سیگنال کالا با توجه به نیاز موجود به اطلاعات دقیق و به روز در حوزه الکترونیک و همچنین در جهت گسترش دانش و امکان به کارگیری آن در این حوزه، اقدام به جمع‌آوری مقالات معتبری در این زمینه کرده است. مقالات مذکور،جهت سهولت دسترسی به اطلاعات دست اول و افزایش نوآوری و سهولت در استفاده از ابزار الکترونیکی برای مخاطبان ، توسط سیگنال کالا ترجمه شده و در اختیار عموم قرار گرفته است.

در مقاله زیر که در مورد چگونگی ورود به بازار با ماشین لرنینگ آورده شده است، موارد زیر مورد بررسی قرار گرفته اند:

• انتخاب سخت‌افزار مناسب برای بینایی صنعتی با استفاده از ماشین لرنینگ

• آموزش و یادگیری انتقالی برای ماشین لرنینگ در صنعت

• لبه در مقابل ابر

• نتیجه‌گیری

هوش مصنوعی (AI) آنقدر رایج خواهد شد که بدیهی پنداشته شود. می‌توانیم این را با اطمینان بگوییم، چون بسیاری از تولیدکنندگان نیمه‌رسانا در حال حاضر پردازنده‌های تعبیه‌شده‌ای[i] دارند که برای هوش مصنوعی طراحی شده‌اند. این دستگاه‌ها به اندازه‌ی فناوری پرکاربرد کنونی در همه جا حاضر خواهند بود: میکروکنترلر[ii]. در واقع، آن‌ها گام تکامل طبیعی برای واحد میکروکنترلر (MCU)[iii] هستند.

این سؤال بسیار مرتبط مطرح می‌شود که چگونه کار با هوش مصنوعی را شروع کنیم؛ اما این باعث می‌شود که پاسخ به یک سؤال مرتبط‌تر را نادیده بگیریم: «کدام نوع هوش مصنوعی برای شما مناسب است». بله هوش مصنوعی در همه جا وجود خواهد داشت اما چارۀ تمامی مشکلاتِ طراحی نیست. مهندسان همچنان باید بهترین راه‌حل را برای کاربرد خود انتخاب کنند.

شرکت اَونت[iv] درک می‌کند که آنچه مشتریانش بیشتر به آن اهمیت می‌دهند نتایج است. با درک مورد کاربرد[v]، راه‌حل‌های ممکن اغلب خودشان را نشان می‌دهند. این امر قبل از اینکه هوش مصنوعی تا این حد در دسترس باشد صادق بود و اکنون نیز صادق است. از این منظر، هوش مصنوعی مانند هر چیز دیگری است.

اما آنچه تغییر کرده است، ویژگی‌های مشتری است. هوش مصنوعی در حوزه‌ی نرم‌افزار پدیدار شد، در نتیجه کارشناسان واقعی (آن‌هایی که 10 سال یا بیشتر تجربه دارند) شرکت‌های نرم‌افزاری هستند. عرضۀ آن نرم‌افزار به بازار، به ویژه در بخش‌های عمودی مانند بخش‌های صنعتی، پزشکی و هوافضا به سخت‌افزار مناسب نیاز دارد.

بنا به گفته‌ی میشائیل اویترشپروت[vi]، مدیر راهکار‌های سیستم، هوش مصنوعی / ماشین لرنینگ و بینایی شرکت اَونت سیلیکا[vii]، این حوزه‌ای است که اَونت می‌تواند ارزش واقعی ارائه دهد: «بخشی از نقش من این است که اطمینان حاصل کنم که تخصص و شرکای لازم برای کمک به شرکت‌هایی را در اختیار داریم که تجربه بینایی رایانه‌ای[viii] دارند و قصد دارند از این موارد کار جدید استفاده کنند».

این موارد کاربرد در تمام بخش‌های عمودی که اَونت در آن‌ها از مزیت برخوردار است مانند بخش‌های صنعتی، خودروسازی، پزشکی، هوافضا و دفاع وجود دارند. از ماشین لرنینگ (ML)[ix] در موارد کاربرد متعددی از جمله نگهداری پیشگیرانه[x] استفاده می‌شود؛ اما همان‌طور که اویترشپروت توضیح داد، بینایی بیشترین توجه را به خود جلب می‌کند. اویترشپروت می‌گوید «بینایی رایانه‌ای می‌تواند برای شهرهای هوشمندی کاربرد داشته باشد که در آن‌ها از دوربین‌ها برای شناسایی فعالیت‌هایی مانند استفاده از تلفن همراه در حین رانندگی استفاده می‌شود».

