Kunstmatige intelligentie of things (AIoT): Waar AI en IoT elkaar ontmoeten

AI (artificial intelligence oftewel kunstmatige intelligentie) en IoT (internet of things) zijn al lange tijd prominente gebieden in de tech-industrie. Maar wat gebeurt er als deze twee gebieden samenkomen?

Wat is AIoT?

AIoT, of de kunstmatige intelligentie of things, transformeert de manier waarop we omgaan met verbonden apparaten. Maar om AIoT en de toepassingen ervan volledig te kunnen begrijpen, moeten we eerst weten wat kunstmatige intelligentie en het internet of things zijn.

Eenvoudige gesteld, is AI een vakgebied dat zich richt op de simulatie van menselijke intelligentie in machines. Zaken als gezichtsherkenningssystemen, zelfrijdende voertuigen en zelfs voorspellende tekst op je slimme apparaat zijn algemeen bekende voorbeelden van AI.

IoT verwijst naar de verzameling apparaten die met elkaar communiceren via het internet. Algemeen bekende IoT-hardwareapparaten zijn draagbare technologie, slimme apparaten voor in je huis en industriële sensoren die met de cloud zijn verbonden.

AIoT combineert AI met IoT om verbonden apparaten in staat te stellen informatie te verwerken en op te nemen. Dat kan op zijn beurt helpen om toekomstige patronen of gebeurtenissen te voorspellen zodat proactief kan worden gehandeld.

AIoT-toepassingen: hoe wordt AIoT gebruikt?

Er zijn veel toepassingen die al gebruik maken van AIoT. Enkele van de meest voorkomende subgebieden zijn echter beeldverwerking, machine learning en computerlingüistiek (NLP).

Beeldverwerking

Machine vision– en computer vision-toepassingen binnen AIoT worden vaak gebruikt voor beveiliging, kwaliteitscontrole en industriële veiligheid. AIoT-beeldverwerking werkt door parameters in het camerasysteem te definiëren zodat het afwijkingen kan detecteren en snel kan handelen. Neem bijvoorbeeld industriële veiligheid.

In een industriële setting moet een machine in staat zijn om veiligheidsrisico’s te identificeren en snel te reageren. Als het systeem een potentieel veiligheidsrisico identificeert, is er onvoldoende tijd om de gegevens naar een analysecentrum te versturen, waar de beslissing kan worden genomen. Er moet direct worden gehandeld.

Met machine vision en computer vision kunnen camera’s ter plekke mogelijke veiligheidsrisico’s identificeren op basis van patroonherkenningsalgoritmen. Als de camera’s een object waarnemen dat een veiligheidsrisico kan vormen (zoals een object of persoon te dicht bij de apparatuur), worden de machines automatisch stopgezet. Dit proces wordt ‘interferentie aan de edge’ genoemd. Met edge-interferentie kunnen machines real-time gegevens verwerken en beslissingen nemen. Dit alles in een fractie van de tijd die cloud computing nodig heeft om diezelfde beslissing te nemen. Als het om veiligheid gaat, telt elke milliseconde.

Beeldverwerkingssystemen kunnen ook worden geoptimaliseerd om persoonlijke beschermingsmiddelen, zoals veiligheidsvesten, -helmen en -brillen te detecteren. Als iemand zonder de nodige veiligheidsuitrusting een gevarenzone betreedt, voert het systeem de toegewezen taak uit, bijvoorbeeld de deur naar de gevarenzone gaat niet open, een machine wordt gestopt of een alarm wordt geactiveerd.

De hier afgebeelde OnLogic Karbon 803 biedt de connectiviteit en het verwerkingsvermogen die moderne beeldverwerkingstoepassingen nodig hebben.

Onze machine vision computers zijn ideaal voor industriële computer vision-toepassingen.

Machine Learning

Machine Learning in kunstmatige intelligentie richt zich op de optimalisatie van processen via algoritmen en gegevens. Het doel is dat het systeem zonder expliciete programmering in staat is om patronen in de gegevens te herkennen en conclusies te trekken. Een van de meest bekende toepassingen van machine learning is beeldherkenning. Door beeldgegevens te analyseren, kunnen beeldherkenningsoplossingen worden geprogrammeerd om mensen, voertuigen of objecten te identificeren.

