Umjetna inteligencija u potrazi za najboljim mjernim točkama

Jedan od osnovnih preduvjeta za razvoj algoritama umjetne inteligencije (UI) je visokokvalitetan izvor podataka. Što je sustav složeniji, to može biti potrebno više mjerenja kako bi UI mogla stvoriti točan model. Međutim, proces mjerenja može oduzeti mnogo vremena, a prilikom testiranja sustava nisu sve mjerne točke sigurne.

Bosch Research je za ovaj izazov razvio metodu pod nazivom Safe Active Learning (Sigurno aktivno učenje), koja umjetnoj inteligenciji omogućuje ne samo da uči iz podataka, već i da odredi kakvo bi trebalo biti sljedeće mjerenje. Naravno, sve to uzimajući u obzir unaprijed definirane sigurnosne granice.

Nisu sva mjerenja jednako korisnaPrilikom testiranja elektromotora ili nekog drugog složenog tehničkog sustava, podaci se prikupljaju na temelju tradicionalno unaprijed definiranog plana mjerenja. Time se osigurava dovoljna količina i kvaliteta podataka iz različitih točaka unutar radnog raspona sustava. Međutim, to može zahtijevati značajan broj mjerenja.
Nadalje, neke mjerne točke mogu biti blizu fizičkih granica sustava. Primjerice, previsoka temperatura, vibracije ili drugi kritični radni uvjeti mogu dovesti do prekida ispitivanja.
Safe Active Learning koristi drugačiji pristup. Na temelju prethodno prikupljenih podataka, algoritam kontinuirano ažurira model sustava, a zatim traži sljedeću mjernu točku ili mjernu putanju za koju se očekuje da će pružiti najviše novih informacija, bez prelaženja sigurnosnih granica.
Ako se metoda promatra kroz jednostavan pristup, njezin se rad može zamisliti kao neprekidni ciklus:

• Kao prvi korak, algoritam će osmisliti sljedeću mjernu putanju. Pritom uzima u obzir ono što već zna o ispitivanom sustavu te područja u kojima mu još nedostaju informacije.
• Kao drugi korak, odabrano se mjerenje automatski pokreće na ispitnom stolu. Sustav provodi test, a zatim šalje rezultate natrag algoritmu.
• Kao treći korak, novi se podaci dodaju u model umjetne inteligencije. To model čini točnijim te on, na temelju toga, već može odabrati sljedeću, još informativniju mjernu točku.

Tako se proces ponavlja iznova i iznova: mjerenje, učenje, odluka, novo mjerenje .

Sigurnost nije naknadna provjera

edna od najvažnijih značajki ove metode jest da je sigurnost, kao prioritetni aspekt, neprestano prisutna.
Boschevi istraživači koriste vjerojatnosne modele koji ne samo da procjenjuju kako se sustav ponaša u određenoj točki, već mogu uzeti u obzir i nesigurnost. Na taj način sustav može naučiti gdje se nalaze granice sigurnih i nesigurnih radnih područja.
Ovo je osobito važno za električni stroj koji radi na ispitnom stolu. Ako mjerenje premaši unaprijed definiranu granicu temperature ili vibracija, ispitni stol može prestati raditi, nakon čega može biti potrebno vrijeme za hlađenje ili ponovno pokretanje. Svrha metode Safe Active Learning je izbjegavanje takvih nepotrebnih prekida.

Može biti ne samo brže, već i pametnije

Prema navodima iz Bosch Researcha, jedna od važnih prednosti ove metode je to što može značajno skratiti vrijeme potrebno za cikluse mjerenja. Ispitni se stolovi tako mogu učinkovitije koristiti, čak i noću ili vikendom, pa i bez ljudskog nadzora.
Ovaj je pristup posebno zanimljiv u razvoju elektromobilnosti. Pri modeliranju rada elektromotora i pogonskih sustava potrebna je velika količina visokokvalitetnih podataka. Međutim, ako je algoritam sposoban sam odlučiti iz kojeg mjerenja može najviše naučiti, ne moraju se ispitivati sve moguće mjerne točke.
Prema Boschevim procjenama, obučavanje modela umjetne inteligencije može se provesti u roku od nekoliko sati umjesto dosadašnjih nekoliko tjedana.

Zajednički rad inženjera i algoritma

Safe Active Learning ne znači da umjetna inteligencija preuzima ulogu inženjera. Stručnjaci će i dalje definirati osnovna operativna ograničenja i sigurnosne uvjete sustava. Unutar tih okvira, algoritam traži strategiju mjerenja koja pruža što je moguće više korisnih informacija.
To slikovito prikazuje kako se mijenja uloga umjetne inteligencije u razvoju. Ona se ne mora koristiti samo za analizu gotovih podataka, već može postati i aktivni sudionik u procesu stjecanja znanja.

Safe Active Learning istovremeno objedinjuje umjetnu inteligenciju, automatizaciju i sigurnost. Ovaj razvoj Bosch Researcha najavljuje budućnost u kojoj ispitni stolovi neće jednostavno izvoditi testove koje su unaprijed osmislili inženjeri, već će na temelju podataka sami moći postavljati sve bolja pitanja i potom pronalaziti odgovore na njih.