یادگیری ماشین و کاربرد آن در صنایع

تحلیل مقادیر بسیاری داده بر اساس الگوریتم‌های پیچیده یادگیری ماشین به قابلیت‌های محاسباتی قابل توجهی نیاز دارد. بنابراین، بسیاری از پردازش‌های داده در مراکز داده یا زیرساخت‌های مبتنی بر شبکه‌ی ابری انجام می‌شود. از سوی دیگر، با روی کار آمدن دستگا‌ه‌های کم‌مصرف و قدرتمند اینترنت اشیا، محاسبات بر خود دستگاه‌هایی همچون ربات‌ها قابل اجرا است و نیازی به مرکز داده و شبکه‌های ابری نیست. هدف نهایی این است که استفاده از ویژگی‌های یادگیری ماشین در برنامه‌های کاربردی مختلف، آسان‌تر و امکان‌پذیرتر از گذشته باشد. در این راستا، شرکت‌ها تلاش می‌کنند امکان استفاده از یادگیری ماشین در کمترین زمان و بدون نیاز به اتصال آنلاین به شبکه‌ی ابری را فراهم کنند. در این مقاله، به معرفی صنایعی می‌پردازیم که بیشترین بهره را از پیاده سازی یادگیری ماشین می‌برند. با مجله‌ی فناوری‌های توان‌افزا و پوشیدنی همراه باشید.

یادگیری ماشین و کاربرد آن در صنایع

برای نمونه هم‌اکنون، تمرکز شرکت مایکروسافت بر فناوری یادگیری ماشین است. این افزایش دسترسی به جای شبکه‌ی ابری، با اجرای مستقیم الگوریتم‌های یادگیری ماشین همچون شبکه عصبی کانولوشن (CNN) بر دستگاه‌های اجراکننده‌ی برنامه‌های کاربردی امکان‌پذیر می‌شود. به این نوع دستگاه‌ها « دستگاه‌های لبه» (Edge Devices) گفته می‌شود. ساعت‌های هوشمند، فناوری پوشیدنی مبتنی بر شتاب‌سنج یا ژیروسکوپ، میکروفون‌های ثابت و یا دوربین‌ ربات متحرک از جمله دستگاه‌های لبه هستند. دستگاه‌های لبه مزیت‌ها و معایب خود را دارند. نگرانی‌های حریم خصوصی در دوربین‌ها و یا شارژ منظم فناوری‌های پوشیدنی از معایب آن‌ها به شمار می‌روند.

یادگیری ماشین در مراقبت‌های بهداشتی و سلامت

تقاضا برای تجزیه و تحلیل داده در دستگاه‌هایی که نیاز به تحلیل فوری و آنی داده‌ها است، در حال افزایش است. بخش مراقبت‌های ویژه بخشی است که از یادگیری ماشین و دستگاه‌های لبه سود می‌برد. پردازش داده به صورت فوری برای سیستم‌های حلقه بسته بخش مراقبت ویژه در راستای حفظ پارامترهای فیزیولوژیکی بدن همچون سطح قند خون یا فشار خون در محدوده معین موردنیاز است. با پیشرفت الگوریتم‌های یادگیری ماشین و سخت‌افزار، پارامترهای پیچیده‌تری مانند ریتم قلبی و فعالیت‌های عصبی قابلیت نظارت و تجزیه و تحلیل خواهند داشت.

حوزه هوش محدوده‌ای (Ambient Intelligence)

حوزه‌ی دیگری که یادگیری ماشین در آن کاربرد دارد، هوش محدوده‌ای (AmI) گفته می‌شود. هوش محدوده‌ای به دستگاه‌های الکترونیکی لبه گفته می‌شود که نسبت به حضور افراد حساس و پاسخگو هستند. این مفهوم، تعامل میان افراد و محیط را بهبود خواهد داد. هوش محدوده‌ای چشم‌اندازی در مورد آینده لوازم الکترونیک مصرفی، مخابرات و رایانش است. با وجود هوش محدوده‌ای، ابزارها در هماهنگی با یکدیگر به صورتی کار می‌کنند که به افراد در انجام فعالیت‌ها، وظایف و مناسبات روزمره‌شان کمک می‌کنند. این هماهنگی با اینترنت اشیاء محقق می‌شود.

برای مثال، نظارت بر فعالیت‌های روزمره سالمندان نمونه‌ای از AmI است. هدف اصلی محیط هوشمند برای کمک به سالمندان، شناسایی رویدادهای غیرطبیعی مثل افتادن یا آتش‌سوزی و انجام اقدامات فوری و تماس با اورژانس است.

یادگیری ماشین و اتوماسیون صنعتی

ارزش یادگیری ماشین و دستگاه‌های لبه در صنعت نفت و گاز ومعدن آشکار است. در چنین صنایعی که دور از شهرها و در مناطق دور پیاده‌سازی می‌شوند و ارتباط و تعامل با چنین محیط‌هایی دشوار است، دستگاه‌های لبه اهمیت به سزایی دارند. حسگرهای موجود در دستگاه‌های لبه می‎‌توانند حجم بسیاری داده را ثبت و اطلاعات مهمی همچون فشار پمپ‌ها و پارامترهای عملیاتی را پیش‌بینی کنند.

نگهداری و بازرسی ماشین‌آلات

در روش‌های سنتی، برای نگهداری و بازرسی ماشین‌آلات کارخانه‌ها برای مدت زمانی آن‌ها را غیرفعال می‌کردند و سپس بازرسی کامل را انجام می‌دادند. با این وجود این روش ناکارآمد و هزینه‌براست. در روش‌های جایگزین، از حسگرهای تعبیه شده بر ماشین‌آلات در راستای بررسی ماشین بهره می‎برند. از تصویر، ویدیو، صدا برای شناسایی الگوی مشخص‌کننده خرابی تجهیزات استفاده می‌شود و با کمک یادگیری عمیق، خرابی آن‌ها در آینده تعیین می‌شود. بنابراین بسیاری از هزینه‌های غیر ضروری کاهش و عمر تجهیزات افزایش می‌یابد.

نتیجه‌گیری

به دلیل کمبود حافظه و منابع محاسباتی دستگاه‌های لبه، آموزش حجم بزرگ داده در این دستگاه‌ها امکان‌پذیر نیست. بنابراین، مدل‌های یادگیری عمیق، در مراکز داده قدرتمند یا شبکه‌ی ابری آموزش داده می‌شوند و سپس در دستگاه‌های لبه پیاده‌سازی می‌شوند. بهبود الگوریتم‌های یادگیری ماشین، بهبود سخت‌افزار و ابداع الگوریتم‌های آموزش توزیع شده از جمله اقداماتی است که می‌توان در جهت افزایش کارآیی دستگاه‌های لبه انجام داد. دستگاه‌های اینترنت اشیا با یکدیگر تعامل می‌کنند و داده‌ها را به اشتراک می‌گذارند. افزون بر این، پبشرفت مخابرات ۵G سبب افزایش پهنای باند، بالا بردن اطمینان و تاخیر کم ارتباطات خواهد شد.


بیشتر بخوانیم:

>>هفت زمینه‌ی جذاب برای هوش مصنوعی در سال ۲۰۲۰
>>هوش مصنوعی و اندازه گیری گلوکز خون با داده های ECG
>>هفت موضوع داغ مهندسی در سال ۲۰۲۰


منبع: therobotreport

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوری‌های توان‌افزا و پوشیدنی) مجاز است»

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *