Att spela på procentsatserna

I allmänna termer är artificiell intelligens (AI) intelligens som uppvisas av maskiner. Denna definition visar att AI omfattar en rad olika ämnen. Till exempel skulle en ganska enkel algoritm som genomförs via elektroniska kretsar kunna betraktas som artificiell intelligens så snart systemet börjar visa intelligent beteende (t.ex. om maskinens temperatur når ett visst tröskelvärde skulle maskinen veta att den ska stänga av sig själv).

Förbättringar inom AI har gjort det möjligt för tekniken att utföra djupinlärning, bildigenkänning och taligenkänning. Även om AI-forskning har funnits sedan 1940-talet har framstegen i beräkningskraft under de senaste decennierna äntligen lett till att AI har uppnått mer anmärkningsvärda milstolpar. I sina tidigare versioner slog AI den bästa mänskliga schackspelaren 1997. År 2017 kunde AI sedan slå den bästa mänskliga Go-spelaren.

AI har i åratal också använts i återvinningstillämpningar. När det gäller AI:s användning inom maskinseende, hur exakt identifierar maskinerna ett objekt och om det är något som måste behållas i flödet eller tas bort? Detta är viktiga utmaningar att lösa i samband med användningen av AI i sorteringstekniker för återvinningsmaterial.

Historia om AI inom sortering

AI:s användning inom sortering började med system på 1970- till 1980-talet. Dessa system baserades på optiska sensorer och elektronik som jämförde gråvärden eller färger. Baserat på förhållandet mellan dessa färger fattade den elektroniska kretsen ett regelbaserat beslut om materialet skulle behållas eller slängas ut. Den första omvända automaten (RVM) kände till exempel igen formen på en flaska baserat på den skugga som den genererade och som upptäcktes av förplacerade optiska sensorer.

I början av 1990-talet användes pixelbaserad klassificering av gråskala- och färgkamerabilder i kombination med specialtillverkad elektronik, vilket begränsade AI:s möjligheter när det gäller tröskelvärden och beslut. I och med framväxten av persondatorer (PC) blev det möjligt att använda denna teknik för klassificering av bilder.

Den skräddarsydda kameratekniken användes för att förvärva specifika spektrala egenskaper och bättre klustermöjligheter, vilket ledde till förbättrad noggrannhet hos AI. Detta gjorde det möjligt att tilldela varje pixel en specifik materialklass utifrån dess spektrala innehåll. Färg var inte längre det enda identifieringskriteriet.

Denna teknik kombinerades sedan med objektigenkänning i slutet av 1990-talet, vilket gjorde det möjligt att klustra olika pixlar med liknande egenskaper och kombinera dem till ett objekt.

Under 2000-talet blev hyperspektrala bildsystem tillgängliga och datorns kraft ökade ytterligare. Artificiella neurala nätverk (ANN) började bli tillgängliga för klassificeringsproblem vid databehandling. Baserat på tidigare tränade prover för den specifika tillämpningen och maskinen kunde denna klass av artificiell intelligens nu kombinera olika funktioner och egenskaper för att göra en klassificering. Som ett resultat av detta kunde mer komplexa material upptäckas och ytterligare en nivå av sorteringsnoggrannhet uppnåddes.

Senare på 2000-talet blev så kallade stödvektormaskiner (SVM) tillgängliga. Även om det låter som en fysisk maskin är detta matematiska modeller som gör det möjligt för en maskin att definiera kluster i ett flerdimensionellt utrymme. Genom att lagra resultaten i tabeller på den fysiska sorteringsmaskinen förbättrades prestandan igen.

Gemensamt för alla tidigare nämnda former av AI som används för sortering är att de så kallade tränings- eller inlärningsaspekterna av AI måste vara övervakade. I det mycket enkla exemplet med RVM från 1970-talet var ingenjören tvungen att fysiskt placera den optiska sensorn på rätt plats, och en uppsättning märkta prover behövde finnas tillgängliga för att lära systemet innan sorteringsmaskinen togs i drift.

AI idag

I dag kräver den inledande inlärningen av systemet att en datorseende ingenjör definierar de relevanta egenskaperna för sorteringsuppgiften. Detta genererar funktionsvektorer från bilddata, som sedan används tillsammans med etiketterna för att automatiskt träna ANN eller SVM. Eftersom träningen sker automatiskt utan att ingenjören behöver interagera kallas detta tillvägagångssätt för oövervakad inlärning.

