Gra w procenty

W ogólnym ujęciu sztuczna inteligencja (AI) to inteligencja wykazywana przez maszyny. Definicja ta wskazuje, że AI obejmuje szeroki zakres tematów. Na przykład, dość prosty algorytm zaimplementowany za pomocą układów elektronicznych mógłby zostać uznany za AI, gdy tylko system zacząłby wykazywać inteligentne zachowanie (np. gdyby temperatura maszyny osiągnęła pewien próg, maszyna wiedziałaby, że ma się sama wyłączyć).

Ulepszenia w AI umożliwiły technologii wykonywanie głębokiego uczenia się, rozpoznawania obrazu i rozpoznawania mowy. Chociaż badania nad AI prowadzone są od lat 40. ubiegłego wieku, postępy w mocy obliczeniowej w ciągu ostatnich kilku dekad doprowadziły AI do osiągnięcia bardziej niezwykłych kamieni milowych. W swoich wcześniejszych wersjach, AI pokonała najlepszego ludzkiego szachistę w 1997 roku. Następnie, w 2017 roku, AI była w stanie pokonać najlepszego ludzkiego gracza Go.

AI jest od lat wykorzystywana w aplikacjach recyklingowych, jak również. Jeśli chodzi o wykorzystanie AI w wizji maszynowej, jak dokładnie maszyny identyfikują obiekt i czy jest to coś, co należy zachować w strumieniu lub usunąć? Są to kluczowe wyzwania, które należy rozwiązać w związku z wykorzystaniem AI w technologiach sortowania surowców wtórnych.

Historia AI w sortowaniu

Zastosowanie AI w sortowaniu rozpoczęło się od systemów w latach 70. i 80. Systemy te opierały się na czujnikach optycznych i elektronice, które porównywały wartości szarości lub kolory. W oparciu o stosunek między tymi kolorami, układ elektroniczny podejmował decyzję opartą na regułach, czy zachować czy wyrzucić materiał. Na przykład, pierwszy odwrócony automat vendingowy (RVM) rozpoznawał kształt butelki na podstawie generowanego przez nią cienia, który był wykrywany przez rozmieszczone wcześniej czujniki optyczne.

Na początku lat 90. XX wieku stosowano klasyfikację opartą na pikselach obrazów z kamer w skali szarości i w kolorze w połączeniu z elektroniką wykonaną na zamówienie, co ograniczało możliwości SI w zakresie progów i decyzji. Wraz z pojawieniem się komputerów osobistych (PC) możliwe stało się wykorzystanie tej technologii do klasyfikacji obrazów.

Dostosowana do potrzeb technologia kamer została wykorzystana do uzyskania specyficznych właściwości spektralnych i lepszych możliwości klasteryzacji, co doprowadziło do poprawy dokładności SI. Umożliwiło to przypisanie każdemu pikselowi konkretnej klasy materiału na podstawie jego zawartości spektralnej. Kolor nie był już jedynym kryterium identyfikacyjnym.

Ta technologia została następnie połączona z rozpoznawaniem obiektów w późnych latach 90-tych, co umożliwiło grupowanie różnych pikseli o podobnych właściwościach i łączenie ich w jeden obiekt.

W latach 2000, hiperspektralne systemy obrazowania stały się dostępne, a moc komputerów PC jeszcze bardziej wzrosła. Sztuczne sieci neuronowe (ANN) zaczęły być dostępne dla problemów klasyfikacji w przetwarzaniu danych. W oparciu o wcześniej wytrenowane próbki dla konkretnego zastosowania i maszyny, ta klasa sztucznej inteligencji może teraz łączyć różne cechy i właściwości w celu dokonania jednej klasyfikacji. W rezultacie, bardziej złożone materiały mogły być wykrywane i osiągnięto kolejny poziom dokładności sortowania.

Później, w latach 2000, dostępne stały się tak zwane maszyny wektorów podporowych (SVM). Choć brzmi to jak fizyczna maszyna, są to modele matematyczne, które pozwalają maszynie definiować klastry w przestrzeni wielowymiarowej. Przechowywanie wyników w tabelach na fizycznym sorterze ponownie poprawiło wydajność.

Wspólną cechą wszystkich wcześniej wymienionych form AI wykorzystywanych do sortowania jest fakt, że tak zwane aspekty szkolenia lub uczenia się AI muszą być nadzorowane. W bardzo prostym przykładzie RVM z lat 70-tych, inżynier musiał fizycznie umieścić czujnik optyczny w odpowiednim miejscu, a zestaw oznaczonych próbek musiał być dostępny w celu nauczenia systemu przed uruchomieniem sortownika.

AI dzisiaj

Dzisiaj początkowe uczenie systemu wymaga od inżyniera wizji komputerowej zdefiniowania odpowiednich cech dla zadania sortowania. Generuje to wektory cech z danych obrazu, które są następnie używane w połączeniu z etykietami do automatycznego szkolenia ANN lub SVM. Ponieważ trening odbywa się automatycznie, bez interakcji z inżynierem, podejście to nazywane jest uczeniem nienadzorowanym.

