Tag Archives: Industry 4.0

Nowe technologie znajdują zastosowanie w wielu dziedzinach życia. Jedną z nich jest przemysł, w którym zaawansowane technologie wykorzystywane są już od lat i przynoszą fabrykom wiele korzyści. Znaczący wpływ na rozwój technologiczny i poprawę innowacyjności przedsiębiorstw produkcyjnych miało wdrożenie do nich inteligentnych rozwiązań, opartych na zaawansowanych technologiach z zakresu IT. Jednym z nich jest Smart Manufacturing, który pomaga w optymalizacji przemysłowej poprzez czerpanie wiedzy z danych, generowanych w procesach produkcyjnych.

Czym jest Smart Manufacturing?

Smart Manufacturing to koncepcja obejmująca pełną integrację systemów wraz ze współpracującymi z nimi jednostkami produkcyjnymi, które są w stanie reagować w czasie rzeczywistym i adaptować się do zmiennych warunków środowiskowych, co umożliwia to spełnienie założonych wymagań w całym łańcuchu dostaw. Wdrożenie systemu inteligentnej produkcji wspomaga proces optymalizacji procesów produkcyjnych, przyczyniając się tym samym do zwiększenia zysków przedsiębiorstw przemysłowych.

Koncepcja Smart Manufacturing wiąże się ściśle z takimi pojęciami jak sztuczna inteligencja (AI), Przemysłowy Internet Rzeczy (IIoT) czy chmura obliczeniowa (cloud computing). To co łączy te trzy pojęcia to dane – idea inteligentnej produkcji zakłada, że informacje w nich zawarte są dostępne zawsze, gdy są potrzebne i w postaci, w której są najbardziej przydatne. To właśnie analiza danych ma największy wpływ na optymalizację procesów produkcyjnych i czyni je bardziej wydajnymi.

IIoT a optymalizacja przemysłowa

Przemysłowy Internet Rzeczy jest niczym innym, jak wykorzystaniem potencjału IoT w branży przemysłowej. W inteligentnym modelu produkcji ludzie, maszyny i procesy są ze sobą połączone za pomocą systemów informatycznych. Każda maszyna wyposażona jest w czujniki, które zbierają istotne dane o jej działaniu. System przesyła dane do chmury obliczeniowej, gdzie poddaje je dogłębnej analizie. Dzięki uzyskanym z nich informacjom pracownicy mają wgląd w dokładny przebieg procesu, dzięki czemu są w stanie przewidzieć awarie i wcześniej im zapobiec, unikając ewentualnych przestojów. Dodatkowo firmy mogą badać tendencje w danych, czy przeprowadzać na ich podstawie różne symulacje. Integracja wszystkich elementów procesu produkcyjnego pozwala również na zdalne monitorowanie jego przebiegu w czasie rzeczywistym, a także reagowanie na ewentualnie nieprawidłowości. Wszystkie te działania nie byłyby możliwe, gdyby nie zastosowanie technologii IIoT.

Wzrost znaczenia sztucznej inteligencji

Kolejnym z nowoczesnych rozwiązań technologicznych, które jest wykorzystywane w systemie inteligentnej produkcji jest sztuczna inteligencja. Na przestrzeni ostatnich kilku lat można było obserwować znaczny wzrost implementacji rozwiązań sztucznej inteligencji w produkcji. Stało się to możliwe, właśnie dzięki wdrożeniu do niej urządzeń IIoT, które dostarczają ogromne ilości danych, wykorzystywanych przez AI. Algorytmy sztucznej inteligencji analizują uzyskane dane i wyszukują w nich nieprawidłowości. Ponadto umożliwiają one automatyczne podejmowanie decyzji w oparciu o zebrane dane. Co więcej sztuczna inteligencja jest w stanie przewidzieć problemy zanim one wystąpią, a także podjąć odpowiednie kroki w celu złagodzenia ich skutków.

Korzyści dla przedsiębiorstwa

Wdrożenie w fabrykach technologii Smart Manufacturing może przynieść szereg korzyści, przede wszystkim w sferze optymalizacji procesów produkcyjnych. Inteligentna produkcja umożliwia znaczną poprawę efektywności. Poprzez dostęp do danych o całym procesie można szybko reagować na ewentualne nieprawidłowości czy dostosowywać proces do aktualnych potrzeb (większa elastyczność). Dzięki temu firmy mogą uniknąć wielu niepożądanych zdarzeń, jak na przykład awarie. To natomiast korzystnie wpływa na optymalizację kosztów, a tym samym poprawia rentowność przedsiębiorstwa. Kolejną zaletą jest lepsze wykorzystanie maszyn i urządzeń. Poprzez ich bieżące monitorowanie firmy mogą kontrolować stopień ich zużycia, przewidywać awarie lub bardziej efektywnie planować przestoje. To z kolei wpływa na poprawę produktywności, a nawet jakości wytwarzanych produktów.

Wykorzystanie SM umożliwia również wizualizację danych w czasie rzeczywistym, co pozwala na zdalne zarządzanie procesem, a także monitorowanie jego przebiegu. Ponadto wirtualne odzwierciedlenie procesu dostarcza wielu informacji kontekstowych, które są niezbędne do jego doskonalenia. Na bazie zebranych danych firmy mogą również dokonywać różnego rodzaju symulacji. Czy też przewidywać trendy lub potencjalne problemy, co znacznie usprawnia prognozowanie. Warto również wspomnieć, że wdrażanie w przedsiębiorstwie nowoczesnych rozwiązań, takich jak Smart Manufacturing zwiększa ich innowacyjność. Tym samym firmy stają się bardziej konkurencyjne, a pracownicy postrzegają je jako bardziej atrakcyjne miejsce pracy.

