Jogando as percentagens
On Novembro 7, 2021 by adminEm termos gerais, a inteligência artificial (IA) é a inteligência demonstrada por máquinas. Esta definição indica que a IA cobre uma gama de tópicos. Por exemplo, um algoritmo bastante simples implementado através de circuitos eletrônicos poderia ser considerado IA assim que o sistema começasse a mostrar comportamento inteligente (por exemplo, se a temperatura da máquina atingisse um determinado limiar, a máquina saberia desligar-se por si mesma).
Improvements in AI have enabled the technology to perform deep learning, image recognition and speech recognition. Embora a pesquisa de IA exista desde os anos 40, os avanços na potência computacional durante as últimas décadas finalmente levaram a IA a atingir marcos mais notáveis. Em suas versões anteriores, a IA venceu o melhor jogador de xadrez humano em 1997. Então, em 2017, a IA foi capaz de vencer o melhor jogador de xadrez humano.
AI também tem sido usado há anos em aplicações de reciclagem. Quanto ao uso da IA em visão mecânica, como exatamente as máquinas identificam um objeto e se ele é algo que precisa ser mantido no fluxo ou removido? Estes são desafios-chave a resolver relacionados ao uso de IA em tecnologias de triagem para recicláveis.
História da IA na classificação
O uso da IA na classificação começou com sistemas nos anos 70 a 80. Estes sistemas foram baseados em sensores ópticos e eletrônicos que comparavam valores de cinza ou cores. Com base na relação entre essas cores, o circuito eletrônico tomaria uma decisão baseada em regras para manter ou ejetar o material. Por exemplo, a primeira máquina de venda automática inversa (RVM) reconheceu a forma de uma garrafa com base na sombra gerada, que foi detectada por sensores ópticos prepostos.
No início dos anos 90, a classificação baseada em pixels de imagens de câmera em escala de cinza e coloridas foi usada em combinação com eletrônicos feitos sob medida, o que limitou as capacidades da IA em termos de limiares e decisões. Com o surgimento dos computadores pessoais (PCs), tornou-se possível utilizar esta tecnologia para a classificação das imagens.
A tecnologia de câmera customizada foi usada para adquirir propriedades espectrais específicas e melhores possibilidades de clustering, levando a uma melhor precisão da IA. Isto tornou possível atribuir a cada pixel uma classe específica de material com base no seu conteúdo espectral. A cor não era mais o único critério de identificação.
Esta tecnologia foi então combinada com o reconhecimento de objetos no final dos anos 90, o que tornou possível agrupar diferentes pixels de propriedades similares e combiná-los em um objeto.
Nos anos 2000, sistemas de imagem hiper-espectrais tornaram-se disponíveis, e a potência dos PCs aumentou ainda mais. As redes neurais artificiais (ANN) começaram a ficar disponíveis para problemas de classificação no processamento de dados. Com base em amostras previamente treinadas para a aplicação e máquina específicas, esta classe de IA podia agora combinar diferentes características e propriedades para fazer uma classificação. Como resultado, materiais mais complexos puderam ser detectados e outro nível de precisão de classificação foi alcançado.
Later nos anos 2000, as chamadas máquinas vetoriais de suporte (SVMs) tornaram-se disponíveis. Embora soe como uma máquina física, estes são modelos matemáticos que permitem a uma máquina definir clusters no espaço multidimensional. O armazenamento dos resultados em tabelas sobre o classificador físico melhorou novamente o desempenho.
Comum a todas as formas de IA anteriormente mencionadas usadas para classificação é o fato de que os chamados aspectos de treinamento ou aprendizagem de IA devem ser supervisionados. No exemplo muito simples da RVM dos anos 70, o engenheiro tinha que colocar fisicamente o sensor óptico no local correto, e um conjunto de amostras rotuladas precisava estar disponível para ensinar o sistema antes de colocar o classificador em operação.
