Door: Redactie - 22 april 2022 |
De machinevisiegemeenschap is het erover eens dat artificial intelligence (AI) een belangrijke factor is voor het digitale tijdperk. De zelflerende algoritmen hebben het potentieel om bestaande machinelevisieprocessen en -producten te verbeteren en laten ook nieuwe mogelijkheden zien. Deze vereisen echter ook nieuwe manieren van denken. Maar veel bedrijven in de machinevisiesector hebben nog bedenkingen bij de nieuwe technologie. Er is een gebrek aan expertise en tijd om een gedetailleerd inzicht in het onderwerp te krijgen. Door de geringe controle- en certificatiemogelijkheden zijn de technologie en de conclusies ervan voor veel gebruikers moeilijk te begrijpen. Er is dus vaak een gebrek aan acceptatie en uitleg. Kunnen bedrijven de transparantie vergroten en de toetredingsdrempels verlagen? Of zijn artificial intelligence-methoden nog niet klaar voor industrieel gebruik en momenteel alleen een spel voor jonge start-ups?
Dit is een vraag die op het ogenblik vaak wordt besproken. Het antwoord ligt, zoals zo vaak, in het oog van de toeschouwer. Want elke gebruiker heeft andere verwachtingen van wat een technologie moet bereiken of brengen om te worden erkend en uiteindelijk gebruikt. In ieder geval is de nodige hardware voor productief en efficiënt gebruik beschikbaar. Veel fabrikanten van hardware voor machinevisie hebben dit ingezien. Het aanbod van AI-platforms in verschillende prestatieklassen groeit dan ook gestaag. Maar er zijn nog kinderziekten. Het aanbieden van hardware alleen is niet voldoende – een omslag in denken is noodzakelijk!
Het helpt niet dat AI of machine learning (ML) heel anders werkt dan regelgebaseerde beeldverwerking en dat dus ook de aanpak en verwerking van visietaken anders is. De kwaliteit van de resultaten is ook niet langer het product van handmatig ontwikkelde programmacode, maar wordt bepaald door het leerproces met geschikte beeldgegevens. Wat zo eenvoudig klinkt, leidt alleen met voldoende deskundigheid en ervaring tot het gewenste doel. Zonder een getraind oog voor de juiste gegevens treden vaak fouten op, die op hun beurt leiden tot een onjuiste toepassing van ML-methoden. Tests hebben uitgewezen dat verschillende gebruikers voor dezelfde taak zeer verschillende trainingskwaliteiten van de kunstmatige neurale netwerken (ANN) bereiken, omdat in sommige gevallen beelden met te veel onbelangrijke inhoud, slechte belichting, onscherpte of zelfs verkeerde labels werden gebruikt voor de training.
De kerncompetenties voor het werken met ML-methoden zijn niet langer dezelfde als voor regelgebaseerde beeldverwerking en moeten daarom specifiek worden opgebouwd. Degenen die nu de tijd en de middelen hebben om ermee te werken, te testen en te spelen, doen die ervaring op en kennen de valkuilen. Dat is waarschijnlijk de reden waarom op dit moment meer nieuwe en jonge bedrijven ermee werken. Zij hebben geen erfenis, zijn niet gebonden aan bestaande processen en wagen zich daarbij, soms speels en met veel exploratiedrang, aan taken waar de klassieke beeldverwerking tot nu toe zonder oplossing is gebleven. Maar zolang de grote spelers de nieuwe technologie nog niet over de hele linie bij de klant introduceren en zich er sterk voor maken, is er een gebrek aan kennis en vertrouwen – ook bij de klant.
Om de “oude rotten” uit hun comfortzone te halen, moet er iets veranderen. Artificial intelligence staat namelijk tegenover een gevestigd systeem, waarvoor in de afgelopen jaren geschikte omgevingsvoorwaarden zijn geschapen. Kennis, documentatie, opleiding, hardware, software, ontwikkelingsomgevingen, aanvaarding door de klant en vraag hadden een lange tijd nodig om te rijpen. AI daarentegen komt nog zeer rauw en puristisch over. Wie het onder de knie heeft, oogst bewondering en erkenning – maar ook vragende gezichten en onbegrip.
Er is geen gebrek aan geschikte hardware! Efficiënt werkende AI-versnellers maken de toepassingsmogelijkheden van ML bijzonder interessant voor kleine, low-power ingebedde vision-systemen of volledig geïntegreerde inferentie-cameraplatforms, zoals deze reeds door individuele fabrikanten worden aangeboden. Maar dat alleen lost de kinderziekten van de nieuwe technologie in de industrie niet op. De artificial intelligence moet worden getest, gevalideerd, opnieuw getraind en uiteindelijk worden geïntegreerd in een productieve workflow – de toepassing. Maar wie doet dat? Wie kan dat? Dit zijn eigenlijk allemaal dezelfde steeds terugkerende taken. Maar dit vereist andere competenties die verder gaan dan prototype-ontwikkeling. Meestal is daarvoor nog een systeemprogrammeur nodig die deze tools voor een specifiek platform kan programmeren.