Czy automatyzacja pozbawi ludzi pracy?

Wraz z rozwojem technologicznym i coraz większą automatyzacją procesów wzrosły także obawy dotyczące likwidacji miejsc pracy. Nic bardziej mylnego – w koncepcji inteligentnej produkcji człowiek nadal odgrywa kluczową rolę. Bez zmian pozostanie zatem odpowiedzialność pracowników w zakresie kontroli procesów czy podejmowania krytycznych decyzji. Współpraca człowieka z maszyną umożliwi tym samym zwiększenie efektywności operacyjnej inteligentnego przedsiębiorstwa.

Rozwój technologiczny nie ma zatem na celu eliminacji człowieka, a raczej stanowi dla niego wsparcie. Co więcej, połączenie doświadczenia i kreatywności człowieka z coraz większymi możliwościami maszyn umożliwia realizację innowacyjnych pomysłów, które mogą mieć realny wpływ na poprawę efektywności produkcji. Tym samym na rynku pracy zacznie wzrastać zapotrzebowanie na nowych specjalistów, co sprawi, że branża produkcyjna nie zaprzestanie zatrudniania ludzi.

Inteligenta produkcja jest nieodłączną częścią czwartej rewolucji przemysłowej, która dzieje się na naszych oczach. Połączenie maszyn i systemów informatycznych otworzyło nowe możliwości optymalizacji przemysłowej. Dzięki temu firmy mogę realnie zwiększyć wydajność swoich procesów, przyczyniając się tym samym do poprawy ich rentowności. BFirst.tech oferuje usługę Optymalizacja Przemysłowa, która pozwala na analizowanie i przekazywanie w czasie rzeczywistym do wszystkich zainteresowanych danych, w których zawarte informacje wspomagają podejmowanie krytycznych decyzji i skutkują w ciągłym ulepszaniu procesów.

Bibliografia

[1] https://blog.marketresearch.com/the-top-7-things-to-know-about-smart-manufacturing

[2] https://przemyslprzyszlosci.gov.pl/7-krokow-do-zaawansowanej-produkcji-w-fabryce-przyszlosci/?gclid=EAIaIQobChMIl7rb1dnD7QIVFbd3Ch21kwojEAAYASAAEgKVcfD_BwE

[3] https://www.comarch.pl/erp/nowoczesne-zarzadzanie/numery-archiwalne/inteligentna-produkcja-jutra-zaczyna-sie-juz-dzis/

[4] https://elektrotechnikautomatyk.pl/artykuly/smart-factory-czyli-fabryka-przyszlosci

[5] https://www.thalesgroup.com/en/markets/digital-identity-and-security/iot/inspired/smart-manufacturing

[6] https://www.techtarget.com/iotagenda/definition/smart-manufacturing-SM

Górnictwo towarzyszy ludzkości od zarania dziejów. W ciągu najbliższych lat będziemy mieć szansę zobaczyć kolejny milowy krok jego rozwoju: górnictwo kosmiczne.

Wizje a rzeczywistość

Górnictwo kosmiczne rozpala wyobraźnię pisarzy i scenarzystów. Roztaczane są wizje walki o zasoby między państwami, korporacjami i kulturami zamieszkującymi inne rejony wszechświata. Mowa jest także o zagrożeniach dla ludzkości wynikających ze spotkania z innymi organizmami żywymi. Pojawia się również wątek niezwykle cennych, nierzadko nieznanych na Ziemi, minerałów i innych substancji możliwych do pozyskania w kosmosie.

Jednak w chwili obecnej daleko do urzeczywistnienia tych wizji. Jesteśmy na etapie katalogowania zasobów kosmicznych, np. sporządzane są mapy geologiczne Księżyca^[1] oraz obserwowane są asteroidy^[2]. Z ciekawostek wiadomo, że na Księżycu znajdują się złoża helu-3, który w przyszłości może posłużyć jako paliwo przy reakcjach fuzji jądrowej. Na asteroidach spodziewamy się znaleźć złoża wielu cennych minerałów, np. niklu, żelaza, kobaltu, wody, azotu, wodoru i amoniaku na asteroidzie Ryugu. Nasza wiedza o zasobach mineralnych opiera się głównie na obserwacjach astronomicznych. Znacznie rzadziej polega na bezpośredniej analizie próbek skał z powierzchni, a incydentalnie na analizie skał podpowierzchniowych. Jedynie w pełni możemy analizować obiekty, które upadły na powierzchnię Ziemi. Spodziewać się zatem należy, że przed nami jeszcze wiele niespodzianek.

Pierwsze kroki w górnictwie kosmicznym

Jak jednak będą wyglądać początki? Górnictwo jako działalność związana ściśle z ekonomią zacznie się rozwijać by zaspakajać potrzeby rynku. Wbrew temu, do czego jesteśmy przyzwyczajeni na Ziemi, w kosmosie problemem może być dostęp nawet do takich podstawowych substancji jak woda.

Woda

Woda może być ona wykorzystywana bezpośrednio przez ludzi jak i, po hydrolizie, jako paliwo. Zatem realizacja planów NASA wyprawy załogowej na Marsa poprzedzonej obecnością ludzi na Księżycu^[3] wygeneruje zapotrzebowanie na wodę na Księżycu jak i w jego pobliżu. Innym znaczącym rynkiem zbytu kosmicznej wody mogą być satelity (potrzebują energii choćby do okresowej korekty trajektorii). Tym bardziej, że według szacunków bardziej będzie się opłacało sprowadzać wodę z Księżyca nawet na niską orbitę okołoziemską (Low Earth Orbit LEO) niż z Ziemi.

