Машинное обучение

По мнению аналитиков, в 2024 г. российские компании продолжат внедрение искусственного интеллекта, машинного обучения и блокчейн-технологий в сфере грузоперевозок. О влиянии цифровизации, инновационных решениях и проблемах, с которыми сталкиваются участники логистического рынка.

Искусственный интеллект (ИИ) окажет более сильное влияние на наше будущее, чем любая другая инновационная технология XXI в. Те, кто этого еще не осознает, скоро останутся не у дел и обнаружат, что мир вокруг полон настолько удивительных технологических решений, что они будут казаться скорее магией. Развитие технологий идет семимильными шагами. За последние сорок лет были периоды, когда разработки в области ИИ останавливались и возлагаемые на них надежды рушились, но в последние годы быстрое развитие технологий хранения данных и увеличение вычислительных мощностей существенно изменили нашу действительность.

В последнее время анализ данных играет ключевую роль во многих сферах, в том числе в промышленном производстве и инженерном проектировании. В сочетании с предметными знаниями аналитика может быть незаменима при определении причин перебоев и потери прибыли. Однако результаты анализа сильно зависят от контекста данных, а выводы могут оказаться ложными.

Два года назад компания Cognex начала предлагать клиентам библиотеку глубокого обучения ViDi, а в прошлом году реализовала ее в сочетании с VisionPro, своим флагманским программным продуктом. В пакет включены инструменты для выполнения четырех основных задач: Blue-Locate для локализации, Red-Analyze для обнаружения отклонений, Green-Classify для классификации и Blue-Read для распознавания символов.

В скором времени безопасность автоматизации будет обеспечиваться в том числе самообучающимися машинами и оборудованием. Благодаря достижениям в области искусственного интеллекта (англ. Artificial intelligence, AI) и машинного обучения (англ. machine learning, ML) роботы и другое промышленное оборудование, при функционировании которого необходимо соблюдение особых мер безопасности, смогут учиться на большом массиве соответствующих данных.

В статье демонстрируются варианты архитектуры для решения задачи по поиску аномалий в работе оборудования на основе анализа потоков его телеметрии методами машинного обучения (Machine Learning, ML). Поясняется, как можно получить и запустить ML-модели на примере задачи предсказания отказов в работе электродвигателей. Автору хотелось, чтобы статья получилась максимально практической, полезной специалистам по индустриальной автоматизации, поэтому математические формулы опущены и в конце публикации приведены ссылки на исходный код решения.