AI hoje
Hoje, o ensino inicial do sistema requer um engenheiro de visão por computador para definir as características relevantes para a tarefa de ordenação. Isso gera vetores de características a partir dos dados da imagem, que são então utilizados em conjunto com as etiquetas para o treinamento automático da ANN ou SVM. Como o treinamento é feito automaticamente sem interação do engenheiro, esta abordagem é chamada de aprendizagem não supervisionada.
O próximo passo na evolução da IA na ordenação é a implementação de metodologias de aprendizagem profunda que se tornaram disponíveis nos anos 2010 e que agora são utilizadas numa série de aplicações. Estes tipos de redes foram inventados há décadas. Devido a um enorme aumento no poder de processamento em unidades de processamento gráfico modernas e milhões de imagens geralmente disponíveis e rotuladas, é agora possível aplicá-las a problemas práticos.
As chamadas redes neurais convolucionais profundas ainda são uma ANN; mas, em comparação com as primeiras derivações, elas têm um número muito maior de camadas e neurônios. Conseqüentemente, as redes são mais poderosas. Entretanto, elas também requerem muito mais dados de treinamento do que as abordagens tradicionais.
Estas redes podem ser combinadas quase como blocos de construção, com cada um deles sendo pré-treinado para uma determinada tarefa. Ao fazer isso, o design pode ser adaptado à aplicação em questão. Tecnologias de aprendizagem profunda têm um grande impacto no reconhecimento de imagens em particular.
Um vislumbre do futuro
A actual fase de desenvolvimento da IA – especialmente os aspectos de aprendizagem profunda – permitirá à indústria de reciclagem enfrentar os desafios actualmente não resolvidos.
Hoje em dia, uma estação de recolha manual no final de uma linha ainda é necessária para melhorar a qualidade do produto final para o nível desejado. Um exemplo pode ser visto com cartuchos de silício, que não são desejáveis em um fluxo de polietileno. Para capturá-los com um robô, ou para ejetá-los através de um último classificador óptico, eles precisariam ser detectados primeiro.
Para esta capacidade, a IA e a aprendizagem profunda desempenharão um papel importante na melhoria da eficiência. A combinação dessas novas formas de IA com o potencial de grandes dados (por exemplo, com os dados que já podemos coletar das máquinas hoje) abrirá ainda mais oportunidades para aumentar a produção, reduzir custos e melhorar a qualidade.
Há esta ideia de que a IA de hoje é como encontrar um almoço gratuito e um patinho feio. Ambas as ideias são teoremas matemáticos reais que se relacionam com o tema da inteligência artificial.
O primeiro teorema basicamente afirma que nenhuma solução de IA é superior a todas as outras para uma aplicação específica. Cada solução pode ter certos benefícios que vêm à custa de algumas desvantagens, onde quer que – não existe tal coisa como um “almoço grátis”.
O teorema do patinho feio é semelhante, afirmando que não existe um conjunto óptimo de características para todas as aplicações. Mesmo que pudéssemos encontrar IA genérica que resolva muitos desafios diferentes, ela não se encaixaria em pelo menos uma aplicação ou problema e não forneceria uma solução adequada, tornando-o o “patinho feio”.
Com isto em mente, devemos permanecer modestos nas nossas expectativas em relação ao que é possível com redes neurais convolucionais e aprendizagem profunda. Muitos exemplos estão disponíveis onde a aprendizagem profunda está resolvendo problemas de reconhecimento difíceis e pouco estruturados, mas com outras tarefas de ordenação outras abordagens de IA terão melhor desempenho. Encontrar a combinação certa de diferentes tipos de IA foi fundamental no passado e continuará sendo a chave para garantir o melhor desempenho na triagem de recicláveis no futuro.
A inteligência artificial tem sido implantada na indústria da reciclagem há bastante tempo. No entanto, as possibilidades que a aprendizagem profunda pode oferecer quando os campos da visão mecânica e da aprendizagem de máquinas são colocados sob um mesmo guarda-chuva são novas e excitantes para a indústria.
Os autores são vice-presidentes com responsabilidades de pesquisa da TOMRA Sorting GmbH, sediada na Alemanha, www.tomra.com/en/sorting/recycling, parte da TOMRA Systems ASA, sediada na Noruega.
Deixe uma resposta