Z tych powodów przemysłowe pozyskiwanie wody na Księżycu ma szansę być pierwszym przejawem górnictwa kosmicznego. Jak to może wyglądać w praktyce? Ze względu na intensywne promieniowanie ultrafioletowe jakikolwiek lód na powierzchni Księżyca musiałby zostać rozłożony na tlen i wodór. Natomiast brak atmosfery spowodowałby ulecenie tych pierwiastków w przestrzeń kosmiczną. Dlatego lód spodziewany jest w miejscach wiecznie zacienionych, np. na dnie kraterów uderzeniowych na biegunach. Jedną z metod jego pozyskania może być odparowywanie w szczelnym i przezroczystym namiocie. Energia mogłaby pochodzić ze Słońca: wystarczy odbić promienie słoneczne od luster znajdujących się na szczytach krawędzi kraterów. Na biegunie północnym można znaleźć miejsca, gdzie praktycznie cały czas świeci Słońce.

Regolit

Jedną z pierwszych skał pozyskiwaną na Księżycu ma szansę zostać regolit (pył pokrywający powierzchnię Księżyca). Niewykluczone, że zawiera śladowe ilości wody. Ale przede wszystkim daje nadzieję na przerobienie go na toner do drukarek 3D. To zaś pozwoliłoby na szybkie i tanie konstruowanie budynków planowanej bazy księżycowej^[4]. Budynki takiej bazy będą musiały chronić przed szkodliwym promieniowaniem kosmicznym. I choć regolit, w porównaniu do innych materiałów, nie jest bardzo wydajny w ekranowaniu promieniowania (potrzeba jego grubej warstwy), to ma tę przewagę, że nie trzeba go dostarczać z Ziemi. Generalnie, możliwość jak najszerszego wykorzystywania miejscowych surowców jest ważnym czynnikiem decydującym o powodzeniu projektów powstania trwałych habitatów pozaziemskich, dlatego optymalizacja tych procesów jest kluczowa (jeśli chcesz dowiedzieć się więcej o możliwościach optymalizacji w przemyśle, kliknij tutaj).

Asteroidy

Innym kierunkiem rozwoju górnictwa kosmicznego mogą być asteroidy^[5]. Naukowcy biorą pod uwagę łowienie mniejszych asteroid i sprowadzanie ich na Ziemię. Można też sprowadzić mniejszą lub większą asteroidę na orbitę okołoziemską lub okołoksiężycową i tutaj dopiero ją eksploatować. Można też eksploatować asteroidy bez ich przemieszczania i dopiero urobek, być może po wstępnym przetworzeniu, dostarczać na Ziemię.

Bariery prawne

Zwykle nie pamięta się, że oprócz oczywistych ograniczeń technologicznych i finansowych istotną barierą mogą okazać się kwestie prawne związane z komercyjną eksploatacją kosmosu^[6]. W chwili obecnej najważniejsze cztery międzynarodowe regulacje prawne dotyczące przestrzeni kosmicznej to^[7]:

• Traktat o przestrzeni kosmicznej z 1967 r.,
• Umowa o ratowaniu astronautów z 1968 r.
• Konwencja o odpowiedzialności międzynarodowej za szkody wyrządzone przez obiekty kosmiczne z 1972 r. oraz
• Konwencja o rejestracji obiektów wypuszczonych w przestrzeń kosmiczną z 1975 r.

Formułują one zasadę wolności i niewyłączności przestrzeni kosmicznej, traktowania kosmonautów jako wysłanników ludzkości oraz przypisania każdemu obiektowi wysłanemu w kosmos przynależności państwowej. Ponadto regulują kwestie odpowiedzialności za szkody wyrządzone przez obiekty wysłane w kosmos. Nie regulują jednak kwestii ekonomicznych związanych z eksploatacją kosmosu. Tę lukę częściowo stara się wypełnić Układ księżycowy z 1979 roku. Mimo że niewiele państw (18) go ratyfikuje, to aspiruje on do tworzenia ważnych norm zwyczajowych w zakresie objęcia prawem przestrzeni kosmicznej. Stanowi m. in. że zasoby naturalne Księżyca stanowią wspólne dziedzictwo ludzkości oraz, że powierzchnia ani zasoby Księżyca nie mogą stać się niczyją własnością^[8]. Do tych postanowień Układu księżycowego bogate państwa odnoszą się niechętnie. W szczególności USA oficjalnie zapowiedziały, że nie zamierzają się do układu stosować. Czyżby górnictwo kosmiczne miało być elementem kosmicznej odmiany kolonializmu?

Bibliografia

[1] https://store.usgs.gov/filter-products?sort=relevance&scale=1%3A5%2C000%2C000&lq=moon

[2] http://www.asterank.com

[3] https://www.nasa.gov/topics/moon-to-mars

[4] https://all3dp.com/mit-autonomous-construction-rig-could-make-3d-printed-homes/

[5] http://space.alglobus.net/presentations/

[6] http://naukawpolsce.pap.pl/aktualnosci/news%2C81117%2Cdr-pawel-chyc-prawo-w-kosmosie-szczegolne-wyzwanie.html

[7] http://www.unoosa.org/oosa/en/ourwork/spacelaw/index.html

[8] https://kosmonauta.net/2011/09/uklad-ksiezycowy/

GANy, czyli Generative Adversarial Networks pierwszy raz zostały zaproponowane przez studentów University of Montreal Iana Goodfelllow oraz innych (m. in. Yoshua Bengio) w 2014 roku. W 2016 roku dyrektor ds. badań nad AI w Facebook oraz profesor na New York University Yann LeCun nazwał je najbardziej interesującym pomysłem ostatnich 10 lat uczenia maszynowego.

