Jocul procentelor

În termeni generali, inteligența artificială (AI) este inteligența demonstrată de mașini. Această definiție indică faptul că IA acoperă o serie de subiecte. De exemplu, un algoritm destul de simplu implementat prin intermediul circuitelor electronice ar putea fi considerat IA din momentul în care sistemul ar începe să manifeste un comportament inteligent (de exemplu, dacă temperatura mașinii atinge un anumit prag, mașina ar ști să se oprească de la sine).

îmbunătățirile în domeniul IA au permis tehnologiei să realizeze învățarea profundă, recunoașterea imaginilor și recunoașterea vorbirii. Deși cercetarea în domeniul IA există încă din anii 1940, progresele înregistrate în ultimele decenii în ceea ce privește puterea de calcul au făcut ca, în cele din urmă, IA să atingă etape mai remarcabile. În versiunile sale anterioare, IA l-a învins pe cel mai bun jucător de șah uman în 1997. Apoi, în 2017, AI a reușit să îl învingă pe cel mai bun jucător uman de Go.

AI a fost folosită de ani de zile și în aplicații de reciclare. În ceea ce privește utilizarea IA în viziunea artificială, cum anume identifică mașinile un obiect și dacă este ceva care trebuie păstrat în flux sau îndepărtat? Acestea sunt provocări cheie care trebuie rezolvate în legătură cu utilizarea IA în tehnologiile de sortare a materialelor reciclabile.

Istoria IA în sortare

Utilizarea IA în sortare a început cu sistemele din anii 1970-1980. Aceste sisteme se bazau pe senzori optici și electronice care comparau valorile gri sau culorile. Pe baza raportului dintre aceste culori, circuitul electronic lua o decizie bazată pe reguli dacă să păstreze sau să expulzeze materialul. De exemplu, primul distribuitor automat inversat (RVM) recunoștea forma unei sticle pe baza umbrei pe care o genera, care era detectată de senzori optici prepoziționați.

La începutul anilor 1990, clasificarea pe bază de pixeli a imaginilor camerelor de luat vederi în tonuri de gri și color a fost utilizată în combinație cu dispozitive electronice făcute la comandă, ceea ce a limitat capacitățile IA în ceea ce privește pragurile și deciziile. Odată cu apariția calculatoarelor personale (PC), a devenit posibilă utilizarea acestei tehnologii pentru clasificarea imaginilor.

Tehnologia camerelor de luat vederi personalizate a fost utilizată pentru a dobândi proprietăți spectrale specifice și posibilități mai bune de grupare, ceea ce a dus la îmbunătățirea preciziei IA. Acest lucru a făcut posibilă atribuirea fiecărui pixel cu o clasă specifică de material pe baza conținutului său spectral. Culoarea nu a mai fost singurul criteriu de identificare.

Această tehnologie a fost apoi combinată cu recunoașterea obiectelor la sfârșitul anilor 1990, ceea ce a făcut posibilă gruparea diferiților pixeli cu proprietăți similare și combinarea lor într-un obiect.

Până în anii 2000, sistemele de imagistică hiperspectrală au devenit disponibile, iar puterea PC-urilor a crescut și mai mult. Rețelele neuronale artificiale (RNA) au început să devină disponibile pentru problemele de clasificare în prelucrarea datelor. Pe baza unor eșantioane antrenate anterior pentru aplicația și mașina specifică, această clasă de IA putea acum să combine diferite caracteristici și proprietăți pentru a face o clasificare. Ca urmare, au putut fi detectate materiale mai complexe și a fost atins un alt nivel de precizie a clasificării.

Mai târziu, în anii 2000, au devenit disponibile așa-numitele mașini cu vectori de suport (SVM). Deși sună ca o mașină fizică, acestea sunt modele matematice care permit unei mașini să definească clustere în spațiul multidimensional. Stocarea rezultatelor în tabele pe sortatorul fizic a îmbunătățit din nou performanța.

Comun tuturor formelor de inteligență artificială menționate anterior, utilizate pentru sortare, este faptul că așa-numitele aspecte de instruire sau învățare ale inteligenței artificiale trebuie să fie supravegheate. În exemplul foarte simplu al RVM din anii 1970, inginerul a trebuit să plaseze fizic senzorul optic în locația corectă, iar un set de eșantioane etichetate trebuia să fie disponibil pentru a învăța sistemul înainte de a pune sortarea în funcțiune.

AI astăzi

Astăzi, învățarea inițială a sistemului necesită ca un inginer de viziune computerizată să definească caracteristicile relevante pentru sarcina de sortare. Acesta generează vectori de caracteristici din datele de imagine, care sunt apoi utilizați împreună cu etichetele pentru antrenarea automată a RNA sau SVM. Deoarece instruirea se face automat, fără interacțiunea inginerului, această abordare se numește învățare nesupravegheată.