انتخاب سخت‌افزار مناسب برای بینایی صنعتی با استفاده از ماشین لرنینگ

در هنگام توسعه سیستم بینایی ماشین[xi]، انتخاب حسگر تصویر مناسب می‌تواند یکی از مهم‌‌ترین تصمیمات طراحی باشد. هنگامی که قرار است از ماشین لرنینگ برای تحلیل داده‌های تصویر استفاده شود، اهمیت انتخاب حسگر تصویر مناسب حتی از سیستم بینایی ماشین هم بیشتر است.

اویترشپروت می‌گوید: «اگر می‌خواهید از بینایی ماشین همراه با ماشین لرنینگ برای بررسی چیزی که سریع حرکت می‌کند (مانند یک بطری در خط تولید) استفاده کنید، باید از ماژول دوربین با شاتر گلوبال (شاتر سراسری)[xii] استفاده کنید. شاتر رولینگ (شاتر چرخشی)[xiii]برای این کار مناسب نیست، چون این احتمال وجود دارد که جزئیات از دست برود».

به طور مشابه، حسگر تصویر باید برای محیط عملیاتی مناسب باشد. در برخی کاربردها لازم خواهد بود که حسگر تصویری انتخاب شود که در نور کم نیز عملکرد مناسبی داشته باشد. این ملاحظات در هنگام استفاده از بینایی ماشین وجود دارند، اما ممکن است اهمیت آن‌ها در هنگام تولید داده‌هایی که با استفاده از ماشین لرنینگ تفسیر می‌شوند افزایش یابد.

از آن‌جا که داده‌ها به جای شخص توسط الگوریتم تحلیل می‌شوند، فرصتی برای معرفی روش‌های مختلف حسگری[xiv] در سیستم‌های بینایی ماشین فراهم می‌شود که این ملاحظات ممکن است شامل مواردی غیر از حسگرهای تصویر، مانند زمان پروازسنج[xv]، رادار و لیدار باشد. این امر با نیاز به حسگرآمیزی[xvi] همراه است.

حسگرآمیزی فرایندی است که داده‌ها را از منابع مختلف دریافت و آن‌ها را در مجموعه‌ای واحد که می‌تواند به شبکه‌ی عصبی تغذیه شود ترکیب می‌کند. این مرحله بسیار مهم است، چون نحوه‌ی وزن‌دهی به داده‌های هر حسگر بر اهمیت آن داده‌ها در مجموعه داده‌ی نهایی تأثیر می‌گذارد.

از آنجا که این امر در هر مورد کاربرد متفاوت است، هیچ روش استانداردی برای انجام این کار وجود ندارد و این یعنی ارائه روش استاندارد ممکن است به دوش سازنده بیفتد. هنگام کار با اَونت، کارشناس مربوطه حسگرآمیزی را مدیریت می‌کند. معمولاً شرکت نرم‌افزاری است که کاربرد ماشین لرنینگ را توسعه داده است، اما ممکن است مشتری با کمک اَونت و شرکا نیز این کار را انجام داده باشد.

آموزش و یادگیری انتقالی برای ماشین لرنینگ در صنعت

ایجاد یک اثبات‌کننده (نشان‌دهنده)[xvii] برای اثبات مفهوم ماشین لرنینگ مانند گذشته دشوار نیست، به خصوص اگر با شریک توزیعی کار کنید که می‌تواند ماژول‌های ارزیابی و کیت‌های توسعه را ارائه دهد. چیزی که همچنان دشوار است، انتقال مفهوم تا مرحله‌ی تولید است.

اویترشپروت می‌گوید «از مجموعه داده‌های استاندارد می‌توان برای اثبات استفاده کرد، اما در اغلب موارد آن مجموعه داده‌های استاندارد برای پیاده‌سازی مناسب نیستند. مشتریان ممکن است نیاز به خرید داده‌ها از شرکت‌هایی داشته باشند که در ایجاد داده‌ها تجربه دارند یا باید خودشان داده‌ها را ایجاد کنند».

