Jogando as percentagens

Em 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.