Vi har alle hørt om kunstig intelligens og dens muligheder: nyheder om innovative udviklinger,
Kort om AI
Kunstig intelligens er en række teknologier ogalgoritmer, der er i stand til at efterligne nogle kognitive funktioner, der er iboende hos mennesker. Det er dog vigtigt at forstå, at AI-teknologi er langt fra den "superhjerne", den ofte forbindes med. Det er stadig bare teknologi, der ikke har bevidsthed, ikke kan tænke og ræsonnere som en person.
Der er dog en række opgaver, som i kognitive karakteristika er tæt på menneskelig tænkning. Det er dem, der med succes løses af kunstig intelligens, og de kaldes normalt "AI-problemer."
Disse opgaver omfatter:
- Computersyn og objektgenkendelse: Du kan vise algoritmen en foto- eller videostream, hvorfra programmet vil vælge data og udføre en klassificering.
- Talesyntese-genkendelse: Algoritmer konverterer talesignaler til digital information, som programmet også klassificerer.
- Arbejde med en strøm af forskellige informationer, herunder "naturligt sprog"-data: anvendeligt, når du har en stor database.
- Beslutningsstøtte: Algoritmer genererer en beslutningsfunktion.
Alle disse opgaver er hovedretningerne iimplementering af AI-elementer. Og alle bliver allerede aktivt integreret i vores dagligdag: fra automatiserede assistenter på hjemmesider til "smarte" kameraer på gaderne i byen.
AI i økologi
AI er relevant og effektiv for mange industrier, udvikling af uddannelse og endda kultur. Men det har også væsentlig indflydelse på omdannelsen af miljøsfæren.
Allerede på affaldsbehandlingsanlægDer er robotter, der hjælper med at sortere affald. Teknologien implementeres i systemer til overvågning og analyse af luft, vandområder og jordbund. Og hver af os kan møde "miljøvenlig" AI, for eksempel på automatiske genbrugsindsamlingssteder.
Generelt er det umuligt at udskille nogle detaljer ved AIspecielt inden for økologi. Med dens hjælp kan du reducere omkostningerne betydeligt, hvilket er vigtigt for enhver virksomhed. Når en rigtig person bliver erstattet af en "maskine" i et genbrugsindsamlingssystem, bliver hele processen således automatiseret, og omkostningerne til at servicere enhederne reduceres.
Sådan træner du AI til at genkende genbrugsmaterialer
Mønstergenkendelse er en af de mestalmindelige AI-opgaver. Den mest velegnede løsning på dette problem er foldningsneurale netværk - en computerprogrammodel, der er tættest på, hvordan en person genkender objekter i virkeligheden. "Lagene" i et sådant netværk ligner lagene i nethinden.
Et neuralt netværk er en forenklet operationsmodelmenneskelig hjerne. Dens grundlæggende elementer - neuroner - har et stort antal forbindelser og relationer, som normalt er grupperet i lag. Hver forbindelse af neuroner er tildelt en vis indflydelseskraft - vægt. Inputdata til netværket leveres til det første lag, derefter distribueres det til de næste lag i overensstemmelse med den aktuelle vægt af relationerne. Det endelige resultat kan fås fra det sidste lag af det neurale netværk.
Træning af et foldet neuralt netværk består afat vælge vægten af neuronforbindelser for at opnå det korrekte resultat som et resultat af dets arbejde på det sidste lag af netværket. I tilfælde af genkendelse af genanvendelige materialer er to problemer løst: segmentering - bestemmelse af området på billedet med objektet og klassificering, forstå, hvad det er for en genstand. Derfor bruges der i dette tilfælde to sekventielt fungerende neurale netværk: det første modtager et billede som input og udsender konturerne af de fundne objekter, og det andet behandler sekventielt de fundne konturer og returnerer tilhørsforholdet til hver kontur til en bestemt klasse af genstande.
Indsendelse af et sæt eksempler (billeder) "som input"kaldet "overvåget læring". Denne proces kræver et stort antal fotografier, hvor de nødvendige objekter er cirklet og mærket. Når du underviser i teknologi i en genbrugsmaskine, skal du indsamle mere end 50.000 billeder af genstande.
Ved at vise et stort antal billeder "ved indgangen" ogVed at måle kvaliteten af deres "output", er det muligt at bygge og udvælge specifikke neuroner i netværket. Hvis hypoteserne for udvælgelsen af neuroner viser sig at være korrekte, trænes netværket, så bliver fejlen gradvist minimeret. Ideelt set bør netværket som et resultat af træning nøjagtigt genkende de billeder, der blev indlæst i det, og identificere lignende billeder.
Nuancer af anerkendelse
Krøllede plastikflasker, snoede aluminiumsdåser, vådt affaldspapir – hvordan kan AI forstå, hvilke genanvendelige materialer der kan genanvendes, og hvilke fraktioner det kan opdeles i?
Når man underviser i AI-teknologi, er det vigtigt at have medden menneskelige faktor, fordi det vil være folk, der skal læsse genbrugsmaterialet, som for det meste er ligeglade med kvaliteten af det afleverede affald. Lad os præcisere, at kvalitet her betyder rensede genanvendelige materialer, der er velegnede til forarbejdning.
At holde forskellige scenarier i tankerne og forberede sigteknologi, inkluderer udviklerne de samme "beskadigede" objekter blandt de downloadede eksempelbilleder. Så AI kan lære at genkende de samme plastikflasker i enhver af deres former. For eksempel har en flaske en karakteristisk låg eller en bestemt tekstur, som er fastgjort med et netværk.
Fraktionerne af de leverede råvarer bestemmes af eksterne former, standarder og teksturer. Og ud fra de lagrede data om fraktionens vægtkategorier er det muligt at beregne fx vådt affaldspapir.
I fremtiden trænes teknologien i processenarbejde: når han ser rigtige genstande lejet ud af folk. Operatører behandler indkommende nye data, vælger de nødvendige billeder og justerer netværket.
AI bliver universel over tidet værktøj, der hjælper med at optimere forskellige produktionsområder og vores liv. I økologi er dette evnen til at reagere rettidigt på visse omstændigheder, reducere omkostningerne og minimere fejl, der kan begås på grund af den menneskelige faktor i arbejdet.
Men som enhver teknologi kræver AIløbende forbedring. Inden for genbrugsindsamling sker der således regelmæssigt yderligere træning af smarte enheder. Tiden vil vise, i hvilket omfang AI kan forbedre økologiske processer og forbedre miljøet på globalt plan. Men det står allerede klart, at brugen af kunstig intelligens er et af de effektive skridt mod vores grønne fremtid.
Læs mere:
Blazar, som blev fundet for 20 år siden, viste sig at være et ekstremt objekt
TESS opdagede en "ny jord": en stenplanet med vand er i den beboelige zone
Se på konsekvenserne af kollisionen i 1181 af to stjerner