De percentages spelen

In algemene termen is kunstmatige intelligentie (AI) intelligentie die door machines wordt gedemonstreerd. Deze definitie geeft aan dat AI een hele reeks onderwerpen omvat. Zo zou een tamelijk eenvoudig algoritme dat via elektronische circuits is geïmplementeerd, als AI kunnen worden beschouwd zodra het systeem intelligent gedrag begint te vertonen (als de temperatuur van de machine bijvoorbeeld een bepaalde drempel bereikt, weet de machine uit zichzelf uit te schakelen).

Verbetering in AI heeft de technologie in staat gesteld om deep learning, beeldherkenning en spraakherkenning uit te voeren. Hoewel AI-onderzoek al sinds de jaren veertig bestaat, heeft de vooruitgang in rekenkracht in de afgelopen decennia er uiteindelijk toe geleid dat AI meer opmerkelijke mijlpalen heeft bereikt. In zijn eerdere versies versloeg AI in 1997 de beste menselijke schaker. Daarna, in 2017, was AI in staat om de beste menselijke Go-speler te verslaan.

AI wordt ook al jaren gebruikt in recyclingtoepassingen. Wat betreft het gebruik van AI in machinevisie, hoe identificeren machines precies een object en of het iets is dat in de stroom moet worden gehouden of moet worden verwijderd? Dit zijn de belangrijkste uitdagingen die moeten worden opgelost met betrekking tot het gebruik van AI in sorteertechnologieën voor recyclebare materialen.

Geschiedenis van AI in sorteren

Het gebruik van AI in sorteren begon met systemen in de jaren zeventig en tachtig van de vorige eeuw. Deze systemen waren gebaseerd op optische sensoren en elektronica die grijswaarden of kleuren vergeleken. Op basis van de verhouding tussen deze kleuren nam de elektronica een op regels gebaseerde beslissing of het materiaal moest worden bewaard of uitgeworpen. De eerste reverse vending machine (RVM) herkende bijvoorbeeld de vorm van een fles op basis van de schaduw die de fles genereerde en die werd gedetecteerd door vooraf geplaatste optische sensoren.

In het begin van de jaren negentig werd gebruik gemaakt van pixelgebaseerde classificatie van grijswaarden- en kleurencamerabeelden in combinatie met op maat gemaakte elektronica, waardoor de mogelijkheden van de AI in termen van drempels en beslissingen beperkt waren. Met de opkomst van personal computers (PC’s) werd het mogelijk deze technologie te gebruiken voor de classificatie van beelden.

Aangepaste cameratechnologie werd gebruikt om specifieke spectrale eigenschappen en betere clustermogelijkheden te verkrijgen, hetgeen leidde tot een grotere nauwkeurigheid van de AI. Hierdoor werd het mogelijk om aan elke pixel een specifieke materiaalklasse toe te wijzen op basis van de spectrale inhoud. Kleur was niet langer het enige identificatiecriterium.

Deze technologie werd vervolgens eind jaren negentig gecombineerd met objectherkenning, waardoor het mogelijk werd verschillende pixels met vergelijkbare eigenschappen te clusteren en te combineren tot een object.

In de jaren 2000 kwamen hyperspectrale beeldvormingssystemen beschikbaar, en nam de kracht van PC’s verder toe. Kunstmatige neurale netwerken (ANN) kwamen beschikbaar voor classificatieproblemen bij de gegevensverwerking. Op basis van eerder getrainde stalen voor de specifieke toepassing en machine kon deze klasse van AI nu verschillende kenmerken en eigenschappen combineren om één classificatie te maken. Als gevolg daarvan konden complexere materialen worden gedetecteerd en werd een hoger niveau van sorteernauwkeurigheid bereikt.

Later in de jaren 2000 kwamen de zogenaamde support vector machines (SVM’s) beschikbaar. Hoewel het klinkt als een fysische machine, zijn dit wiskundige modellen waarmee een machine clusters kan definiëren in een multidimensionale ruimte. Door de resultaten op te slaan in tabellen op de fysieke sorteermachine werden de prestaties opnieuw verbeterd.

Gemeenschappelijk aan alle eerder genoemde vormen van AI die voor sorteren worden gebruikt is het feit dat de zogenaamde trainings- of leeraspecten van AI onder supervisie moeten plaatsvinden. In het zeer eenvoudige voorbeeld van de RVM uit de jaren 1970, moest de ingenieur de optische sensor fysiek op de juiste plaats zetten, en er moest een reeks gelabelde monsters beschikbaar zijn om het systeem te onderwijzen alvorens de sorteerder in werking te stellen.

AI vandaag

Heden ten dage is voor het inleren van het systeem een computer vision ingenieur nodig om de relevante kenmerken voor de sorteertaak te definiëren. Deze genereert kenmerkvectoren uit de beeldgegevens, die vervolgens in combinatie met de labels worden gebruikt voor de automatische training van de ANN of SVM. Omdat de training automatisch gebeurt zonder interactie van de ingenieur, wordt deze aanpak “unsupervised learning” genoemd.