اینجاست که تکنیک‌هایی مانند یادگیری انتقالی[xviii] می‌توانند مفید باشند. در این تکنیک‌ها داده‌های ایجاد شده را برای یک مورد کاربرد دریافت می‌کنند و آن را به یک مورد کاربرد جدید اما مشابه انتقال می‌دهند؛ اما این تنها یک راهکار است. راهکار دیگر ممکن است ایجاد داده‌های ساختگی[xix] با استفاده از مدل‌سازی سه‌بُعدی باشد. از این طریق می‌توان تصاویر زیادی را به سرعت ایجاد کرد که امکان استفاده از آن‌ها برای آموزش الگوریتم ماشین لرنینگ بدون تلاش یا هزینه برای ایجاد فیزیکی نمونه‌ها وجود دارد.

داده‌های ساختگی مزایای خودشان را دارد، اما مانند بسیاری از چیزهای دیگر ماشین لرنینگ، انجام این کار نیز لزوماً آسان نیست. درک چالش‌ها در دستیابی به بهترین نتیجه نقش مهمی دارد. هنگامی که اَونت کار با مشتری را شروع می‌کند، اولین گام معرفی یادگیری ماشنی و چیزهایی است که می‌تواند ارائه دهد. گام بعدی درک این مسئله است که مشتری واقعاً می‌خواهد به چه هدفی برسد.

در برخی موارد، ممکن است فقط به بینایی رایانه‌ای نیاز داشته باشد و به ماشین لرنینگ نیازی نداشته باشد. اطمینان از اینکه مشتری قبل از همکاری با شرکایش برای ایجاد یک راهکار کاملاً از گزینه‌ها اطلاع داشته باشد بسیار مهم است.

لبه در مقابل ابر

این سؤالی است که اکنون که هوش مصنوعی در حال حرکت به لبه‌ی شبکه[xx] است بیشتر پرسیده می‌شود. با این حال، اویترشپروت اشاره می‌کند که این دو به هم‌زیستی ادامه خواهند داد، زیرا هر کدام می‌توانند مزایایی ارائه دهند که دیگری نمی‌تواند ارائه دهد.

برای مثال، اگر در مورد کاربرد نیاز خاصی به امنیت یا تأخیر وجود داشته باشد، پردازش لبه[xxi]ممکن است مناسب باشد، اما اگر کاربرد به الگوریتمی نیاز دارد که قادر به بهبود مداوم باشد، پردازش در ابر[xxii] می‌تواند راهکار بهتری باشد.

اویترشپروت می‌گوید «استفاده از هر دو مورد لبه و ابر می‌تواند منطقی باشد. اگر محصولات زیادی مانند ترموستات هوشمند در مکان‌های مختلف دارید می‌توانید از پردازش در لبه استفاده کنید؛ اما به‌اشتراک‌گذاری داده‌ها از طریق ابر می‌تواند به بهبودهایی در الگوریتم منجر شود که می‌تواند در کل شبکۀ ترموستات‌ها گسترده شود».

نتیجه‌گیری

استفاده از ماشین لرنینگ در بخش صنعتی در حال افزایش است که تا حدودی به لطف افزایش دسترسی به پردازنده‌های با عملکرد بالای[xxiii] مجهز به فناوری قدرتمند شتاب‌دهی هوش مصنوعی[xxiv] رخ داده است؛ اما نرم‌افزار همچنان بخش مهمی از معادله، هم در آموزش و هم در استقرار، باقی می‌ماند. تکنیک‌های مدل‌سازی و یادگیری انتقالی و منابع و نرم‌افزارهای ارائه‌شده توسط تولیدکنندگان پردازنده نیز می‌توانند مفید باشند. برای توسعه یک مورد کاربرد موفق ماشین لرنینگ، سخت‌افزار و نرم‌افزار باید با هم کار کنند.

منبع: چگونه با ماشین لرنینگ وارد بازار شویم (avnet.com)

[i] embedded processor

[ii] Microcontroller

[iii] Microcontroller Unit

[iv] Avnet

[v] use case

[vi] Michaël Uyttersprot

[vii] Avnet Silica

[viii] computer vision

[ix] machine learning

[x] preventative maintenance

[xi] machine vision system

[xii] global shutter

[xiii] rolling shutter

[xiv] Sensing

[xv] time of flight

[xvi] sensor fusion

[xvii] Demonstrator

[xviii] transfer learning

[xix] synthetic data

[xx] network’s edge

[xxi] edge processing

[xxii] processing in the cloud

[xxiii] high-performance processors

[xxiv] AI acceleration technology