Met nieuwe technieken zoals Kunstmatige intelligentie (AI) niet alleen onze samenleving, maar ook de industrie staat voor een fundamentele verandering. Hoewel bedrijven, van het engineeringteam tot het senior management, de noodzaak erkennen om AI te implementeren in hun ontwerp- en ontwikkelingsprocessen, verloopt de daadwerkelijke implementatie van AI-technologieën traag.

De belangrijkste reden is dat velen niet precies weten hoe deze technologie efficiënt en winstgevend kan worden gebruikt. Dit is echter slechts een van de vele vragen die bedrijven zichzelf moeten stellen als ze AI willen gebruiken

Voorbij Alexa en autonoom rijden

Gezichtsherkenning op Facebook, machinevertalingen of autonoom rijden - kunstmatige intelligentie wordt al op veel gebieden gebruikt en geeft ons een kijkje in een toekomst waarin machines steeds belangrijkere taken op zich kunnen nemen.

Maar wat betekent kunstmatige intelligentie voor een ingenieur in een middelgroot bedrijf of voor een wetenschapper in een onderzoeksinstituut? De mogelijkheden zijn talrijk: met AI kunnen bijvoorbeeld nieuwe methoden voor voedselcontrole worden toegepast of kunnen de geologische eigenschappen van gesteente worden geanalyseerd om sneller, efficiënter en goedkoper tunnels te bouwen. In bijna alle gebieden van onderzoek en industrie kunnen AI-technologieën worden gebruikt om processen efficiënter te maken of om volledig nieuwe manieren te vinden om taken te beheersen.

Hoe kunstmatige intelligentie efficiënt wordt

Als men tegenwoordig over kunstmatige intelligentie praat, wordt in de meeste gevallen bedoeld dat een machine intelligent menselijk handelen kan imiteren - een definitie die bestaat sinds de introductie van de term AI in de jaren vijftig. De machine wordt echter pas interessant voor echt efficiënt gebruik als hij menselijke prestaties kan evenaren of zelfs overtreffen. Zo hebben wij mensen de mogelijkheid om repeterende taken uit handen te geven of computers dingen sneller, veiliger of met minder fouten te laten doen.

Hiervoor moeten machines worden getraind voor bepaalde taken. Traditioneel betekende dit het maken van een programma dat de gegevens verwerkt en vervolgens de gewenste output levert. Gebruik je machine learning – een wijdverspreide AI-techniek – dan is deze aanpak omgekeerd: je zorgt ervoor dat de machine alle belangrijke data krijgt en je specificeert de gewenste output. De computer schrijft er vervolgens het juiste programma voor. In sommige gevallen is alleen de invoer voldoende en maakt de machine een bijbehorend model.

Gegevens, resultaat, machine learning-model - er ontbreekt iets

Maar in de meeste gevallen zijn data, een gewenst resultaat en de mogelijkheid om een ​​machine learning-model te bouwen slechts een klein onderdeel van een applicatie. Wat bijvoorbeeld ontbreekt, is het hele proces van dataverzameling en -verwerking vooraf en vervolgens implementatie in een embedded systeem.

Dit wordt duidelijk aan de hand van het voorbeeld van een rijstrookassistentiesysteem: een machine learning-model herkent de rijstroken op de weg en kan ervoor zorgen dat een voertuig in zijn rijstrook blijft. Maar daarvoor moeten eerst gegevens van veel verschillende sensoren en camera's worden verzameld en gesynchroniseerd. Het systeem heeft ook informatie nodig over de snelheid en of het voertuig moet draaien. Deze gegevens moeten worden geanalyseerd en voorbewerkt - bijvoorbeeld om slecht belichte beelden of beeldvervormingen als gevolg van hevige sneeuwval te corrigeren.

Het algoritme voor rijstrookdetectie moet in simulaties worden geïntegreerd om te testen of het correct werkt. Het wordt vervolgens op een ingebouwde processor geïnstalleerd om in realtime in het voertuig te werken.

AI als onderdeel van een volledig volwassen ontwerpproces

Al deze taken zijn werkterreinen van ingenieurs en onderzoekers, zonder welke het AI-model niet zou werken. Dit betekent dat kunstmatige intelligentie slechts een van de vele stappen is, aan het einde waarvan er een intelligente machine is. In feite is het slechts een deel van de modelontwikkeling. Daarnaast kan het zinvol zijn om traditionele algoritmeontwikkeling of modellering en simulatie te gebruiken.

Als je de hele workflow bekijkt, zijn er nog een paar essentiële stappen, zoals het kunnen halen van data uit sensoren, documenten of databases en deze kunnen analyseren, onderzoeken en verwerken. Zodra het model is gemaakt, wordt het geïmplementeerd op desktop-apps, in datacenters en clouds of op embedded systemen.

Uiteindelijk is AI gewoon het zoveelste instrument dat we tot onze beschikking hebben om uitdagingen op een andere manier op te lossen of nieuwe uitdagingen aan te gaan. We willen laten zien dat AI laagdrempelig is voor ingenieurs en onderzoekers en dat ze het kunnen gebruiken in een workflow die ze gewend zijn, ook als ze geen speciale kennis op dit gebied hebben.

Fragment uit de keynote op de Matlab Expo