ИИ медленно движется на завод

САН-ХОСИ, Калифорния. Глубокие нейронные сети постепенно набирают обороты.

Для некоторых первых пользователей нейронные сети - это новый интеллект, заложенный в глазах камер компьютерного зрения. В конечном итоге сети превратятся в роботизированные манипуляторы, сенсорные шлюзы и контроллеры, трансформируя промышленную автоматизацию. Но изменения идут медленно.

«Мы все еще находимся на ранних этапах того, что, вероятно, станет эпохой достижений и алгоритмов машинного обучения следующего поколения, рассчитанной на несколько десятилетий, но я думаю, что мы увидим огромный прогресс в следующие несколько лет», - сказал Роб Хай, руководитель технический специалист IBM Watson.

Нейронные сети будут внедряться во все большее число поддерживающих Linux многоядерных шлюзов и контроллеров x86, которые будут появляться в производственных цехах и вокруг них. По словам Хай, появляющиеся сотовые сети 5G однажды предоставят нейросетям свободный доступ к удаленным центрам обработки данных.

Производители автомобилей и самолетов, а также поставщики медицинских услуг входят в число тех, кто делает первые шаги, в основном с использованием интеллектуальных камер. Canon встраивает платы Nvidia Jetson в свои промышленные камеры, чтобы включить глубокое обучение. Производитель промышленных камер Cognex Corp. расширяет свои предложения. А китайский стартап Horizon Robotics уже поставляет камеры наблюдения, в которых встроены ускорители логического вывода с глубоким обучением.

«Все первые последователи внедрили глубокое обучение для визуального восприятия, и другие начинают это замечать», - сказал Дипу Талла, генеральный менеджер по автономным машинам в Nvidia. «Восприятие довольно легко осуществить, и исследователи видят в этом решенную проблему.

«Сейчас большие проблемы заключаются в использовании ИИ для взаимодействия с людьми и более детального срабатывания - это 10-летние исследовательские задачи. В таких областях, как навигация дронов и роботов, мы больше находимся на стадии прототипов ».

Талла называет робототехнику «пересечением компьютеров и искусственного интеллекта», но многие промышленные применения глубокого обучения будут менее привлекательными и появятся раньше.

«Заводские роботы еще не используют ИИ», - сказал Дуг Олсен, исполнительный директор Harmonic Drive LLC, ведущего поставщика компонентов для роботов. В краткосрочной перспективе не обращайте внимания на «умные» роботы-манипуляторы, а на встроенные «машины в производственном цехе, которые могут прогнозировать сбои, собирая данные о повседневном использовании, чтобы определить, когда системы нуждаются в профилактическом обслуживании», - сказал Олсен. «Вот где ИИ может в первую очередь закрепиться».

Некоторые крупные производители микросхем соглашаются. Renesas начал экспериментировать три года назад, установив микроконтроллеры, поддерживающие ИИ, на конечных узлах для обнаружения неисправностей и прогнозирования потребностей в обслуживании производственных систем на одном из своих предприятий по производству полупроводников.

В октябре японский производитель микросхем выпустил свои первые микроконтроллеры с динамически реконфигурируемыми блоками процессора для обработки изображений в реальном времени. Его цель - разработать контроллеры, которые смогут поддерживать познание в реальном времени в 2020 году и постепенное обучение в 2022 году.

Конкурирующая компания STMicroelectronics использует аналогичный подход со своими чипами STM32. В феврале компания объявила о разработке системы глубокого обучения на кристалле и ускорителя, частично нацеленных на обнаружение неисправностей в производственном цехе.

Со временем появятся умные роботы. Например, запуск covariant.ai работает над тем, чтобы включить в них обучение с подкреплением. «Оснащение роботов, чтобы они могли видеть то, что они видят, и действовать в соответствии с ними, будет одним из самых больших изменений, которые глубокое обучение внесет в следующие несколько лет», - сказал Питер Аббил, исследователь искусственного интеллекта, который основал ковариант и руководит лабораторией робототехники в Калифорнийском университете. в Беркли.

Аббель демонстрирует потрясающие симуляции роботов, которые учатся бегать с помощью нейросетевых технологий, но это еще только начало. «Фактически, мы начали ковариантность отчасти потому, что пространство промышленного ИИ еще не так переполнено», - сказал он.