Umetna inteligenca v iskanju najboljših merilnih točk

Eden temeljnih pogojev za razvoj algoritmov umetne inteligence (UI) je visokokakovosten vir podatkov. Bolj ko je sistem kompleksen, več meritev je lahko potrebnih, da lahko UI ustvari natančen model. Vendar pa je lahko postopek merjenja dolgotrajen, pri testiranju sistema pa vse merilne točke niso varne.

Bosch Research je za ta izziv razvil metodo Safe Active Learning (Varno aktivno učenje), ki umetni inteligenci omogoča ne le, da se uči iz podatkov, temveč tudi določi, kakšna naj bo naslednja meritev. Seveda vse to ob upoštevanju vnaprej določenih varnostnih omejitev.

Vse meritve niso enako koristnePri testiranju elektromotorja ali drugega zapletenega tehničnega sistema se podatki zbirajo na podlagi tradicionalno vnaprej določenega načrta meritev. To zagotavlja zadostno količino in kakovost podatkov iz različnih točk v delovnem območju sistema. Vendar pa lahko to zahteva precejšnje število meritev.
Poleg tega so lahko nekatere merilne točke blizu fizičnih meja sistema. Previsoka temperatura, vibracije ali drugi kritični delovni pogoji lahko na primer privedejo do prekinitve preizkusa.
Safe Active Learning ubira drugačen pristop. Na podlagi predhodno zbranih podatkov algoritem nenehno posodablja model sistema in nato išče naslednjo merilno točko ali merilno pot, za katero se pričakuje, da bo zagotovila največ novih informacij, ne da bi pri tem prestopila varnostne meje.
Če metodo preučimo na preprost način, si lahko njeno delovanje predstavljamo kot neprekinjen cikel:

• Kot prvi korak bo algoritem zasnoval naslednjo merilno pot. Pri tem upošteva, kaj o preiskovanem sistemu že ve in na katerih območjih mu še primanjkuje informacij.
• Kot drugi korak se izbrana meritev samodejno zažene na testni mizi. Sistem izvede preizkus in nato pošlje rezultate nazaj algoritmu.
• Kot tretji korak se novi podatki dodajo v model UI. S tem postane model natančnejši, na podlagi tega pa lahko nato izbere naslednjo, še bolj informativno merilno točko.

Postopek se tako ponavlja znova in znova: meritev, učenje, odločitev, nova meritev .

Varnost ni naknadno preverjanje Ena najpomembnejših značilnosti te metode je, da je varnost kot prednostni vidik nenehno prisotna.
Boschevi raziskovalci uporabljajo verjetnostne modele, ki ne le ocenjujejo, kako se sistem obnaša v določeni točki, temveč lahko upoštevajo tudi negotovost. Na ta način se lahko sistem nauči, kje so meje varnih in nevarnih območij delovanja.
To je še posebej pomembno za električni stroj, ki deluje na testni mizi. Če meritev preseže vnaprej določeno mejo temperature ali vibracij, lahko testna miza preneha delovati, nato pa je lahko potreben čas za hlajenje ali ponovni zagon. Namen metode Safe Active Learning je izogniti se takšnim nepotrebnim prekinitvam.
Lahko je ne le hitrejše, ampak tudi pametnejše Po podatkih Bosch Research je ena od pomembnih prednosti metode ta, da lahko občutno skrajša čas, potreben za merilne cikle. Testne mize je tako mogoče uporabljati učinkoviteje, tudi ponoči ali ob koncu tedna, celo brez človeškega nadzora.
Pristop je še posebej zanimiv pri razvoju elektromobilnosti. Pri modeliranju delovanja elektromotorjev in pogonskih sistemov je potrebna velika količina visokokakovostnih podatkov. Če pa se je algoritem sposoben sam odločiti, iz katere meritve se lahko največ nauči, ni treba pregledati vseh možnih merilnih točk.
Po Boschevih ocenah se lahko poučevanje modelov umetne inteligence izvede v nekaj urah namesto v prejšnjih tednih.

Inženir in algoritem delujeta z ramo ob rami Safe Active Learning ne pomeni, da umetna inteligenca prevzema vlogo inženirjev. Strokovnjaki bodo še naprej določali osnovne omejitve delovanja in varnostne pogoje sistema. Med njimi algoritem išče merilno strategijo, ki zagotavlja čim več koristnih informacij.
To ponazarja, kako se spreminja vloga UI pri razvoju. Ne uporablja se le za analizo že pripravljenih podatkov, temveč postaja aktiven udeleženec v procesu pridobivanja znanja.
Safe Active Learning govori o umetni inteligenci, avtomatizaciji in varnosti hkrati. Razvoj Bosch Research pa napoveduje prihodnost, v kateri testne mize ne bodo preprosto izvajale preizkusov, ki so jih vnaprej načrtovali inženirji, temveč bodo na podlagi podatkov same sposobne postavljati vedno boljša vprašanja in nato nanje poiskati odgovore.