Zien, verstaan en evalueren van AI vision

13 juni

AI vision, dat wil zeggen beeldverwerking met kunstmatige intelligentie, is een veelbesproken onderwerp. Maar op veel gebieden, zoals industriële toepassingen, is de nieuwe technologie nog niet volledig doorgedrongen, zodat empirische waarden op lange termijn ontbreken. Hoewel er enkele ingebedde vision-systemen op de markt zijn waarmee AI in industriële omstandigheden kan worden gebruikt, aarzelen veel exploitanten van faciliteiten nog om een van deze platforms aan te schaffen en hun toepassingen te upgraden. Hoewel AI al baanbrekende nieuwe mogelijkheden heeft laten zien waar regelgebaseerde beeldverwerking geen regels meer heeft en tot nu toe zonder oplossing is gebleven. Dus wat weerhoudt de nieuwe technologie ervan zich sneller te verspreiden?

AI of machine learning (ML) werkt heel anders dan de klassieke, op regels gebaseerde beeldverwerking. Hierdoor verandert ook de aanpak en afhandeling van beeldbewerkingstaken. De kwaliteit van de resultaten is niet langer het product van een handmatig ontwikkelde programmacode door een beeldverwerkingsdeskundige, zoals vroeger het geval was, maar wordt bepaald door het leerproces van de neurale netwerken die met geschikte beeldgegevens worden gebruikt. Maar niet iedereen heeft de tijd of de mankracht om zich van nul af aan in het onderwerp in te lezen en nieuwe sleutelcompetenties op te bouwen voor het werken met methoden voor machine learning.

(Niet) een zwarte doos

Als rationeel denkend mens zou men ook graag willen weten hoe AI vision werkt. Maar zonder herkenbare, begrijpelijke uitleg zijn resultaten moeilijk te evalueren. Vertrouwen in een nieuwe technologie is gebaseerd op vaardigheden en ervaring die soms in de loop van jaren moeten worden opgebouwd voordat men weet wat een technologie kan, hoe zij werkt, hoe zij moet worden gebruikt en ook hoe zij moet worden bestuurd.

Wat de zaak nog ingewikkelder maakt, is het feit dat de AI vision zich afspeelt tegen een gevestigd systeem, waarvoor in de afgelopen jaren geschikte omgevingsvoorwaarden zijn geschapen met kennis, documentatie, opleiding, hardware, software en ontwikkelingsomgevingen. AI daarentegen komt nog steeds erg rauw en puristisch over, en ondanks de bekende voordelen en de hoge mate van nauwkeurigheid die met het zien van AI kan worden bereikt, is het vaak moeilijk om fouten te diagnosticeren. Het gebrek aan inzicht in de manier waarop het werkt of onverklaarbare resultaten zijn de keerzijde van de medaille, die de uitbreiding van de algoritmen afremt.

De werking van neurale netwerken wordt daarom vaak ten onrechte gezien als een zwarte doos waarvan de beslissingen niet te begrijpen zijn. Inferentiebeslissingen van neurale netwerken zijn niet gebaseerd op klassieke begrijpelijke regels, en de complexe interacties van hun kunstmatige neuronen zijn voor mensen misschien niet gemakkelijk te begrijpen, maar ze zijn niettemin resultaten van een wiskundig systeem en dus reproduceerbaar en analyseerbaar. Het enige dat (nog) ontbreekt, zijn de juiste instrumenten om ons te ondersteunen. Er is nog veel ruimte voor verbetering op dit gebied van AI. Hieruit blijkt hoe goed de verschillende AI-systemen op de markt de gebruikers kunnen ondersteunen bij hun inspanningen.

 advertorial 

The waves of Agile - Value delivery in medium and large organizations

Derk-Jan de Grood creëerde een rijke bron van kennis voor Agile-coaches en -leiders. Met praktische tips om een ​​lerende organisatie te creëren die kwalitatieve oplossingen levert met zakelijke waarde. Order 'The waves of Agile' hier.

