Tạo văn bản tự động trong email, nhận dạng giọng nói, phân tích hình ảnh y tế, tô màu ảnh cũ, quảng cáo trực tuyến được cá nhân hóa, máy tính chơi game chiến lược và nhận dạng khuôn mặt để mở điện thoại di động của bạn đều là những ví dụ về cách trí tuệ nhân tạo đang làm cho cuộc sống của chúng ta dễ dàng hơn một chút, thú vị hơn một chút, đáng sợ hơn một chút và nói chung là thú vị hơn. Và cũng không khác gì trong tự động hóa nhà máy, nơi trí tuệ nhân tạo trong sản xuất đang thúc đẩy các phương pháp tiếp cận mới đối với các ứng dụng kiểm tra phức tạp và đầy thách thức.
Các ứng dụng dựa trên AI này được thúc đẩy bởi Deep learning, dựa trên công việc của mạng nơ-ron.
Mạng nơ-ron được đề xuất lần đầu tiên vào năm 1944 bởi Warren McCullough và Walter Pitts, hai nhà nghiên cứu của Đại học Chicago, những người đã chuyển đến MIT vào năm 1952 với tư cách là thành viên sáng lập của bộ phận đôi khi được gọi là khoa học nhận thức đầu tiên.
Mạng nơ-ron là gì?
Về cơ bản, mạng nơ-ron là các chương trình máy tính được thiết kế để mô phỏng cách hoạt động của bộ não con người. Mỗi chương trình trong mạng nơ-ron chỉ có thể thực hiện các phép tính cơ bản. Nhưng bằng cách kết nối nhiều nút với nhau, sức mạnh tính toán của toàn bộ trở nên lớn hơn tổng các bộ phận của nó. Khi mạng nơ-ron truyền dữ liệu đầu vào từ chương trình này sang chương trình khác trong hệ thống, mạng nơ-ron đang tự đào tạo và sử dụng dữ liệu đó để trở nên thông minh hơn - tương tự như cách con người học thông tin.
Mạng nơ-ron, do đó, đã trở thành phương pháp để máy tính học cách thực hiện các nhiệm vụ nhất định, chẳng hạn như nhận dạng một khuôn mặt cụ thể trên các bức ảnh khác nhau hoặc xác định con chó là gì hoặc không phải từ một tập hợp ảnh tham chiếu của những con chó.
Bob Ochiai, Giám đốc tiếp thị sản phẩm học sâu tại Cognex cho biết: “Mạng nơ-ron là nền tảng xây dựng lên Deep learning. Mạng nơ-ron và deep learning vẫn chỉ là công cụ để con người tạo ra các ứng dụng thông minh hơn cho phép chúng ta làm việc hiệu quả hơn và giải quyết các ứng dụng cụ thể, phức tạp trong hầu hết các thiết lập.”
Mỗi chương trình trong mạng nơ-ron được gọi là một nơ-ron, và các nơ-ron này được kết nối với một số lượng nơ-ron khác ngẫu nhiên. Kết nối giữa các nơ-ron càng mạnh và hiệu quả thì mạng nơ-ron sẽ hoạt động càng tốt. Quá trình tạo kết nối giữa các nơ-ron trong mạng nơ-ron được gọi là Training - Đào tạo.
Khi dữ liệu được truyền qua từng lớp của mạng nơ-ron, hệ thống sẽ đào tạo và tinh chỉnh đầu ra của mình để chính xác hơn tại nhiệm vụ cụ thể mà nó được thiết lập để giải quyết. Ví dụ, trong môi trường tự động hóa nhà máy, mạng nơ-ron có thể được sử dụng để giải quyết việc phát hiện lỗi phức tạp hoặc xác định các bất thường của sản phẩm khác mà không thể tạo chương trình dựa trên quy tắc.
Cách hệ thống học tập là thông qua ba phương pháp:
Học có giám sát: Chiến lược học tập này đơn giản nhất, vì có một tập dữ liệu được dán nhãn mà máy tính sẽ xem xét và thuật toán sẽ được sửa đổi cho đến khi nó có thể xử lý tập dữ liệu để có được kết quả mong muốn.
Học không có giám sát: Chiến lược này được sử dụng trong các trường hợp không có tập dữ liệu được dán nhãn nào có sẵn để học hỏi. Mạng nơ-ron phân tích tập dữ liệu và sau đó một hàm chi phí sẽ cho mạng nơ-ron biết nó đã đi chệch mục tiêu bao xa. Sau đó, mạng nơ-ron sẽ điều chỉnh để tăng độ chính xác của thuật toán.
Học tăng cường: Trong thuật toán này, mạng nơ-ron được củng cố cho kết quả tích cực và bị trừng phạt cho kết quả tiêu cực, buộc mạng nơ-ron phải học hỏi theo thời gian.
Tác động của mạng nơ-ron đối với việc kiểm tra sản xuất
Giả sử một công ty phụ tùng ô tô muốn xác định các vết xước trên cản xe mà họ đang sản xuất. Không có cách nào để xác định vị trí xuất hiện vết xước tiềm ẩn trên cản xe. Việc tìm kiếm và xác định các vết xước không thể được lập trình hiệu quả vào ứng dụng thị giác máy tính do sự biến đổi liên quan - các vết xước có thể sâu hoặc nông, dài hoặc ngắn, xuất hiện ở bất kỳ vị trí nào trên bề mặt, v.v.
Việc tính đến sự biến đổi đó trở nên phức tạp - trừ khi, tất nhiên, có khả năng huấn luyện một ứng dụng để xác định một cản xe tốt trông như thế nào và sau đó đánh dấu bất kỳ cản xe nào nằm ngoài các thông số đó.
Bob Ochiai, Giám đốc tiếp thị sản phẩm Deep learning tại Cognex cho biết: “Phân tích hình ảnh deep learning, được hỗ trợ bởi mạng nơ-ron, sẽ giúp các công ty dễ dàng hơn trong việc tự động hóa các bài kiểm tra có thể thực sự phức tạp hoặc đầy thách thức với thị giác máy tính truyền thống. “Hãy nghĩ về việc xác minh lắp ráp, phần lớn vẫn được thực hiện bởi con người. Hoặc phát hiện lỗi là một ví dụ khác về nơi công nghệ này sẽ giúp các nhà sản xuất trong chiến lược tự động hóa của họ.”
Bài kiểm tra của một mạng nơ-ron là khả năng nhận dạng các mẫu mạnh mẽ của nó. Nhưng, như Ochiai lưu ý, mạng nơ-ron cần dữ liệu được dán nhãn chất lượng rất cao để đào tạo thành công các mô hình của nó. Và, để làm phức tạp vấn đề, nó cần rất nhiều và rất nhiều dữ liệu hình ảnh tham chiếu.