Aby zrozumieć czym są GANy, należy je porównać z algorytmami dyskryminującymi, którymi mogą być chociażby zwykłe głębokie sieci neuronowe DNN. Wprowadzenie do sieci neuronowych przeczytasz w tym artykule, a więcej informacji o konwolucyjnych sieci neuronowych znajdziesz tutaj).

Dla przykładu skorzystajmy z problemu przewidzenia tego czy dany e-mail to spam czy nie. Słowa składające się na treść e-maila są zmiennymi, które wskazują na jedną z etykiet: spam, nie spam. Algorytm dyskryminujący na podstawie wektora danych wejściowych (słowa występujące w danej wiadomości są przekształcane na reprezentacje matematyczną) uczy się przewidywać jak bardzo dany e-mail jest spamem, tzn. wyjściem dyskryminatora jest prawdopodobieństwo jak bardzo dane wejściowe są spamem, zatem uczy się relacji pomiędzy wejściem a wyjściem.

GANy działają dokładnie na odwrót. Zamiast przewidywać co reprezentują dane wejściowe próbują przewidywać dane mając etykietę. Dokładniej próbują one odpowiedzieć na pytanie: Zakładając, że ten e-mail to spam, jak prawdopodobne są te dane?

Wyrażając się bardziej precyzyjnie, zadaniem Generative Adversarial Networks jest rozwiązanie problemu modelowania generatywnego (z ang. generative modeling), który można zrobić na 2 sposoby (zawsze potrzebujemy danych o dużej rozdzielczości, np. obrazy lub dźwięk). Pierwszą możliwością jest estymacja gęstości – mając dużą ilość przykładów chcemy znaleźć funkcję prawdopodobieństwa gęstości, która je opisuje. Drugie podejście to stworzenie algorytmu, który nauczy się generować dane z tego samego zbioru danych treningowych (nie chodzi bynajmniej o tworzenie tych samych informacji a nowych, które mogłyby być nimi).

Jakie jest podejście GANów do modelowania generatywnego?

To podejście można porównać do gry, w którą gra dwóch agentów. Jeden z nich to generator, który próbuje tworzyć dane. Natomiast drugi to dyskryminator, który przewiduje czy te dane są prawdziwe czy nie. Celem generatora jest oszukanie drugiego gracza. Zatem z czasem, gdy obie stają się coraz lepsze w swoim zadaniu jest on zmuszony generować dane, które są jak najbardziej podobne do danych treningowych.

Jak wygląda proces uczenia?

Pierwszy agent – czyli dyskryminator (jest on jakąś różniczkowalną funkcją D, zazwyczaj siecią neuronową) dostaje na wejście jedną z danych treningowych (np. zdjęcie twarzy). Dalej nazywamy to zdjęcie x (jest to po prostu nazwa wejścia do modelu) i jego celem jest, aby D(x) było jak najbliższe 1 – co znaczy, że x jest prawdziwym przykładem.

Drugi agent – czyli generator (który też musi być różniczkowalną funkcją G, również jest zazwyczaj siecią neuronową) otrzymuje na wejście biały szum z (losowe wartości, które pozwalają mu na generowanie różnych, prawdopodobnych zdjęć). Następnie stosując funkcję G do szumu z otrzymujemy x (innymi słowy G(z) = x). Liczymy na to, że próbka x będzie dość podobna do oryginalnych danych treningowych, jednak ma pewnego rodzaju problemy jak np. zauważalne zaszumienie, co może pozwolić na rozpoznanie tej próbki jako fałszywy przykład przez dyskryminator. Kolejnym krokiem jest zastosowanie funkcji dyskryminującej D do fałszywej próbki x z generatora. Teraz celem D jest sprawienie, żeby D(G(z)) było jak najbliżej zera, natomiast celem G jest aby D(G(z)) było blisko jedynki.

Można to porównać do przykładu fałszerzy pieniędzy oraz policji. Policjanci chcą, aby społeczeństwo mogło posługiwać się prawdziwymi banknotami bez możliwości bycia oszukanymi oraz wykryć te fałszywe, a następnie usunąć je z obiegu i ukarać przestępców. W tym samym czasie fałszerze chcą oszukać policję i używać stworzone przez siebie pieniądze. Co za tym idzie – obydwa środowiska, policjantów oraz złodziei, uczą się wykonywać swoje zadanie coraz lepiej.

Zakładając, że przykładowe możliwości policjantów i fałszerzy, czyli dyskryminatora i generatora są nieograniczone to punkt równowagi tej gry jest następujący: generator nauczył się tworzyć idealne dane, których nie da się rozróżnić, co za tym idzie wynik dyskryminatora to zawsze 0.5 – to znaczy nie potrafi on powiedzieć czy dana próbka jest prawdziwa czy nie.

Jakie są zastosowania GANów?

Sieci te przede wszystkim są szeroko wykorzystywane do operacji nad obrazami. Nie jest to ich jedyne zastosowanie, ponieważ równie dobrze można ich używać do jakiegokolwiek rodzaju danych.

