objektgenkendelse i slutningen af 1990’erne, hvilket gjorde det muligt at klynge forskellige pixels med lignende egenskaber og kombinere dem til et objekt.

I 2000’erne blev hyperspektrale billeddannelsessystemer tilgængelige, og pc’ernes kraft blev yderligere forøget. Kunstige neurale netværk (ANN) begyndte at blive tilgængelige til klassifikationsproblemer i forbindelse med databehandling. Baseret på tidligere trænede prøver til det specifikke program og den specifikke maskine kunne denne klasse af AI nu kombinere forskellige træk og egenskaber for at foretage én klassifikation. Som følge heraf kunne mere komplekse materialer detekteres, og der blev opnået endnu et niveau af sorteringsnøjagtighed.

Sidst i 2000’erne kom de såkaldte støttevektormaskiner (SVM) på markedet. Selv om det lyder som en fysisk maskine, er der tale om matematiske modeller, som gør det muligt for en maskine at definere klynger i et flerdimensionalt rum. Ved at lagre resultaterne i tabeller på den fysiske sorteringsmaskine blev ydelsen igen forbedret.

Fælles for alle tidligere nævnte former for AI, der anvendes til sortering, er det faktum, at de såkaldte trænings- eller indlæringsaspekter af AI skal være overvåget. I det meget enkle eksempel med RVM fra 1970’erne var ingeniøren nødt til fysisk at placere den optiske sensor på det korrekte sted, og der skulle være et sæt af mærkede prøver til rådighed til at lære systemet, før sorteringsmaskinen blev sat i drift.

AI i dag

I dag kræver den indledende indlæring af systemet, at en computer vision-ingeniør definerer de relevante funktioner for sorteringsopgaven. Dette genererer feature-vektorer fra billeddataene, som derefter bruges sammen med etiketterne til automatisk at træne ANN- eller SVM-systemet. Da træningen sker automatisk uden interaktion fra teknikeren, kaldes denne fremgangsmåde uovervåget indlæring.

Det næste skridt i udviklingen af AI i sortering er anvendelse af dybe indlæringsmetoder, som blev tilgængelige i 2010’erne og nu anvendes i en række applikationer. Disse typer netværk blev opfundet for årtier siden. På grund af en massiv stigning i processorkraften i moderne grafikprocessorenheder og millioner af almindeligt tilgængelige og mærkede billeder er det nu muligt at anvende dem på praktiske problemer.

Såkaldte dybe konvolutionelle neurale netværk er stadig et ANN; men sammenlignet med de tidlige afledninger har de et meget større antal lag og neuroner. Som følge heraf er nettene mere kraftfulde. De kræver dog også langt flere træningsdata end traditionelle metoder.

Den store fordel ved konvolutionelle neurale netværk er, at udtrækningen af funktioner også udføres automatisk under træningen af netværket. Som følge heraf er det ikke længere nødvendigt for en computervisionstekniker at definere de træk, der er relevante for opgaven, manuelt. Typisk genererer de første lag af netværket funktioner, som integreres i mere komplekse funktioner i de følgende lag og derefter klassificeres i de sidste lag.

Disse netværk kan kombineres nærmest som byggeklodser, hvor hvert enkelt netværk er trænet på forhånd til en bestemt opgave. Herved kan designet tilpasses til den pågældende anvendelse. Deep learning-teknologier har især en stor betydning inden for billedgenkendelse.

Et glimt ind i fremtiden

Den nuværende fase af AI-udviklingen – især de dybe indlæringsaspekter – vil gøre det muligt for genbrugsindustrien at tackle de hidtil uløste udfordringer, der endnu ikke er løst.

I dag er der stadig brug for en håndplukkestation for enden af en linje for at forbedre kvaliteten af det endelige produkt til det ønskede niveau. Et eksempel kunne ses med silikonepatroner, som ikke er ønskelige i en polyethylenstrøm. For at kunne samle dem op med en robot eller for at kunne skubbe dem ud gennem en sidste optisk sorteringsmaskine, skal de først registreres.

For denne kapacitet vil AI og deep learning spille en vigtig rolle for at forbedre effektiviteten. Ved at kombinere disse nye former for AI med potentialet i big data (f.eks. med de data, vi allerede i dag kan indsamle fra maskinerne) vil der blive åbnet endnu flere muligheder for at øge produktionen, reducere omkostningerne og forbedre kvaliteten.

Der er en idé om, at AI i dag er som at finde en gratis frokost og en grim ælling. Begge ideer er egentlige matematiske teoremer, der vedrører emnet kunstig intelligens.

Det første teorem siger grundlæggende, at ingen enkelt AI-løsning er alle andre løsninger overlegen i forhold til en specifik anvendelse. Hver løsning kan have visse fordele, der kommer på bekostning af nogle ulemper andre steder – derfor findes der ikke noget, der hedder “gratis frokost”.

The ugly duckling theorem er tilsvarende og fastslår, at der ikke findes noget optimalt funktionssæt for alle applikationer. Selv hvis vi kunne finde generisk AI, der løser mange forskellige udfordringer, ville den ikke passe til mindst én anvendelse eller ét problem og ville ikke give en passende løsning, hvilket ville gøre den til den “grimme ælling”.

Med dette in mente bør vi forblive beskedne i vores forventninger til, hvad der er muligt med konvolutionelle neurale netværk og deep learning. Der findes masser af eksempler, hvor deep learning løser vanskelige, løst strukturerede genkendelsesproblemer, men med andre sorteringsopgaver vil andre AI-tilgange have bedre resultater. Det har tidligere været afgørende at finde den rigtige kombination af forskellige typer AI, og det vil fortsat være afgørende for at sikre den bedste sorteringspræstation for genbrugsmaterialer i fremtiden.

Kunstig intelligens har været anvendt i genbrugsindustrien i et stykke tid. Alligevel er de muligheder, som deep learning kan give, når områderne machine vision og machine learning samles under én paraply, nye og spændende for branchen.

Forfatterne er vicepræsidenter med ansvar for forskning hos TOMRA Sorting GmbH, www.tomra.com/en/sorting/recycling, der er baseret i Tyskland og en del af TOMRA Systems ASA, der er baseret i Norge.