Если вы недавно были знакомы с новостями, вы, вероятно, знаете, что искусственный интеллект (ИИ) вызывает волну почти во всех отраслях, создавая новые возможности для взаимодействия человека с машиной. ИИ часто изображают как всемогущую технологию, которая в конечном итоге возьмет на себя работу, которую в настоящее время выполняют люди, - но это далеко не так.

В то время как традиционное программное обеспечение должно следовать четкому алгоритму принятия решений, определенному разработчиками, машинное обучение (которое является наиболее популярным типом ИИ) работает иначе. Он обрабатывает большой объем данных и организует их в сложную структуру взвешенных отношений, которые затем использует для принятия решений. Проще говоря; он учится на собственном опыте. Это дает значительное преимущество, когда отношения между различными источниками данных сложны и нетривиальны, а при наличии достаточного количества данных обычно получается хорошая модель. Но это также главный недостаток ИИ; его полное понимание мира исходит из набора данных, которым он предоставляется - который всегда ограничен, - что означает, что ИИ хорош настолько, насколько хорош данные, на которых он обучается.

Так что же можно сделать?

Один из способов минимизировать влияние этого недостатка - предоставить алгоритму огромное количество примеров, охватывающих множество сценариев. Фактически, есть компании, которые именно этим и занимаются - они нанимают людей, которые вручную маркируют данные для своих алгоритмов для обучения. Например, когда Google захотел создать программное обеспечение на основе искусственного интеллекта, которое фильтрует экстремистский контент на YouTube, он нанял тысячи сотрудников для ручного просмотра и маркировки миллионов видео.

Однако этот метод грубой силы не создает реального интеллекта. Какое решение? Люди. Мы должны играть более активную роль в разработке программного обеспечения ИИ; выйти за рамки простого создания помеченных данных для различных случаев и фактически определить общие правила и рекомендации, которым программное обеспечение должно следовать, когда оно учится на данных. Это позволяет программному обеспечению выполнять значительно более точную экстраполяцию данных, охватывая гораздо больший набор сценариев.

Вот пример: представьте, что вы строите алгоритм, который определяет, есть ли на данном изображении кошка. Вы тренируете алгоритм на огромном количестве изображений кошек, пока не будете уверены, что теперь владеете лучшим алгоритмом обнаружения кошек. Однажды ваш друг-художник отправляет вам фотографию своего любопытного кота, который каким-то образом залился краской Ballerina Pink. Полные уверенности, вы прогоняете изображение через свой алгоритм, только чтобы получить разочаровывающий результат: «Not Cat». Стоя в замешательстве, вы вспоминаете, что ни на одном из ваших обучающих образов не было изображения розовой кошки, что привело алгоритм к выводу, что розовый объект не является кошкой. Постепенно вы понимаете, что если бы вы внедрили в свой алгоритм некоторые предварительные знания, сказав ему игнорировать цвет при классификации изображений, кошка вашего друга не была бы неправильно классифицирована. Мы называем это реализацией знаний предметной области.

Пример из реальной жизни - AlphaGo от Google; программное обеспечение AI, которое победило чемпиона мира в китайской настольной стратегической игре «Go». Это невероятное достижение стало возможным только благодаря многолетнему развитию и постоянному вкладу профессионального игрока в го (г-на Фань Хуэй, 3-кратного чемпиона Европы по го), который принял активное участие и сыграл решающую роль в обучении AlphaGo. Г-н Хуэй неоднократно тестировал AlphaGo, выявляя его слабые стороны и определяя необходимые изменения в нейронной сети.

Применение этих принципов к автомобильной

При рассмотрении решений ИИ для автомобильной промышленности важно помнить о важности знания предметной области. Автомобильные системы могут быть чрезвычайно сложными, работать немного по-разному, с течением времени или в разных условиях окружающей среды. Поэтому, как и в примерах классификатора кошек и AlphaGo, эффективное решение AI для автомобильной промышленности должно включать техническое понимание автомобильных систем в алгоритм машинного обучения.

Например, одним из источников данных, который чрезвычайно полезен при обнаружении проблем с роторными системами, такими как коробки передач и трансмиссии, является NVH (шум, вибрация и резкость). В то время как хорошее универсальное решение могло бы включать этот источник данных в свои модели, только решение, ориентированное на автомобильную промышленность, могло бы выполнить определенные манипуляции с ним до этого. Acerta, например, использовала данные о вибрации для прогнозирования отказа коробки передач, но сеть не просто принимала временные ряды в качестве входных данных. Специалисты по обработке данных, разработавшие модель, включили этап, на котором алгоритм извлекает порядки из значений сигнала в частотной области - этап, который был критическим фактором в успешном прогнозировании этих сбоев.

Знание предметной области также имеет решающее значение для того, чтобы придать смысл результатам. Хорошим примером является одно из тематических исследований Acerta, в котором мы помогли клиенту проанализировать загадочную проблему, возникшую во время конечного тестирования, когда видеопоток информационно-развлекательной системы случайным образом отключился. Наш алгоритм определил, что проблема была вызвана системой передачи - предположительно, странный диагноз, но короткое расследование показало, что действительно определенные переключения передач вызывали электромагнитные помехи, которые влияли на видеосвязь.

Существуют различные другие способы использования знаний предметной области, такие как выбор различных структур для нейронной сети, выбор ее функции стоимости (какие системные условия хуже других), понимание распределения различных входных параметров и многое другое. После того, как все эти элементы установлены, модели могут «учиться» и развиваться независимо по мере введения новых данных, создавая постоянно улучшающуюся модель, тем самым создавая гораздо более полезное решение.

Итак, что дальше?

Нет никаких сомнений в том, что ИИ является технологией следующего поколения, которая улучшит производственные процессы. Однако, как отвертка является значительно лучшим инструментом для заворачивания винта, чем молоток, так и предметно-ориентированный ИИ является значительно лучшим инструментом для выявления или прогнозирования сбоев, чем обычный ИИ. Если вы производитель автомобилей и оцениваете решения ИИ, первым делом убедитесь, что они включают знания предметной области.