Na przykład sieć DiscoGAN potrafi przetransferować styl lub wzór z jednej dziedziny (np. torebki) do innej (np. buta). Również umie ze szkicu przedmiotu wygenerować prawdopodobny obraz (jest wiele sieci, które to też potrafią, jedną z nich jest Pix2Pix). Jest to jedno z częstszych zastosowań GANów, tzw. Style Transfer. Innymi przykładami tego zastosowania jest np. sieć CycleGAN, która zwykłe zdjęcie potrafi przemienić w obraz Van Gogha, Moneta, itd. Pozwalają one także na generowanie zdjęć z opisu (sieć StackGAN) oraz potrafią zwiększać rozdzielczość obrazów (sieć SRGAN).

Przydatne materiały

[1] Goodfellow I., Improved Techniques for Training GANs, https://arxiv.org/abs/1606.03498
2016, https://arxiv.org/pdf/1609.04468.pdf

[2] Chintala S., How to train a GAN, https://github.com/soumith/ganhacks

[3] White T., Sampling Generative Networks, School of Design, Victoria University of Wellington, Wellington

[4] LeCun Y., Mathieu M., Zhao J., Energy-based Generative Adversarial Networks, Department of Computer Science, New York University, Facebook Artificial Intelligence Research, 2016, https://arxiv.org/pdf/1609.03126v2.pdf

Bibliografia

[1] Goodfellow I., Tutorial: Generative Adversarial Networks [online], „NIPS”, 2016, https://arxiv.org/pdf/1701.00160.pdf
[2] Skymind, A Beginner’s Guide to Generative Adversarial Networks (GANs) [online], San Francisco, Skymind, dostęp: 31.05.2019
[3] Goodfellow, Ian, Pouget-Abadie, Jean, Mirza, Mehdi, Xu, Bing, Warde-Farley, David, Ozair, Sherjil, Courville,Aaron, and Bengio, Yoshua. Generative adversarial nets. InAdvances in Neural Information Processing Systems, pp. 2672–2680, 2014
[4] LeCun, Y., What are some recent and potentially upcoming breakthroughs in deep learning?, „Quora”, 2016, dostęp: 31.05.2019, https://www.quora.com/What-are-some-recent-and-potentially-upcoming-breakthroughs-in-deep-learning
[5] Kim T., DiscoGAN in PyTorch, dostęp: 31.05.2019, https://github.com/carpedm20/DiscoGAN-pytorch

Sztuczna inteligencja w coraz większym tempie przybliża możliwości maszyn do ludzkich. Duże zainteresowanie zagadnieniem sprawia, że w ostatnich latach wiele dziedzin nauki zaliczyło duży skok rozwojowy.

Jednym z celów sztucznej inteligencji jest umożliwienie maszynom obserwowania otaczającego je świata w sposób podobny do ludzkiego. Jest to możliwe poprzez zastosowanie sieci neuronowych. Sieci neuronowe to matematyczne struktury, które w swojej podstawie inspirują się naturalnymi neuronami znajdującymi się w nerwach i mózgu człowieka.

Z pewnością wielokrotnie doświadczyłeś obecności sieci neuronowych w życiu codziennym, przykładowo w:

• wykrywaniu i rozpoznawaniu twarzy na zdjęciach w smartfonie,
• rozpoznawaniu komend głosowych przez wirtualnego asystenta,
• autonomicznych samochodach.

Potencjał sieci neuronowych jest ogromny. Wymienione wyżej przykłady stanowią zaledwie ułamek obecnych zastosowań. Są one jednak związane ze szczególną klasą sieci neuronowych, zwanych konwolucyjnymi, CNN, bądź ConvNet (Convolutional Neural Networks).

Przetwarzanie obrazu a sieci neuronowe

Aby przybliżyć zagadnienie konwolucyjnych sieci neuronowych, skoncentrujemy się na ich najczęstszym zastosowaniu, czyli przetwarzaniu obrazu. CNN to algorytm, który może pobrać obraz wejściowy i sklasyfikować go wedle predefiniowanych kategorii (np. rasy psa). Jest to możliwe dzięki przypisaniu wag różnym kształtom, strukturom, obiektom.

Sieci konwolucyjne poprzez trening są w stanie nauczyć się, jakie cechy szczególne obrazu pomagają w jego klasyfikacji. Ich przewagą nad standardowymi sieciami głębokimi jest większa skuteczność w wykrywaniu zawiłych zależności w obrazach. Jest to możliwe dzięki zastosowaniu filtrów badających zależności pomiędzy sąsiednimi pikselami.

Każdy obraz jest macierzą wartości, których liczba jest proporcjonalna do jego szerokości i wysokości w pikselach. W przypadku obrazów RGB obraz cechują trzy kolory podstawowe, więc każdy piksel reprezentują trzy wartości. Zadaniem ConvNet jest redukcja rozmiaru obrazu do lżejszej formy bez utraty wartościowych cech, czyli tych, które niosą informacje kluczowe dla klasyfikacji.

CNN złożona jest z dwóch kluczowych warstw. Pierwszą z nich jest warstwa konwolucyjna.

Warstwa konwolucyjna

Powyższa animacja przedstawia obraz RGB oraz poruszający się po nim filtr o rozmiarze 3x3x3 i zdefiniowanym kroku. Krok to wartość w pikselach, o którą przesuwa się filtr. Może zostać zastosowany „zero padding”, czyli wypełnienie zerami (białe kwadraty). Taki zabieg pozwala na zachowanie większej ilości informacji, kosztem wydajności.