De volgende stap in de evolutie van AI in het sorteren is het inzetten van deep learning-methodologieën die in de jaren 2010 beschikbaar kwamen en nu in een reeks toepassingen worden gebruikt. Dit soort netwerken is tientallen jaren geleden uitgevonden. Door een enorme toename van de verwerkingskracht in moderne grafische verwerkingseenheden en miljoenen algemeen beschikbare en gelabelde afbeeldingen, is het nu mogelijk om ze toe te passen op praktische problemen.

Zogenaamde diepe convolutionele neurale netwerken zijn nog steeds een ANN, maar in vergelijking met de vroege afleidingen hebben zij een veel groter aantal lagen en neuronen. Bijgevolg zijn de netwerken krachtiger. Zij vereisen echter ook veel meer trainingsgegevens dan de traditionele benaderingen.

Het grote voordeel van convolutionele neurale netwerken is dat de eigenschap-extractie stap ook automatisch wordt uitgevoerd tijdens de training van het netwerk. Als gevolg daarvan is een computer vision ingenieur niet langer nodig om handmatig de kenmerken te definiëren die relevant zijn voor de taak. Gewoonlijk genereren de eerste lagen van het netwerk kenmerken, die in de volgende lagen in complexere kenmerken worden geïntegreerd en vervolgens in de laatste lagen worden geclassificeerd.

Deze netwerken kunnen bijna als bouwstenen worden gecombineerd, waarbij elk netwerk vooraf wordt getraind voor een bepaalde taak. Op die manier kan het ontwerp worden aangepast aan de toepassing in kwestie. Deep learning-technologieën hebben met name een grote impact op beeldherkenning.

Een blik in de toekomst

De huidige fase van AI-ontwikkeling – vooral de deep learning-aspecten – zullen de recyclingindustrie in staat stellen om momenteel onopgeloste uitdagingen aan te pakken.

Heden ten dage is er nog steeds een handpickingstation aan het eind van een lijn nodig om de kwaliteit van het eindproduct op het gewenste niveau te brengen. Een voorbeeld hiervan zijn de siliciumpatronen, die in een polyethyleenstroom niet gewenst zijn. Om ze met een robot op te pakken, of om ze door een laatste optische sorteerder uit te werpen, zouden ze eerst gedetecteerd moeten worden.

Voor deze mogelijkheid zullen AI en deep learning een belangrijke rol spelen bij het verbeteren van de efficiëntie. De combinatie van deze nieuwe vormen van AI met het potentieel van big data (bijvoorbeeld met de gegevens die we vandaag al van de machines kunnen verzamelen) zal nog meer mogelijkheden openen om de productie te verhogen, de kosten te verlagen en de kwaliteit te verbeteren.

Er is dit idee dat de AI van vandaag is als het vinden van een gratis lunch en een lelijk eendje. Beide ideeën zijn feitelijke wiskundige stellingen die betrekking hebben op het onderwerp kunstmatige intelligentie.

De eerste stelling stelt in feite dat geen enkele AI-oplossing superieur is aan alle andere voor een specifieke toepassing. Elke oplossing kan bepaalde voordelen hebben die ten koste gaan van bepaalde nadelen elders – vandaar dat er niet zoiets bestaat als een “gratis lunch”.

Het lelijke eendje theorema is vergelijkbaar, het stelt dat er geen optimale feature set bestaat voor alle toepassingen. Zelfs als we generieke AI zouden kunnen vinden die veel verschillende uitdagingen oplost, zou hij niet geschikt zijn voor ten minste één toepassing of probleem en geen geschikte oplossing bieden, waardoor hij het “lelijke eendje” zou zijn.

Met dit in gedachten moeten we bescheiden blijven in onze verwachtingen over wat er mogelijk is met convolutionele neurale netwerken en deep learning. Er zijn genoeg voorbeelden beschikbaar waarbij deep learning moeilijke, los gestructureerde herkenningsproblemen oplost, maar bij andere sorteertaken zullen andere AI-benaderingen betere prestaties leveren. Het vinden van de juiste combinatie van verschillende soorten AI was in het verleden de sleutel en zal ook in de toekomst een sleutel blijven om de beste sorteerprestaties voor recyclebare materialen te garanderen.

Artificiële intelligentie wordt al geruime tijd ingezet in de recyclingindustrie. Toch zijn de mogelijkheden die deep learning kan bieden wanneer de vakgebieden machine vision en machine learning onder één paraplu worden gebracht, nieuw en spannend voor de industrie.

De auteurs zijn vice-voorzitters met onderzoeksverantwoordelijkheden voor het in Duitsland gevestigde TOMRA Sorting GmbH, www.tomra.com/en/sorting/recycling, onderdeel van het in Noorwegen gevestigde TOMRA Systems ASA.