Software maakt AI verklaarbaar

Daarom doet IDS Imaging Development GmbH op dit gebied onderzoek en werkt het samen met instituten en universiteiten om juist deze hulpmiddelen te ontwikkelen. Het IDS NXT AI vision systeem bevat reeds de resultaten van deze samenwerking. Statistische analyses met behulp van een zogenaamde confusion matrix maken het mogelijk om de kwaliteit van een getraind neuraal netwerk te bepalen en te begrijpen. Na het trainingsproces kan het netwerk worden gevalideerd met een vooraf bepaalde reeks beelden waarvan de resultaten reeds bekend zijn. Zowel de verwachte resultaten als de daadwerkelijk door inferentie bepaalde resultaten worden in een tabel vergelijken. Zo wordt duidelijk hoe vaak de testobjecten voor elke getrainde objectklasse juist of onjuist werden herkend. Uit deze hitpercentages kan dan een algemene kwaliteit van het getrainde CNN worden gegeven. Bovendien laat de matrix duidelijk zien waar de herkenningsnauwkeurigheid nog te laag zou kunnen zijn voor productief gebruik. De reden hiervoor wordt echter niet aangegeven.

Dit is waar de aandachtskaart om de hoek komt kijken, die als een soort heat map de gebieden of beeldinhouden laat zien die de meeste aandacht van het neurale netwerk krijgen en zo de beslissingen beïnvloeden. Tijdens het trainingsproces in IDS NXT-lighthouse wordt de aanmaak van deze visualisatievorm geactiveerd op basis van de tijdens de training gegenereerde beslissingspaden, zodat het netwerk tijdens de analyse van elk beeld een dergelijke heat map kan genereren. Dit maakt het gemakkelijker om kritieke of onverklaarbare beslissingen van de AI te begrijpen, waardoor uiteindelijk de acceptatie van neurale netwerken in industriële omgevingen toeneemt.

Het kan ook worden gebruikt om gegevensvertekeningen op te sporen en te vermijden, waardoor een neuraal netwerk tijdens de inferentie onjuiste beslissingen zou nemen. Dit komt omdat een neuraal netwerk niet vanzelf slim wordt. Input van slechte kwaliteit leidt tot output van slechte kwaliteit. Een AI-systeem is – om patronen te herkennen en voorspellingen te doen – afhankelijk van gegevens waaruit het ‘correct gedrag’ kan leren. Als een AI wordt ingebouwd onder laboratoriumomstandigheden met gegevens die niet representatief zijn voor latere toepassingen, of erger nog, als de patronen in de gegevens vooringenomenheden weerspiegelen, zal het systeem die vooringenomenheden aanpassen.

We staan nog maar aan het begin

Op de juiste manier gebruikt, heeft AI vision het potentieel om veel vision-processen te verbeteren. Maar het leveren van hardware alleen is niet genoeg om de industrie over de hele linie met AI te besmetten. Fabrikanten staan voor de uitdaging om gebruikers te ondersteunen door hun expertise te delen in de vorm van gebruikersvriendelijke software en ingebouwde processen. In vergelijking met best practices, die zich in de loop der jaren hebben ontwikkeld en een trouwe klantenbasis hebben opgebouwd met veel documentatie, kennisoverdracht en veel softwaretools, is er voor AI nog een flinke inhaalslag te maken, maar die is al wel in ontwikkeling.

Ook wordt er momenteel gewerkt aan standaarden en certificeringen om de acceptatie en uitlegbaarheid verder te vergroten en AI naar de grote tafel te brengen. IDS helpt daarbij. Met IDS NXT is nu al een embedded AI-systeem beschikbaar dat met een uitgebreide en gebruiksvriendelijke softwareomgeving door elke gebruikersgroep snel en eenvoudig als industrieel gereedschap kan worden ingezet – ook zonder diepgaande kennis van machine learning, beeldverwerking of applicatieprogrammering.

Dit artikel is tot stand gekomen in nauwe samenwerking met IDS Imaging Development.