Kolejne wartości macierzy wyjściowej obliczane są w następujący sposób:

• mnożenie wartości w danym fragmencie obrazu przez filtr (po elementach),
• sumowanie obliczonych wartości dla danego kanału,
• sumowanie wartości dla każdego kanału z uwzględnieniem biasu (w tym przypadku równego 1).

Warto zwrócić uwagę, że wartości filtru dla danego kanału mogą się od siebie różnić. Zadaniem warstwy konwolucyjnej, w przypadku pierwszej warstwy, jest wyodrębnienie cech, takich jak krawędzie, kolory, gradienty. Kolejne warstwy sieci – korzystając z tego, co wyznaczyły poprzednie warstwy – mogą wykrywać coraz bardziej skomplikowane kształty. Analogicznie do warstw zwykłej sieci, po warstwie konwolucyjnej występuje warstwa aktywacyjna (najczęściej funkcja ReLU), wprowadzająca nieliniowość do sieci.

Wynik konwolucji z każdym z filtrów możemy interpretować jako obraz, a wiele takich obrazów powstałych poprzez konwolucję z wieloma filtrami to obraz o wielu kanałach. Obraz RGB to coś analogicznego – składa się z 3 kanałów, po jednym dla każdego z kolorów. Wyjście warstwy konwolucyjnej to nie są jednak kolory, lecz pewne „koloro-kształty”, które każdy z filtrów sobą reprezentuje. Odpowiada również za redukcję szumu. Najpopularniejszą metodą jest „max pooling”.

Zazwyczaj stosuje się wiele filtrów, przez co warstwa konwolucyjna, zwiększa głębokość, czyli liczbę kanałów obrazu.

Warstwa łącząca

Kolejna warstwa, nazywana łączącą ma za zadanie zmniejszenie pozostałych wymiarów obrazu (szerokości i wysokości), przy zachowaniu kluczowych informacji potrzebnych np. do klasyfikacji obrazu.

Operacja łączenia przebiega w sposób zbliżony do stosowanego w warstwie konwolucyjnej. Definiowany jest filtr oraz krok. Kolejne wartości macierzy wyjściowej są maksymalną wartością objętą filtrem.

Wymienione warstwy stanowią razem jedną warstwę sieci konwolucyjnej. Po zastosowaniu wybranej ilości warstw otrzymana macierz zostaje „spłaszczona” do jednego wymiaru – wymiary szerokość i wysokość są stopniowo zastępowane przez wymiar głębokości. Wynik warstw konwolucyjnych stanowi wejście do kolejnych warstw sieci, zazwyczaj takich standardowych, w pełni połączonych (ang. Dense Layers). Pozwala to na nauczenie algorytmu nieliniowych zależności pomiędzy cechami wyznaczonymi przez warstwy konwolucyjne.

Ostatnią warstwą sieci jest warstwa Soft-Max, pozwalająca na uzyskanie wartości prawdopodobieństw przynależności do poszczególnych klas (na przykład prawdopodobieństwo, że na obrazie znajduje się kot). W trakcie treningu są one porównywane z pożądanym wynikiem klasyfikacji w zastosowanej funkcji kosztu, a następnie poprzez algorytm wstecznej propagacji sieć dostosowuje swoje wagi w celu zminimalizowania błędu.

Konwolucyjne sieci neuronowe są ważnym elementem rozwoju uczenia maszynowego. Przyczyniają się do postępu automatyzacji i pozwalają rozszerzyć ludzkie zdolności percepcji. Ich możliwości będą stale rosnąć wraz z mocą obliczeniową komputerów i ilością dostępnych danych.

Bibliografia

[1] https://medium.com/@raycad.seedotech/convolutional-neural-network-cnn-8d1908c010ab

[2] https://medium.com/@RaghavPrabhu/understanding-of-convolutional-neural-network-cnn-deep-learning-99760835f148

[3] https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53

Współczesny świat charakteryzuje nieustanny postęp technologiczny. Niemal codziennie można usłyszeć o nowych produktach, usługach, metodach itp. Bardzo często używa się w stosunku do nich określenia „innowacyjny”. Słowo „innowacyjny” można odnieść również w stosunku do przedsiębiorstw, które coraz częściej określają się tym mianem. Co oznacza innowacyjność w przedsiębiorstwie i jak ją kreować, o tym więcej w dzisiejszym artykule.

Czym jest innowacyjność?

Pod pojęciem innowacyjności kryje się „zbiór kompetencji organizacji do nieustannego odkrywania źródeł innowacji, absorbcji innowacji z zewnątrz i generowania własnych innowacji, ich implementacji i dyfuzji (in. upowszechnienia). Mówiąc prościej, jest to umiejętność generowania nowych pomysłów, chęć ulepszania, tworzenia czegoś nowego, a następnie wdrażanie tych nowości i ich komercjalizacja. Innowacyjność przejawia się w nieszablonowym myśleniu, szukaniu rozwiązań i wyjściu poza ramy codziennej rutyny.