Nästa steg i utvecklingen av AI vid sortering är att använda metoder för djupinlärning som blev tillgängliga på 2010-talet och som nu används i en rad olika tillämpningar. Dessa typer av nätverk uppfanns för flera decennier sedan. På grund av en massiv ökning av processorkraften i moderna grafikprocessorer och miljontals allmänt tillgängliga och märkta bilder är det nu möjligt att tillämpa dem på praktiska problem.

Så kallade djupa konvolutionella neurala nätverk är fortfarande ett ANN, men jämfört med de tidiga avledningarna har de ett mycket större antal lager och neuroner. Följaktligen är nätverken mer kraftfulla. De kräver dock också mycket mer träningsdata än traditionella metoder.

Den stora fördelen med konvolutionella neurala nätverk är att även steget för extrahering av funktioner utförs automatiskt under träningen av nätverket. Detta innebär att en datorseende ingenjör inte längre behöver definiera de egenskaper som är relevanta för uppgiften manuellt. Typiskt sett genererar nätets första lager funktioner som integreras till mer komplexa funktioner i de följande lagren och sedan klassificeras i de sista lagren.

Dessa nätverk kan kombineras nästan som byggstenar, där vart och ett är förtränat för en viss uppgift. På så sätt kan konstruktionen anpassas till den aktuella tillämpningen. Teknik för djupinlärning har en stor inverkan på framför allt bildigenkänning.

En glimt av framtiden

Den nuvarande fasen av AI-utveckling – särskilt deep learning-aspekterna – kommer att göra det möjligt för återvinningsindustrin att ta itu med för närvarande olösta utmaningar.

I dag behövs fortfarande en handplockningsstation i slutet av linjen för att förbättra slutproduktens kvalitet till önskad nivå. Ett exempel kan ses med kiselpatroner, som inte är önskvärda i en polyetenström. För att plocka upp dem med en robot eller för att slänga ut dem genom en sista optisk sorteringsanläggning måste de först upptäckas.

För denna kapacitet kommer AI och djupinlärning att spela en viktig roll för att förbättra effektiviteten. Genom att kombinera dessa nya former av artificiell intelligens med potentialen hos stora datamängder (t.ex. med de data som vi redan i dag kan samla in från maskinerna) kommer det att öppnas ännu fler möjligheter att öka produktionen, minska kostnaderna och förbättra kvaliteten.

Det finns en idé om att dagens AI är som att hitta en gratis lunch och en ful ankunge. Båda idéerna är faktiska matematiska teorem som rör ämnet artificiell intelligens.

Det första teoremet säger i princip att ingen enskild AI-lösning är överlägsen alla andra för en specifik tillämpning. Varje lösning kan ha vissa fördelar som kommer till priset av vissa nackdelar någon annanstans – därför finns det inte något sådant som en ”gratis lunch”.

The ugly duckling theorem är liknande och säger att det inte finns någon optimal funktionsuppsättning för alla tillämpningar. Även om vi kunde hitta generisk artificiell intelligens som löser många olika utmaningar skulle den inte passa minst en tillämpning eller ett problem och inte ge en lämplig lösning, vilket gör den till ”den fula ankungen”.

Med detta i åtanke bör vi vara blygsamma i våra förväntningar på vad som är möjligt med konvolutionella neurala nätverk och djupinlärning. Det finns gott om exempel där djupinlärning löser svåra, löst löst strukturerade igenkänningsproblem, men med andra sorteringsuppgifter kommer andra AI-strategier att ha bättre prestanda. Att hitta rätt kombination av olika typer av artificiell intelligens har varit avgörande tidigare och kommer även i framtiden att vara avgörande för att säkerställa bästa möjliga sorteringsprestanda för återvinningsmaterial.

Artificiell intelligens har använts inom återvinningsindustrin under en längre tid. Men de möjligheter som djupinlärning kan erbjuda när områdena maskinseende och maskininlärning samlas under ett paraply är nya och spännande för branschen.

Författarna är vice ordförande med forskningsansvar för tyska TOMRA Sorting GmbH, www.tomra.com/en/sorting/recycling, en del av norska TOMRA Systems ASA.