• Vsebine

    Vsebine

04/10/2017

1 UVOD

Leta 2010 se je skupina neodvisnih strokovnjakov s področja znanosti in tehnologije, ki svetuje predsedniku Združenih držav Amerike, dotaknila napredka na področju programske opreme [1]. Trditev, da je napredek na področju algoritmov prekosil Moorov zakon (slika 1), ki govori o podvajanju števila komponent na integriranem vezju na vsaki dve leti, je velikokrat vzeta iz konteksta. V resnici sta napredek na področju strojne in programske opreme močno prepletena. Dober primer takšnega napredka je razvoj principov in metod za globoko učenje. Razvoj učinkovitih algoritmov za učenje na zmogljivih grafičnih karticah je hkrati prinesel razvoj namenske strojne opreme, ki je specializirana prav za to problemsko domeno.

Z napredkom in trendi na področju strojnega vida kot ključne omogočitvene tehnologije industrije 4.0 se je ukvarjal Skvarč v delu [3]. Izgubi industrijske dodane vrednosti v vrednostni verigi je sledil odgovor Evrope z obsežnim investicijskim programom katere del je prav tako projekt GOSTOP. Internet stvari (angl., IoT – internet of things) je eden izmed znanilcev prihoda četrte industrijske revolucije. Vsesplošna povezljivost med realnim in virtualnim svetom bo omogočala izjemno fleksibilnost proizvodnje v ne tako oddaljeni prihodnosti. Na valu vsesplošne povezljivosti bo sledil razvoj novih poslovnih modelov. Skvarč osvetli trende na področju strojnega vida skozi tri smiselno povezana področja: optične in električne gradnike, programsko opremo in uporabniško izkušnjo ter nove in napredne primere uporabe.

Graf Moorovega zakon

Slika 1: Graf Moorovega zakon, ki prikazuje podvajanje števila komponent integriranega vezja na vsaki dve leti (levo), in prirejena verzija, ki prikazuje število kalkulacija na sekundo pri konstantni vrednosti ameriškega dolarja, katere avtor je futurist in eden izmed vodilnih znanstvenikov na področju umetne inteligence pri podjetju Google, Ray Kurzweil (desno). Zadnjih nekaj točk na grafu pripada grafičnim procesnim enotam podjetja Nvidia [2].

2 TRENDI

Gartnerjev cikel popularnosti novih tehnologij opisuje različne faze razvoja posamezne tehnologije [4, 5]. Kljub medijski pozornosti ima prihod nove tehnologije na trg le redko že pravo aplikativno vrednost. Ko tehnologija doseže vrh pričakovanja z medijskimi zgodbami o uspehu in neuspehu, sledi upad popularnosti, ki je bolj kot ne faza spoznanja, da ni vse zlato, kar se sveti. Temu sledi nadaljnji razvoj tehnologije, ki ga preživijo le resnično uspešne, ki na koncu preidejo v širšo praktično uporabo.

Računalniški oziroma strojni vid je močno prepleten z nekaterimi porajajočimi tehnologijami, ki jih lahko vidimo na grafih na sliki 2. Med tistimi, ki so še v zgodnji fazi, opazimo med drugim brezpilotna letala, naprave IoT, pametne robote, strojno učenje in avtonomna vozila.

V naslednjih desetih letih lahko pričakujemo nadaljevanje povečevanja računske moči, raznovrstne generatorje neskončne množice podatkov, nepredstavljiv napredek na področju globokega učenja. Doba pametnih naprav bo povsem spremenila področje tehnologije strojnega vida. V ospredje bodo prišla podjetja s pametnimi napravami za zajem vizualnih in drugih podatkov in izkoriščanje teh za izboljševanje lastnih procesov ali nudenje storitev zainteresiranim kupcem. Porajajoče tehnologije bodo tako na valu interneta stvari na novo definirale koncepte strojnega vida kot ga poznamo danes.

Gartnerjev cikel popularnosti novih tehnologij v letu 2016 (levo), študija cikla popularnosti interneta stvari v letu 2016 (desno)

Slika 2: Gartnerjev cikel popularnosti novih tehnologij v letu 2016 (levo), študija cikla popularnosti interneta stvari v letu 2016 (desno) [4, 5].

2.1 Vgradne naprave

Prodor interneta stvari je prinesel tudi pospešen razvoj raznovrstnih cenovno dostopnih vgradnih naprav. Napredek na tem področju se kaže v povezljivosti in zmogljivosti. Na eni strani imamo preproste večfunkcijske senzorje, kot je L-TEK-ov FireFly, na drugi strani zmogljive pametne kamere, kot je Roseekov Woodpecker.

