Prosenttien pelaaminen

Yleisesti ottaen tekoäly (AI) on koneiden osoittamaa älykkyyttä. Tämä määritelmä osoittaa, että tekoäly kattaa monenlaisia aiheita. Esimerkiksi melko yksinkertaista, elektronisten piirien avulla toteutettua algoritmia voitaisiin pitää tekoälynä heti, kun järjestelmä alkaa osoittaa älykästä käyttäytymistä (esim. jos koneen lämpötila saavuttaa tietyn raja-arvon, kone osaa sammuttaa sen itsestään).

Tekoälyn kehittyminen on mahdollistanut teknologian syväoppimisen, kuvantunnistuksen ja puheentunnistuksen. Vaikka tekoälyä on tutkittu jo 1940-luvulta lähtien, laskentatehon kehittyminen viime vuosikymmeninä on vihdoin johtanut tekoälyn merkittävämpien virstanpylväiden saavuttamiseen. Aikaisemmissa versioissaan tekoäly voitti parhaan ihmisen shakinpelaajan vuonna 1997. Vuonna 2017 tekoäly pystyi voittamaan parhaan ihmisen Go-pelaajan.

Koälyä on käytetty jo vuosia myös kierrätyssovelluksissa. Mitä tulee tekoälyn käyttöön konenäössä, miten tarkalleen ottaen koneet tunnistavat esineen ja sen, onko se jotakin, joka on pidettävä virrassa vai poistettava? Nämä ovat keskeisiä haasteita, jotka on ratkaistava liittyen tekoälyn käyttöön kierrätysmateriaalien lajitteluteknologioissa.

Tekoälyn historia lajittelussa

Tekoälyn käyttö lajittelussa alkoi 1970-1980-luvun järjestelmillä. Nämä järjestelmät perustuivat optisiin antureihin ja elektroniikkaan, jotka vertasivat harmaa-arvoja tai värejä. Näiden värien välisen suhteen perusteella elektroniikkapiiri teki sääntöihin perustuvan päätöksen siitä, pitäisikö materiaali pitää vai heittää pois. Esimerkiksi ensimmäinen palautusautomaatti tunnisti pullon muodon sen tuottaman varjon perusteella, jonka ennalta sijoitetut optiset anturit havaitsivat.

1990-luvun alussa käytettiin harmaasävy- ja värikamerakuvien pikselipohjaista luokittelua yhdessä räätälöidyn elektroniikan kanssa, mikä rajoitti tekoälyn kykyjä kynnysarvojen ja päätösten osalta. Henkilökohtaisten tietokoneiden (PC) yleistyttyä tuli mahdolliseksi käyttää tätä tekniikkaa kuvien luokitteluun.

Räätälöityä kameratekniikkaa käytettiin erityisten spektriominaisuuksien ja parempien klusterointimahdollisuuksien hankkimiseen, mikä johti tekoälyn tarkkuuden paranemiseen. Tämä mahdollisti sen, että jokaiselle pikselille voitiin määrittää tietty materiaaliluokka sen spektrisen sisällön perusteella. Väri ei ollut enää ainoa tunnistuskriteeri.

Tämä tekniikka yhdistettiin sitten 1990-luvun lopulla objektintunnistukseen, mikä mahdollisti erilaisten ominaisuuksiltaan samankaltaisten pikselien klusteroimisen ja yhdistämisen objektiksi.

2000-luvulla tulivat saataville hyperspektrikuvantamisjärjestelmät, ja tietokoneiden teho kasvoi entisestään. Keinotekoisia neuroverkkoja (ANN, Artificial Neural Networks) alkoi tulla saataville tietojenkäsittelyn luokitteluongelmiin. Tämä tekoälyluokka pystyi nyt yhdistelemään eri piirteitä ja ominaisuuksia tiettyyn sovellukseen ja koneeseen aiemmin koulutettujen näytteiden perusteella yhdeksi luokitteluksi. Tämän tuloksena voitiin havaita monimutkaisempia materiaaleja ja saavuttaa uusi taso lajittelutarkkuudessa.

Myöhemmin 2000-luvulla tulivat käyttöön niin sanotut tukivektorikoneet (SVM). Vaikka se kuulostaa fyysiseltä koneelta, nämä ovat matemaattisia malleja, joiden avulla kone voi määritellä klustereita moniulotteisessa avaruudessa. Tulosten tallentaminen taulukoihin fyysisessä lajittelulaitteessa paransi suorituskykyä jälleen.

Yhteistä kaikille aiemmin mainituille lajitteluun käytetyille tekoälyn muodoille on se, että tekoälyn niin sanottujen koulutus- tai oppimisnäkökohtien on oltava valvottuja. Hyvin yksinkertaisessa 1970-luvun RVM:n esimerkissä insinöörin oli fyysisesti sijoitettava optinen anturi oikeaan paikkaan, ja järjestelmän opettamista varten oli oltava käytettävissä joukko merkittyjä näytteitä ennen lajittimen käyttöönottoa.

AI nykyään

Tänään järjestelmän alkuperäinen opettaminen vaatii tietokonenäköinsinöörin määrittelemään lajittelutehtävän kannalta olennaiset piirteet. Tämä tuottaa kuva-aineistosta ominaisuusvektoreita, joita käytetään sitten yhdessä etikettien kanssa ANN:n tai SVM:n automaattiseen kouluttamiseen. Koska koulutus tapahtuu automaattisesti ilman insinöörin vuorovaikutusta, tätä lähestymistapaa kutsutaan valvomattomaksi oppimiseksi.