Zapewne każdy zna firmy takie jak Apple, Google czy Microsoft. Niewątpliwie są to firmy, które dzięki swojej innowacyjności odniosły ogromny, światowy sukces. Świadczy to o tym, że świat jest otwarty na innowacje, a zapotrzebowanie na nie jest coraz większe. Oznacza to również, że przedsiębiorstwa, które nie będą podążać drogą innowacji, mogą stracić swoją konkurencyjność, co w konsekwencji może doprowadzić do tego, że za kilka lat przestaną istnieć. Czy zatem firmy, które nie mają tak charyzmatycznego lidera jak Steve Jobs lub nie posiadają kapitału równego kapitałowi Google’a mają szansę stać się innowacyjnymi? Odpowiedź na to pytanie brzmi: TAK! Innowacyjność nie jest bowiem cechą wybrańców. Innowacyjność to postawa, którą każdy może w sobie ukształtować.

Podstawa to postawa

Niektórzy ludzie są urodzonymi innowatorami. Wymyślanie nowych pomysłów przychodzi im z niezwykłą łatwością. Co jednak z osobami, które spędzają godziny nad wymyśleniem czegoś nowego, podczas gdy efekty wciąż są niezadowalające? Dla takich osób mamy jedną radę: grunt to nastawienie! Innowacyjność bowiem to przede wszystkim postawa, którą można w sobie wypracować. Najważniejsze w byciu innowacyjnym to otwartość. To ona jest motorem do tworzenia innowacji. Nie wymyślimy bowiem nic nowego powtarzając codziennie te same czynności, zamykając się na jakikolwiek kontakt z otoczeniem.

Tu pojawia się kolejny ważny element w kreowaniu innowacyjności, mianowicie kontakt. Wiele pomysłów pochodzi z zewnątrz, są konsekwencją rozmów z innymi ludźmi. Dlatego tak ważne jest by spędzać z nimi czas, rozmawiać, poznawać ich opinie na różne tematy. W ten sposób możemy wyzwolić w sobie coś, co może skutkować nowymi pomysłami i rozwiązaniami. Dlatego też, chcąc kreować innowacyjność w przedsiębiorstwie, należy zacząć od zmiany swojego nastawienia.

„Architekci innowacyjności”

Kluczową rolę w kreowaniu innowacyjności w przedsiębiorstwie pełnią liderzy – nazwani „architektami innowacyjności” w książce o tym samym tytule autorstwa Thomasa Wedell-Wedellsborga i Paddy’ego Millera. Według autorów głównym zadaniem lidera jest stworzenie w przedsiębiorstwie kultury innowacyjności, tj. warunków, w których kreatywność będzie nieodłącznym elementem pracy każdego pracownika, niezależnie od zajmowanego stanowiska. Autorzy wskazują tu na popełniany często błąd, jakim jest chwilowa chęć stworzenia czegoś innowacyjnego. Organizuje się wówczas „burze mózgów”, wysyła pracowników na warsztaty, które zaowocować mają nowymi pomysłami. Często jednak efekty są zupełnie inne. Pracownicy wracają do pracy, w której codziennie wykonują to samo, przez co ich kreatywność jest zabijana. Dlatego też tak ważne jest wypracowanie kultury innowacyjności, która na co dzień będzie sprzyjała tworzeniu innowacji. Może się ona przejawiać w sposobie organizacji pracy, wyrobieniu nowych nawyków, praktyk i rytuałów, które będą pomocne w wyzwalaniu nowych pomysłów.

Kolejnym zadaniem, jakie stoi przed kadrą zarządzającą jest umiejętność motywowania i wspierania swoich pracowników. Lider powinien być dla swojego zespołu przewodnikiem, który potrafi wzbudzić w nim kreatywność i zmobilizować go do generowania nowych pomysłów. W tym celu autorzy książki stworzyli „kanon pięciu podstawowych zachowań innowacyjnych”, do których należą: koncentracja, kontakt, modyfikacja, selekcja oraz dyplomacja. Wszystkie te zachowania powinny być wspierane przez wytrwałość we wprowadzaniu innowacyjności na co dzień. Wprowadzenie w firmie tzw. „modelu 5+1” wpływa znacząco na ukształtowanie wśród pracowników postawy innowacyjności. Dzięki niemu tworzenie nowych pomysłów nie będzie jednorazowym działaniem, ale na stałe wpisze się w system firmy.

Zarządzanie innowacyjnością

Innowacje nabierają coraz większego znaczenia. W wielu przedsiębiorstwach tworzone są osobne działy zajmujące się działaniami innowacyjnymi firmy. Dlatego też ważnym aspektem w kreowaniu innowacyjnego przedsiębiorstwa jest wprowadzenie w nim procesu zarządzania innowacyjnością.

Poniższy rysunek prezentuje cztery filary, z których powinien składać się proces zarządzania innowacyjnością według Instytutu Innowacyjności Polska.

Pierwszym i najważniejszym filarem w zarządzaniu innowacyjnością jest diagnoza. Przez diagnozę rozumie się określenie dotychczasowego poziomu innowacyjności firmy, a także analizę jej środowiska pod względem zdolności do tworzenia innowacji. Diagnozę można przeprowadzić samemu, bądź zlecić firmie zewnętrznej tzw. audyt innowacyjności.

W drugim kroku należy stworzyć strukturę organizacyjną oraz procesy, które umożliwią wdrożenie w firmie procesu tworzenia innowacyjnych pomysłów.

Kolejnym krokiem jest generowanie nowych pomysłów, a także zarządzanie procesem realizacji danych projektów.

Ostatni filar zarządzania innowacyjnością stanowi określenie sposobu finansowania innowacji. Źródła finansowania mogą pochodzić zarówno ze źródeł wewnętrznych, jak i zewnętrznych (dotacje, inwestorzy itp.).