Następnym krokiem w ewolucji AI w sortowaniu jest wdrożenie metodologii głębokiego uczenia się, które stały się dostępne w latach 2010-tych i są obecnie wykorzystywane w wielu zastosowaniach. Tego typu sieci zostały wynalezione dziesiątki lat temu. Ze względu na ogromny wzrost mocy obliczeniowej w nowoczesnych procesorach graficznych oraz miliony ogólnie dostępnych i oznakowanych obrazów, możliwe jest teraz zastosowanie ich do praktycznych problemów.

Tzw. głębokie konwolucyjne sieci neuronowe to nadal ANN, ale w porównaniu z wczesnymi pochodnymi mają one znacznie większą liczbę warstw i neuronów. W związku z tym, sieci te są bardziej wydajne. Jednak wymagają one również znacznie więcej danych szkoleniowych niż tradycyjne podejścia.

Poważną zaletą konwencjonalnych sieci neuronowych jest to, że etap ekstrakcji cech jest również wykonywany automatycznie podczas treningu sieci. W rezultacie inżynier wizji komputerowej nie musi już ręcznie definiować cech istotnych dla danego zadania. Typowo, pierwsze warstwy sieci generują cechy, które są integrowane w bardziej złożone cechy w kolejnych warstwach, a następnie klasyfikowane w ostatnich warstwach.

Sieci te mogą być łączone niemal jak klocki, z których każdy jest wstępnie wytrenowany do określonego zadania. W ten sposób projekt może być dostosowany do danego zastosowania. Technologie głębokiego uczenia mają duży wpływ w szczególności na rozpoznawanie obrazów.

Spojrzenie w przyszłość

Obecna faza rozwoju sztucznej inteligencji – zwłaszcza aspekty głębokiego uczenia – umożliwi branży recyklingu zmierzenie się z obecnie nierozwiązanymi wyzwaniami.

Dzisiaj stacja ręcznej selekcji na końcu linii jest nadal potrzebna, aby poprawić jakość produktu końcowego do pożądanego poziomu. Przykładem mogą być wkłady silikonowe, które nie są pożądane w strumieniu polietylenu. Aby je podnieść za pomocą robota lub wyrzucić przez ostatni sortownik optyczny, należałoby je najpierw wykryć.

W przypadku tej zdolności SI i głębokie uczenie się będą odgrywać ważną rolę w poprawie wydajności. Połączenie tych nowych form AI z potencjałem big data (np. z danymi, które już dziś możemy zbierać z maszyn) otworzy jeszcze więcej możliwości zwiększenia produkcji, obniżenia kosztów i poprawy jakości.

Jest taki pomysł, że dzisiejsza AI jest jak znalezienie darmowego lunchu i brzydkiego kaczątka. Oba pomysły są rzeczywistymi twierdzeniami matematycznymi, które odnoszą się do tematu sztucznej inteligencji.

Pierwsze twierdzenie zasadniczo stwierdza, że żadne pojedyncze rozwiązanie AI nie jest lepsze od wszystkich innych dla konkretnego zastosowania. Każde rozwiązanie może mieć pewne korzyści, które pojawiają się kosztem pewnych wad w innym miejscu – stąd nie ma czegoś takiego jak „darmowy lunch”.

Twierdzenie o brzydkim kaczątku jest podobne, stwierdzając, że nie istnieje optymalny zestaw funkcji dla wszystkich zastosowań. Nawet gdybyśmy mogli znaleźć generyczną AI, która rozwiązuje wiele różnych wyzwań, nie pasowałaby ona do przynajmniej jednej aplikacji lub problemu i nie zapewniłaby odpowiedniego rozwiązania, czyniąc z niej „brzydkie kaczątko”.

Mając to na uwadze, powinniśmy zachować umiar w naszych oczekiwaniach dotyczących tego, co jest możliwe z konwencjonalnymi sieciami neuronowymi i głębokim uczeniem. Dostępnych jest mnóstwo przykładów, w których głębokie uczenie rozwiązuje trudne, luźno ustrukturyzowane problemy rozpoznawania, ale w przypadku innych zadań sortowania inne podejścia AI będą miały lepszą wydajność. Znalezienie właściwego połączenia różnych rodzajów SI było kluczowe w przeszłości i pozostanie kluczem do zapewnienia najlepszej wydajności sortowania surowców wtórnych w przyszłości.

Sztuczna inteligencja jest stosowana w branży recyklingu od dłuższego czasu. Jednak możliwości, jakie może zaoferować głębokie uczenie, gdy dziedziny widzenia maszynowego i uczenia maszynowego zostaną połączone pod jednym parasolem, są nowe i ekscytujące dla branży.

Autorzy są wiceprezesami odpowiedzialnymi za badania w niemieckiej firmie TOMRA Sorting GmbH, www.tomra.com/en/sorting/recycling, będącej częścią norweskiej firmy TOMRA Systems ASA.