Pomemben faktor pri razvoju novih senzorjev in kamer ter njihove programske opreme so večkrat zanemarjeni uporabniški vmesniki. Uporabniki smo danes vajeni dobro izpiljenih aplikacij na mobilnih telefonih in spletu. Uporabniški vmesniki bodo morali biti lični, preprosti, hkrati pa omogočati intuitiven način za hitro doseganje želenih rezultatov.

Tradicionalni sistemi strojnega vida so sestavljeni iz para kamera-računalnik. Med seboj morajo biti povezani s hitrimi povezavami z nizkimi latencami. Večanje zmogljivosti pametnih senzorjev bo omogočilo, da se bo vsaj delna, če ne celotna, obdelava in analiza vršila že na sami vgradni napravi. Skladno s tem je ključno, da proizvajalci programske opreme poskrbijo, da lahko njihova programska koda teče na različnih procesorskih arhitekturah (x86, x64, ARM).

Nenazadnje pa je pomembno razumevanje razvoja programske opreme. Kar se je zdelo še pred petimi leti misija nemogoče, lahko danes praktično opravimo s pametnim mobilnim telefonom.

2.2 Odprta koda

Velik trend je razvoj različnih odprtokodnih programskih rešitev, ki segajo vse od operacijskih sistemov (Ubuntu, Debian, CentOS, Fedora), knjižnic za računalniški vid in robotiko (OpenCV, SimpleCV, ImageMagick, CCV, PCL - Point Cloud Library, ROS - Robot Operating System) do orodij za strojno in globoko učenje (Weka, Orange, scikit-learn, Tensorflow, Theano, Caffe).

Odprtokodni projekti na eni strani omogočajo lažji vstop novim igralcem na trg z nišnimi produkti, na drugi strani pa omogočajo obstoječim ponudnikom hitrejše in cenejše širitve na še ne osvojene trge. Odprtokodno skupnost in produkte med drugim podpirajo največji igralci v IT sektorju. Gre za podjetja kot so Google, Intel, IBM in Microsoft. Razširjena uporaba odprtokodnih rešitev hkrati zagotavlja, da so to izpiljeni in robustni programski paketi.

2.3 Strojno in globoko učenje

Čedalje hitrejši razvoj metod globokega učenja pomeni odmik od klasičnega pristopa načrtovanja kompleksnih značilnic in uporabe ene izmed standardnih metod strojnega učenja (npr. metode podpornih vektorjev). Na valu zmogljivih grafičnih kartic je v porastu uporaba konvolucijskih nevronskih mrež. Te najdemo v mnogih različnih aplikacijah kot so prepoznava obrazov, zaznavanje in klasifikacija objektov v slikah, nadzor vožnje avtonomnih vozil, ali bolj industrijsko specifičnih kot prepoznava in klasifikacija napak pri proizvodnji jekla [6]. Že danes lahko na trgu najdemo programske pakete, ki izkoriščajo moč globokega učenja (perClass, Halcon, ViDi Suite, Squeeze brains Retina).

Da so storitve strojnega in globokega učenja na področju računalniškega vida v oblaku prisotne med nami že danes, priča ponudba velikih podjetij preko različnih programskih vmesnikov. Med temi lahko najdemo Amazon (Machine Learning Rekognition), Microsoft (Face API, Emotion API, Computer Vision API, Content moderator), IBM (Visual Recognition) in Google (Cloud Vision Api). Podrobnosti o posameznih paketih navajamo v tabeli 1.

Tabela 1: Programska orodja za računalniški vid v oblaku

Programska orodja za računalniški vid v oblaku

2.4 Poslovni modeli

Napredek na področju programske opreme in razširjenost sistemov strojnega vida v industrijskih okoljih sta ključna faktorja, da je danes mogoče izkoriščati pridobljene podatke za namen učečih se sistemov strojnega vida. V prihodnjih letih bo zanimivo opazovati kako se bodo tradicionalni igralci na področju strojnega vida prilagodili na nove razmere na trgu. Vseprisotnost množice kamer in senzorjev ponuja priložnosti za razvoj novih poslovnih modelov, ki temeljijo predvsem na razvoju novih programskih platform.

Prve korake so na tem področju naredili velikani kot so Amazon, Microsoft, IBM in Google. V prihodnosti bodo sledili tradicionalni in novi ponudniki rešitev strojnega vida kot storitve v oblaku. Množica cenovno dostopnih senzorjev ali prilagoditev obstoječih sistemov bo posredovala podatke na analizo v oblak.