Seuraava askel tekoälyn kehityksessä lajittelussa on syväoppimismenetelmien käyttöönotto, jotka tulivat saataville 2010-luvulla ja joita käytetään nyt useissa sovelluksissa. Tämäntyyppiset verkot keksittiin vuosikymmeniä sitten. Nykyaikaisten grafiikkaprosessoreiden prosessointitehon massiivisen kasvun ja miljoonien yleisesti saatavilla olevien ja merkittyjen kuvien ansiosta niitä on nyt mahdollista soveltaa käytännön ongelmiin.

Ns. syvät konvoluutiohermoverkot ovat edelleen ANN, mutta varhaisiin johdannaisiin verrattuna niissä on paljon enemmän kerroksia ja neuroneita. Näin ollen verkot ovat tehokkaampia. Ne vaativat kuitenkin myös paljon enemmän harjoitusdataa kuin perinteiset lähestymistavat.

Konvoluutiohermoverkkojen suurimpana etuna on, että myös ominaisuuksien louhintavaihe suoritetaan automaattisesti verkon harjoittelun aikana. Näin ollen tietokonenäköinsinöörin ei enää tarvitse manuaalisesti määritellä tehtävän kannalta olennaisia piirteitä. Tyypillisesti verkon ensimmäiset kerrokset tuottavat piirteitä, jotka yhdistetään monimutkaisemmiksi piirteiksi seuraavilla kerroksilla ja luokitellaan sitten viimeisillä kerroksilla.

Näitä verkkoja voidaan yhdistellä melkein kuin rakennuspalikoita, joista jokainen on esivalmennettu tiettyä tehtävää varten. Näin suunnittelua voidaan mukauttaa kulloiseenkin sovellukseen. Syväoppimistekniikoilla on suuri vaikutus erityisesti kuvantunnistuksessa.

Vilkaisu tulevaisuuteen

Tekoälyn nykyisen kehitysvaiheen – erityisesti syväoppimisnäkökulman – avulla kierrätysteollisuus pystyy vastaamaan tällä hetkellä ratkaisemattomiin haasteisiin.

Tänäänkin tarvitaan linjan päässä olevaa käsin poiminta-asemaa, jotta lopputuotteen laatu saadaan halutulle tasolle. Esimerkkinä voidaan mainita piipatruunat, jotka eivät ole toivottavia polyeteenivirrassa. Jotta ne voitaisiin poimia robotilla tai heittää viimeisen optisen lajittimen läpi, ne olisi ensin tunnistettava.

Tässä kyvyssä tekoälyllä ja syväoppimisella on tärkeä rooli tehokkuuden parantamisessa. Näiden uusien tekoälyn muotojen yhdistäminen big datan mahdollisuuksiin (esim. siihen dataan, jota voimme jo nyt kerätä koneista) avaa entistä enemmän mahdollisuuksia lisätä tuotantoa, vähentää kustannuksia ja parantaa laatua.

On olemassa ajatus, että tämän päivän tekoäly on kuin löytäisi ilmaisen lounaan ja ruman ankanpoikasen. Molemmat ajatukset ovat todellisia matemaattisia teoreemoja, jotka liittyvät tekoälyn aiheeseen.

Ensimmäinen teoreema periaatteessa sanoo, että mikään yksittäinen tekoälyratkaisu ei ole kaikkia muita parempi tietyssä sovelluksessa. Jokaisella ratkaisulla voi olla tiettyjä etuja, jotka tulevat joidenkin haittojen kustannuksella toisaalla – näin ollen ei ole olemassa niin sanottua ”ilmaista lounasta”.

Ruma ankanpoikanen -teoreema on samankaltainen, ja siinä todetaan, että mitään optimaalista ominaisuusjoukkoa ei ole olemassa kaikille sovelluksille. Vaikka löytäisimme geneerisen tekoälyn, joka ratkaisee monia erilaisia haasteita, se ei sopisi ainakaan yhteen sovellukseen tai ongelmaan eikä tarjoaisi sopivaa ratkaisua – mikä tekee siitä ”ruman ankanpoikasen”.

Tässä mielessä meidän tulisi pysyä vaatimattomina odotuksissamme siitä, mitä konvolutiivisilla neuroverkoilla ja syväoppimisella on mahdollista saavuttaa. Saatavilla on runsaasti esimerkkejä, joissa syväoppiminen ratkaisee vaikeita, löyhästi jäsenneltyjä tunnistusongelmia, mutta muiden lajittelutehtävien kohdalla muut tekoälylähestymistavat suoriutuvat paremmin. Oikean yhdistelmän löytäminen erityyppisistä tekoälymenetelmistä oli avainasemassa aiemmin, ja se on avainasemassa myös tulevaisuudessa, kun halutaan varmistaa kierrätysmateriaalien paras mahdollinen lajittelutulos.

Tekoälyä on käytetty kierrätysteollisuudessa jo jonkin aikaa. Silti mahdollisuudet, joita syväoppiminen voi tarjota, kun konenäön ja koneoppimisen alat kootaan saman sateenvarjon alle, ovat alalle uusia ja jännittäviä.

Kirjoittajat ovat tutkimuksesta vastaavia varatoimitusjohtajia saksalaisessa TOMRA Sorting GmbH:ssa, www.tomra.com/en/sorting/recycling, joka on osa norjalaista TOMRA Systems ASA:ta.