Postul următor în evoluția inteligenței artificiale în sortare este implementarea metodologiilor de învățare profundă care au devenit disponibile în anii 2010 și care sunt acum utilizate într-o serie de aplicații. Aceste tipuri de rețele au fost inventate cu zeci de ani în urmă. Datorită creșterii masive a puterii de procesare a unităților de procesare grafică moderne și a milioanelor de imagini disponibile în general și etichetate, acum este posibil să le aplicăm la probleme practice.

Așa-numitele rețele neuronale convoluționale profunde sunt tot o RNA; dar, în comparație cu primele derivări, acestea au un număr mult mai mare de straturi și neuroni. În consecință, rețelele sunt mai puternice. Cu toate acestea, ele necesită, de asemenea, mult mai multe date de instruire decât abordările tradiționale.

Avantajul major al rețelelor neuronale convoluționale este că etapa de extragere a caracteristicilor se realizează, de asemenea, în mod automat în timpul antrenării rețelei. Ca urmare, un inginer de viziune computerizată nu mai este nevoit să definească manual caracteristicile relevante pentru sarcină. În mod obișnuit, primele straturi ale rețelei generează caracteristici, care sunt integrate în caracteristici mai complexe în straturile următoare și apoi clasificate în ultimele straturi.

Aceste rețele pot fi combinate aproape ca niște blocuri de construcție, fiecare dintre ele fiind preantrenat pentru o anumită sarcină. Procedând astfel, proiectarea poate fi adaptată la aplicația în cauză. Tehnologiile de învățare profundă au un impact major în special în recunoașterea imaginilor.

O privire în viitor

Faza actuală de dezvoltare a inteligenței artificiale – în special aspectele legate de învățarea profundă – va permite industriei reciclării să abordeze provocări nerezolvate în prezent.

Astăzi, o stație de selectare manuală la capătul unei linii este încă necesară pentru a îmbunătăți calitatea produsului final la nivelul dorit. Un exemplu ar putea fi văzut în cazul cartușelor de siliciu, care nu sunt de dorit într-un flux de polietilenă. Pentru a le ridica cu un robot sau pentru a le expulza printr-un ultim sortator optic, acestea ar trebui să fie mai întâi detectate.

Pentru această capacitate, AI și învățarea profundă vor juca un rol important în îmbunătățirea eficienței. Combinarea acestor noi forme de inteligență artificială cu potențialul big data (de exemplu, cu datele pe care le putem colecta deja astăzi de la mașini) va deschide și mai multe oportunități de creștere a producției, de reducere a costurilor și de îmbunătățire a calității.

Există această idee că AI-ul de astăzi este ca și cum ai găsi un prânz gratuit și o rățușcă urâtă. Ambele idei sunt teoreme matematice reale care se referă la subiectul inteligenței artificiale.

Prima teoremă afirmă, practic, că nicio soluție de inteligență artificială nu este superioară tuturor celorlalte pentru o aplicație specifică. Fiecare soluție poate avea anumite beneficii care vin cu prețul unor dezavantaje în altă parte – prin urmare, nu există un „prânz gratuit”.

Teorema rățuștelor urâte este similară, afirmând că nu există un set optim de caracteristici pentru toate aplicațiile. Chiar dacă am putea găsi o inteligență artificială generică care să rezolve multe provocări diferite, aceasta nu s-ar potrivi pentru cel puțin o aplicație sau o problemă și nu ar oferi o soluție adecvată – devenind astfel „rățușca cea urâtă”.

Cu acest lucru în minte, ar trebui să rămânem modești în așteptările noastre cu privire la ceea ce este posibil cu rețelele neuronale convoluționale și învățarea profundă. Sunt disponibile o mulțime de exemple în care învățarea profundă rezolvă probleme de recunoaștere dificile, slab structurate, dar în cazul altor sarcini de sortare, alte abordări AI vor avea performanțe mai bune. Găsirea combinației potrivite a diferitelor tipuri de inteligență artificială a fost esențială în trecut și va rămâne esențială pentru a asigura cea mai bună performanță de sortare a materialelor reciclabile în viitor.

Inteligența artificială a fost implementată în industria reciclării de ceva timp. Cu toate acestea, posibilitățile pe care le poate oferi învățarea profundă atunci când domeniile viziunii automate și învățării automate sunt reunite sub o singură umbrelă sunt noi și interesante pentru industrie.

Autori sunt vicepreședinți cu responsabilități de cercetare pentru TOMRA Sorting GmbH, cu sediul în Germania, www.tomra.com/en/sorting/recycling, parte a TOMRA Systems ASA, cu sediul în Norvegia.

.