Proces zarządzania innowacyjnością jest konieczny, jeśli przedsiębiorstwo chce skutecznie realizować innowacje. Umożliwia on efektywne nadzorowanie realizacji innowacji, pozwala mierzyć stopień innowacyjności firmy, czy też kontrolować wydatki ponoszone w tym obszarze. Wprowadzenie w firmie tego procesu pokazuje, jak wysoką rangę stanowią w niej innowacje.

Podsumowanie

Bez wątpienia innowacje to temat, który nabiera coraz większego znaczenia. Wysoki poziom informatyzacji i postępu technologicznego sprawia, że zapotrzebowanie na innowacje jest coraz większe. Dlatego też, aby utrzymać się na rynku, firmy powinny podążać drogą innowacyjności i kształtować w sobie tę cechę. Istotną rolę w tym procesie odgrywa lider, który jako „architekt innowacyjności” ma za zadanie stworzyć w przedsiębiorstwie system, który na co dzień będzie wyzwalał w pracownikach kreatywne pomysły. Dodatkowo powinien on być swego rodzaju przewodnikiem, który motywuje swój zespół do twórczego działania. Kreowanie innowacyjności w przedsiębiorstwie jest zatem nieustannym procesem realizowanym każdego dnia. Istnieją jednak rozwiązania, które wspierają zarządzanie procesami, takie jak produkt Data Engineering. Wykorzystuje on nowoczesne technologie IoT do zbierania i analizowania informacji w konsekwencji umożliwiając podejmowanie szybkich i trafnych decyzji w firmie.

Bibliografia

[1] https://www.instytutinnowacyjnosci.pl/

[2] http://it-manager.pl/kultura-innowacyjnosci/

[3] Miller P., Wedell-Wedellsborg T., „Architekci Innowacyjności”

W ostatnich latach temat sieci neuronowych w obszarze IT oraz zagadnienia sztucznej inteligencji stał się bardzo popularny. Sieci neuronowe nie są nowym pojęciem, ponieważ wykorzystywano je już w latach 60-tych XX. Ich prawdziwy rozwój nastąpił jednak już w XXI wieku ze względu na ogromny postęp w świecie technologii oraz zakres stosowanych innowacji w wielu obszarach życia człowieka. Sieci neuronowe są jednym z obszarów, z których składa się sztuczna inteligencja (AI). Zainteresowanie sieciami neuronowymi stale rośnie niejako wymuszając dzięki temu ich ciągły rozwój i udoskonalanie.

Charakterystyka

Chcąc opisać sposób działania sieci neuronowych warto odwołać się (w pewnym uproszczeniu) do sposobu działania systemu nerwowego człowieka. Pomimo ogromnego postępu i stosowania innowacyjnych rozwiązań dzisiejsze sieci nie są w stanie działać na równi tak jak ludzki mózg. Natomiast można prognozować, że w mniej lub bardziej odległej przyszłości taki poziom zaawansowania będą w stanie osiągnąć. Sieci neuronowe opierają się strukturach matematycznych, które za pomocą dedykowanych algorytmów oraz elementów przetwarzających (sztuczne neurony) wykonują przedstawione przed nimi operacje.

Budowa sieci neuronowych i sposób działania

Sieć neuronowa składa się z określonej liczby neuronów. Najprostszą siecią neuronową jest percepton, który składa się wyłącznie z jednego sztucznego neuronu. Do takiego perceptonu dociera pewna liczba danych wejściowych. Dane te mają przypisane wagi, które określają jak duży wpływ na końcowy wynik ma konkretny parametr. Tak przygotowany zestaw danych jest następnie sumowany, a suma jest wprowadzana na wejście funkcji aktywacji. Taki algorytm odpowiada (przyjmując oczywiście pewne uproszczenia) działaniu neuronu ludzkiego, gdzie „wejścia” neuronu są z różną wagą „sumowane”. Funkcja aktywacji natomiast odwzorowuje tę właściwość ludzkiego neuronu, że „uaktywnia” się on tylko wtedy, gdy suma przekroczy pewną wartość.

Zastosowanie sieci neuronowych

Wraz z rozwojem zagadnienia sztucznej inteligencji rozwijają się także same sieci neuronowe. Niewątpliwą zaletą sieci jest to, że mają szerokie pole do zastosowania, a także posiadają nieograniczone możliwości do dalszego rozwoju. Kolejnym atutem sieci neuronowych jest to, że doskonale radzą sobie w pracy z ogromnymi zbiorami danych, gdzie człowiek nie radzi sobie w sposób efektywny. Mało tego, są w stanie dostosować się do pojawiających się nowych zmiennych, z którymi zwykłe programy dostępne na rynku sobie nie radzą. Polem do rozwoju jest umiejętność pracy sieci na podstawie danych uszkodzonych lub dostępnych we fragmentach. Sieci neuronowe wykorzystuje się w coraz większej liczbie obszarów życia, a przede wszystkim w finansach, medycynie czy technologii. Sieci neuronowe będą się pojawiać sukcesywnie w obszarach, które wymagają działań związanych z przewidywaniem, klasyfikowaniem oraz sterowaniem. Znajdą swoje zastosowanie wszędzie tam gdzie potrzebne są rozwiązania oparte na tworzeniu scenariuszy lub podejmowaniu decyzji na bazie wielu zmiennych.

Więcej o sieciach neuronowych przeczytasz w tym artykule.

Bibliografia

[1] http://businessinsider.com.pl/technologie/czym-sa-sieci-neuronowe/pwtfrsy

[2] http://pclab.pl/art71255-2.html