A mesterséges intelligencia (MI) algoritmusok fejlesztésének egyik alapfeltétele a jó minőségű adatforrás. Minél összetettebb egy rendszer, annál több mérésre lehet szükség ahhoz, hogy a MI pontos modellt tudjon készíteni. A mérési folyamat azonban időigényes lehet, ráadásul egy rendszer vizsgálatakor nem minden mérési pont biztonságos.
A Bosch Research erre a kihívásra fejlesztette ki a Safe Active Learning módszert, amelynek segítségével a mesterséges intelligencia nemcsak tanul az adatokból, hanem maga is képes meghatározni azt, hogy mi legyen a következő mérés. Persze mindezt az előre meghatározott biztonsági korlátok figyelembevételével.
Nem minden mérés egyformán hasznos
Egy villanymotor vagy más összetett műszaki rendszer vizsgálatakor hagyományosan előre meghatározott mérési terv alapján gyűjtik az adatokat. Ez biztosítja, hogy a rendszer működési tartományának különböző pontjairól rendelkezésre álljon megfelelő mennyiségű és minőségű adat. Ehhez azonban jelentős mennyiségű mérésre lehet szükség.
A Bosch csapata forradalmi eredményeket ért el, ami a jövőben alaposan felgyorsíthatja a villanymotorok fejlesztését
Ráadásul előfordulhat, hogy egyes mérési pontok közel vannak a rendszer fizikai határaihoz. Egy túl magas hőmérséklet, rezgés vagy más kritikus üzemi állapot például a teszt megszakításához vezethet.
A Safe Active Learning más megközelítést alkalmaz. Az algoritmus a korábban begyűjtött adatok alapján folyamatosan frissíti a rendszerről alkotott modellt, majd megkeresi azt a következő mérési pontot vagy mérési pályát, amely várhatóan a legtöbb új információt szolgáltatja, anélkül, hogy átlépné a biztonsági határokat.
Ha a módszert egyszerű megközelítés szerint vizsgáljuk, akkor működése egy folyamatos körforgásként képzelhető el.
- Első lépésként az algoritmus megtervezi a következő mérési pályát. Ehhez figyelembe veszi, mit tud már a vizsgált rendszerről, és mely területeken vannak még hiányzó információi.
- Második lépésként a kiválasztott mérés automatikusan lefut a tesztpadon. A rendszer elvégzi a vizsgálatot, majd az eredményeket visszaküldi az algoritmusnak.
- Harmadik lépésként az új adatok bekerülnek az AI-modellbe. A modell így pontosabbá válik, és ennek alapján már a következő, még informatívabb mérési pontot tudja kiválasztani.
A folyamat tehát újra és újra megismétlődik: mérés, tanulás, döntés, újabb mérés.
A biztonság nem utólagos ellenőrzés
A módszer egyik legfontosabb sajátossága, hogy a biztonság, mint kiemelt szempont folyamatosan jelen van.
A Bosch kutatói olyan valószínűségi modelleket alkalmaznak, amelyek nemcsak azt becsülik meg, hogyan viselkedik a rendszer egy adott ponton, hanem a bizonytalanságot is képesek figyelembe venni. A rendszer így megtanulhatja, hol találhatók a biztonságos és a nem biztonságos működési tartományok határai.
Ez különösen fontos egy tesztpadon működő villamos gép esetében. Ha egy mérés túllép egy előre meghatározott hőmérsékleti vagy rezgési határt, a tesztpad leállhat, majd lehűlési vagy újraindítási időre lehet szükség. A Safe Active Learning célja éppen az ilyen felesleges megszakítások elkerülése.
Nemcsak gyorsabb, hanem okosabb is lehet
A Bosch Research szerint a módszer egyik fontos előnye, hogy jelentősen csökkentheti a mérési ciklusokhoz szükséges időt. A tesztpadok így hatékonyabban használhatók, akár éjszaka vagy hétvégén is, ráadásul akár emberi felügyelet nélkül.
A megközelítés különösen érdekes az elektromobilitás fejlődésében. A villanymotorok és hajtásrendszerek működésének modellezése során nagy mennyiségű, jó minőségű adatra van szükség. Ha azonban az algoritmus képes eldönteni, hogy melyik mérésből tanulhat a legtöbbet, akkor nem kell minden lehetséges mérési pontot végigvizsgálni.
A Bosch becslései szerint a mesterséges intelligencia-modellek tanítása a korábbi hetek helyett akár órák alatt is elvégezhető lesz.
Bár a villamos gépek egyszerűnek tűnnek, rengeteg paraméter befolyásolja a hatékonyságukat. Ezek jelentős részét pedig módosíthatjuk úgy, hogy az adott feladathoz végül ideális legyen
Mérnök és algoritmus együtt dolgoznak
A Safe Active Learning nem azt jelenti, hogy a mesterséges intelligencia átveszi a mérnökök szerepét. A szakemberek továbbra is meghatározzák a rendszer alapvető működési korlátait és biztonsági feltételeit. Az algoritmus ezek között keresi meg azt a mérési stratégiát, amely a lehető legtöbb hasznos információval szolgál.
Ez jól mutatja, hogyan változik az MI szerepe a fejlesztésben. Nem csupán kész adatok elemzésére használható, hanem aktív résztvevővé válhat a tudás megszerzésének folyamatában.
Nemcsak az időtényező rövidül, hanem a biztonság is új szintre emelhető a tanulásra képes algoritmusnak köszönhetően
A Safe Active Learning egyszerre szól a mesterséges intelligenciáról, az automatizálásról és a biztonságról. A Bosch Research fejlesztése pedig egy olyan jövőt vetít előre, amelyben a tesztpadok nem egyszerűen végrehajtják a mérnökök által előre megtervezett vizsgálatokat, hanem az adatok alapján maguk is képesek egyre jobb kérdéseket feltenni, majd válaszokat találni.
