Машины, посещающие школу? Что в первый момент звучит как научная фантастика, стало реальностью на фирме Плассер & Тойрер. Наша группа разработчиков в настоящее время работает над обучающейся сенсорной системой на основе трехмерных сканов и учит ее автономному принятию решению. Используемый в этой связи метод: глубокое обучение (Deep Learning).

Система-ассистент для умной подбивки «PlasserSmartTamping – The Assistant» поддерживает оператора при управлении рабочими системами машин и, кроме того, представляет собой важный шаг на пути к автоматизации подбивочных машин. А самое интересное в этом: будущее поведение автоматической системы-ассистента не программируется статически заранее, а основывается, так сказать, на активном самообучении машины. Технология глубокого обучения, базирующаяся на ИИ, при этом оптимизирует анализ визуальных раздражителей и реакцию системы для принятия решения о действии.

Глубокое обучение в обработке изображений

Глубокое обучение является одним из видом контролируемого машинного обучения, причем компьютер получает комплект примеров для тренировки. Благодаря этим тренировочным данным он обретает способность реагировать правильно даже в таких случаях, которые не были включены в первоначально введенные данные. Проходя этап обучения, во время которого система производит многократные оценки, которые потом корректируются в ручном режиме, система постоянно совершенствует достигаемые результаты.

Процесс обучения оптимизирует способности системы. Таким образом точность системы, которая поэтапно увеличивалась на основе оценки тренировочных комплектов данных, достигает пригодности для использования при оценке иллюстративного материала реального окружения.

Принцип действия

Вычислительной системе задается объект в виде иллюстрации, после чего она должна решить, что это за представленный объект. Алгоритмы, на которых основывается процесс принятия решения, обладают способностью генерализации, благодаря которой нет необходимости заранее программировать каждый отдельный критерий для принятия решения. Таким образом с помощью опыта, полученного из обучения, прежде не знакомый объект соотносится классу, который был предметом предыдущего обучения.

Когда тренируется модель обучения, параметры, так называемые весовые коэффициенты сети, так адаптируются, чтобы определенный ввод (в данном случае - изображение) соотносился с определенным выводом (классом). Таким образом программа обретает способность нахождения собственных решений задач. Объектами могут быть, например, шпала, рельс, щебеночное основание, кабель или растение. Реакция ассистента в дальнейшем зависит от соответствующего объекта.

Глубокое обучение и нейронные сети

Глубокое обучение представляет собой форму обучения из области нейронных сетей. Такая сеть состоит из искусственных нейронов и ориентируется на принцип работы человеческого головного мозга. Нейронные сети подразделяются на плоские (англ. «Shallow Neural Networks») и глубоке сети (англ. «Deep Neural Networks»). Оба вида имеют так называемые скрытые слои (англ. «Hidden Layer»). В случае глубоких сетей таких слоев много, а в случае плоской сети - всего один. Глубокое обучение, то есть, нейронные сети с большим количеством скрытых слоев, здесь создает основу для чрезвычайного прогресса в распознавании образов: Базирующиеся на глубоком обучении сверточные нейронные сети (Convolutional Neural Networks, CNN) прямо-таки революционизируют классификацию образов и с момента своего внедрения позволили далеко шагнуть, в частности, в области компьютерного зрения («Computer Vision»). Возможности визуального распознавания сегодня в определенных областях уже превосходят человеческие возможности.