IDS Imaging Development Systems kiest met het IDS NXT platform voor een andere aanpak en is vol vertrouwen: Met de juiste, op elkaar afgestemde tools kan elke gebruikersgroep het potentieel van een AI vision platform volledig benutten zonder veel tijd en geld te besteden aan het opbouwen van nieuwe kerncompetenties die eigenlijk niet absoluut noodzakelijk zijn voor het implementeren van hun eigen artificial intelligence toepassingen. Wat houdt dat in? Gespecialiseerde kennis voor het trainen van neurale netwerken en het programmeren van eigen toepassingen kan worden verpakt in de tools voor veel eenvoudige AI-workflows. Op die manier kan elke gebruiker zijn of haar individuele vereisten implementeren zonder een eigen team van specialisten te moeten samenstellen. De software stelt elke gebruikersgroep in staat de hulpmiddelen te gebruiken die passen bij hun respectieve taken en werkmethoden.
Een beeldverwerkingstoepassing is het kader dat verschillende specifieke individuele taken in een toepassingsspecifieke volgorde samenbrengt en bedoeld is om ze foutloos en efficiënt uit te voeren. Klassiek wordt deze taak door ontwikkelaars geprogrammeerd in een voor het platform geschikte programmacode, zoals C++. De situatie is niet zo anders voor de nieuwe artificial intelligence platforms die op de markt komen. Een SDK (Software Development Kit) biedt de nodige software-interfaces voor de hardwaregerelateerde programmering van het respectieve platform, samen met de bestaande AI-versnellers. In de meeste gevallen verschaft dit de ontwikkelaars van toepassingen een vrij programmeerbaar platform voor hun eigen procesoplossingen. Voor wie weet wat hij doet, vormen alleen de hardwareprestaties en de SDK’s een beperking van de creativiteit. De IDS NXT-inferentiecamera is ook een open platform voor ontwikkelaars die hun eigen beeldverwerkingstoepassingen willen ontwerpen in de vorm van vision-apps met de AI-versneller deep ocean, dankzij een bijbehorende SDK met veel C++-broncodevoorbeelden.
Ondanks de bekende voordelen van het zien van AI en de hoge nauwkeurigheid van de gebruikte ANN, is de diagnose in geval van een storing vaak moeilijk. Gebrek aan inzicht in de werking ervan of onverklaarbare resultaten zijn de keerzijde van de medaille, die de verspreiding van algoritmen afremt. Vaak worden ANN’s ten onrechte gezien als een zwarte doos waarvan de beslissingen niet te begrijpen zijn. “Hoewel DL-modellen ongetwijfeld complex zijn, zijn het geen zwarte dozen. In feite zou het nauwkeuriger zijn om ze glazen dozen te noemen, omdat we letterlijk naar binnen kunnen kijken en kunnen zien wat elke component doet.” [Citaat uit “The black box metaphor in machine learning”].
Inferentiebeslissingen van neurale netwerken zijn niet gebaseerd op klassieke logische regels en de complexe interacties van hun kunstmatige neuronen zijn misschien niet gemakkelijk te begrijpen voor mensen, maar ze zijn niettemin resultaten van een wiskundig systeem en dus reproduceerbaar en analyseerbaar. Het ontbreekt ons alleen aan de juiste instrumenten om ons daarbij te helpen. Het is juist op dit gebied van artificial intelligence dat er nog veel ruimte voor verbetering is. En juist hier wordt duidelijk hoe goed de verschillende AI-systemen op de markt de gebruiker kunnen ondersteunen in zijn streven.
IDS onderzoekt en werkt op dit gebied samen met instituten en universiteiten om juist deze tools te ontwikkelen. De IDS NXT ocean software bevat reeds de resultaten van deze samenwerking. Een visualisatie in de vorm van zogenaamde attention maps (heat maps) maakt het eenvoudiger om kritische beslissingen van de artificial intelligence te begrijpen, om uiteindelijk de acceptatie van neurale netwerken in de industriële omgeving te vergroten.
Het kan ook worden gebruikt om getrainde data biases te herkennen en te vermijden (zie figuur “Attention Maps”). Statistische analyses met behulp van een zogenaamde confusion matrix zullen binnenkort ook mogelijk zijn, zowel in de cloud-gebaseerde trainingssoftware IDS NXT lighthouse als in de IDS NXT camera zelf, om de kwaliteit van de getrainde ANN gemakkelijker te kunnen bepalen en begrijpen. Met behulp van deze softwaretools kunnen gebruikers het gedrag en de resultaten van hun IDS NXT AI directer herleiden tot zwakke plekken binnen de trainingsdataset en deze gericht corrigeren. Dit maakt AI verklaarbaar en begrijpelijk voor iedereen.
Lees ook:
Dit artikel delen op je eigen website? Geen probleem, dat mag. Meer informatie.
IndustrieVandaag is een onafhankelijk platform met het laatste nieuws van vandaag over de procesindustrie, industrial processing, productie industrie, maakindustrie en elektronica industrie.
Neem contact met ons op:
Tel +31 (0)23 737 07 63
Email via contactpagina