Tipičen sistem optične kontrole zahteva temeljito načrtovanje postavitev kamer in principov osvetljevanja. Prenos kompleksnega in natančno premišljenega sistema bodo v prihodnosti lahko nadomestili preprostejši sistemi, ki se bodo zanašali na napredne storitve strojnega vida v oblaku na podlagi kompleksnih modelov globokega učenja. Ti bodo po zmogljivosti sorodni ali celo prekašali zmogljivost človeškega vida.

Problem pridobivanja podatkov za potrebe nadzorovanega učenja lahko že danes rešujemo s pomočjo platforme LabelMe, ki jo je mogoče pognati na platformi Amazon Mechanical Turk za najem delovne sile. Tako lahko problem anotacije podatkovnih zbirk preprosto prenesemo na množico zunanjih sodelavcev. Prav tako je danes mogoče izkoristiti platforme kot je Kaggle, da pridemo do kompleksnih rešitev na področju strojnega in globokega učenja, ki bi sicer zahtevale zaposlitev redke in drage delovne sile. Andrew Ng., vodja pri kitajskem podjetju Baidu Research, je dejal, da je danes največji problem pomanjkanje strokovnjakov s področje umetne inteligence.

Podjetja kot so Google, Facebook, Twitter, so že zdavnaj ugotovila, da so podatki ključ do uspeha. Ob prehodu panoge strojnega vida v storitveno in nastanek samo učečih se sistemov bo bolj pomembno lastništvo podatkov kot kakšne metode ima podjetje na voljo.

3 Zaključek

Napredek na področju razvoja strojne in programske opreme je nosilec razvoja področja strojnega vida. Na trg vstopajo nizkocenovne vgradne naprave, ki bodo v prihodnosti nadomeščale drage pametne kamere uveljavljenih proizvajalcev. Zmogljivost nekaterih že danes zadošča za srednje zahtevna opravila strojnega vida. Pri tem je ključno, da ponudniki orodja in rešitev razvijajo v smeri prenosljivih programskih platform.

Panoga bo na valu napredka prisiljena razvijati nove poslovne modele. Razširjenost sistemov strojnega vida že danes omogoča zbiranje gore podatkov za razvoj učečih se sistemov. Prvim ponudnikom računalniškega vida v oblaku se bodo v prihodnosti pridružili bolj specializirani servisi strojnega vida.

Pohod napredka v smeri popolne avtomatizacije in robotizacije v različnih industrijskih panogah bo povzročil tudi globoke in daljnosežne družbene spremembe. Oxfordska študija napoveduje izginotje 47% delovnih mest v Združenih državah Amerike v naslednjih 25 letih [7]. Tako kot je družba preživela prihod mehanizacije, masovne produkcije ter dobo računalništva in avtomatizacije, bo morala preživeti neločljivo povezanost kibernetičnega in fizičnega sveta prepletenega z novimi poslovnimi praksami.

Napredek na področju razvoja strojne in programske opreme je nosilec razvoja področja strojnega vida. Na trg vstopajo nizkocenovne vgradne naprave, ki bodo v prihodnosti nadomeščale drage pametne kamere uveljavljenih proizvajalcev. Zmogljivost nekaterih že danes zadošča za srednje zahtevna opravila strojnega vida. Pri tem je ključno, da ponudniki orodja in rešitev razvijajo v smeri prenosljivih programskih platform.

Panoga bo na valu napredka prisiljena razvijati nove poslovne modele. Razširjenost sistemov strojnega vida že danes omogoča zbiranje gore podatkov za razvoj učečih se sistemov. Prvim ponudnikom računalniškega vida v oblaku se bodo v prihodnosti pridružili bolj specializirani servisi strojnega vida.

Pohod napredka v smeri popolne avtomatizacije in robotizacije v različnih industrijskih panogah bo povzročil tudi globoke in daljnosežne družbene spremembe. Oxfordska študija napoveduje izginotje 47% delovnih mest v Združenih državah Amerike v naslednjih 25 letih [7]. Tako kot je družba preživela prihod mehanizacije, masovne produkcije ter dobo računalništva in avtomatizacije, bo morala preživeti neločljivo povezanost kibernetičnega in fizičnega sveta prepletenega z novimi poslovnimi praksami.

Avtor: Samo Šela

Nazaj

Vsak projekt je za nas nov izziv.

Kontaktirajte nas!
Copyright 2018 © Kolektor / Pravna obvestila Piškotki
Powered by PROGMBH