De zeven stappen van machine learning zijn:

• Gegevens verzamelen
• De gegevens voorbereiden
• Een model selecteren
• Het model trainen
• Het model evalueren
• Parameters afstemmen
• Voorspellingen doen

Met deze stappen stelt machine learning systemen in staat om afbeeldingen in real-time te herkennen op basis van de gegevens die in het systeem zijn ingevoerd. Bekende voorbeelden van beeldherkenning in ons dagelijks leven zijn:

• Beeldherkenning voor zelfrijdende voertuigen. Zelfrijdende auto’s moeten in een oogwenk kunnen stoppen wanneer een voetganger de straat oversteekt, een dier voor de auto schiet, of voor een rood verkeerslicht of stopteken. Met beeldherkenning kunnen zelfrijdende voertuigen deze afbeeldingen in real-time verwerken en handelen op basis van hoe het systeem is geprogrammeerd. Zo waarschuwen sommige auto’s je als je van rijbaan verandert zonder richting aan te geven.
• Beeldherkenning voor de detectie van scheurtjes in een leiding of lekkage. Kleine scheurtjes in een leiding kunnen met het blote oog niet altijd worden waargenomen. De kleinste imperfectie in een leiding kan echter schade, kostbare uitvaltijd en zelfs letsel veroorzaken. Door machines te bewaken met beeldherkenning, kunnen defecten worden geïdentificeerd en snel worden verholpen.
• Beeldherkenningstoepassingen in de gezondheidszorg. Beeldherkenning in de gezondheidszorg kan worden gebruikt voor toepassingen als het vaststellen van breuken, hersentumoren, cardiovasculaire problemen en zelfs bepaalde soorten kanker.

Het Karbon 700-platform is een voorbeeld van een systeem dat de noodzakelijke aanpassingsopties kan bieden voor machine learning-projecten.

Onze Deep Learning Computers zijn ideaal voor complexe machine learning-toepassingen.

NLP

NLP, Natural Language Processing oftewel computerlinguïstiek, is een deelgebied van kunstmatige intelligentie. Het houdt zich bezig met de verwerking en het begrijpen van gesproken en geschreven menselijke taal. Er zijn twee stappen voor de verwerking van taalgegevens: het voorbewerken van gegevens en de ontwikkeling van algoritmen.

NLP wordt in diverse toepassingen gebruikt, waaronder:

• Gevoelsanalyse. Gevoelsanalyse kan worden gebruikt om klantreviews te analyseren en vast te stellen of de feedback positief of negatief is.
• Het genereren van natuurlijke taal. Een veelvoorkomende toepassing van het genereren van natuurlijke taal (Natural Language Generation of NLG) is klantondersteuning met behulp van chatbots.
• Intentieclassificatie. De analyse van klantinteracties met behulp van intentieclassificatie kan helpen bij de identificatie van klanten die mogelijk geïnteresseerd zijn in het kopen van een product.
• Machinevertaling. Veel online programma’s, zoals Google Translate en Systran, gebruiken machinevertalingen om teksten van de ene taal naar een andere te vertalen.

Uitdagingen en voordelen van AIoT

De convergentie van AI en het IoT brengt vele voordelen met zich mee in ons dagelijks leven. AIoT heeft echter ook een aantal uitdagingen die de implementatie lastig kan maken. Voordat je een AIoT-oplossing kiest, is het belangrijk dat je de voordelen, risico’s en beperkingen van de technologie kent.

Enkele grote voordelen die AIoT kan bieden, zijn:

• Verbeterde fysieke veiligheid in industriële omgevingen;
• Geautomatiseerde processen door middel van machine learning;
• Voorspellend onderhoud;
• Meer operationele efficiency;
• Verbeterd risicobeheer.

Een van de grootste potentiële risico’s met betrekking tot kunstmatige intelligentie is betrouwbaarheid. Neem de gezondheidszorg bijvoorbeeld. Als je beeldherkenning gebruikt om afwijkingen in het hart op te sporen, moet je er wel zeker van zijn dat het systeem betrouwbaar is. Zelfs de meest geavanceerde machine learning-systemen kunnen fouten maken. Deze kunnen leiden tot fatale verkeerde diagnoses. Dit is een van de redenen waarom het belangrijk is dat er een bepaalde mate van overzicht moet blijven bij gebruik van AIoT-oplossingen.

Een andere uitdaging in AIoT is het gevolg van aannamen. Door middel van machine learning kunnen computers gegevens verwerken en voorspellingen doen. Omdat trainingsmodellen echter doorgaans door mensen worden ontwikkeld, is het mogelijk dat er al dan niet bewust bevooroordeelde informatie in het systeem wordt ingevoerd.

Een voorbeeld hiervan hebben we gezien op 23 maart 2016, toen Microsoft AI Twitter-bot Tay uitbracht. Met behulp van natuurlijke-taalverwerking en machine learning was Tay in staat om te leren van tweets van gebruikers en eigen tweets te formuleren. Gebruikers begonnen Tay echter te spammen met haatdragende en vaak racistische tweets, die Tay vervolgens begon te leren en te imiteren. Nadat Tay’s beledigende tweets verontwaardiging begonnen te veroorzaken bij Twitter-gebruikers, besloot Microsoft het account op te schorten.

OnLogic kan je helpen met je AIoT-oplossing

Nu AIoT steeds prominenter wordt in ons dagelijks leven, is het belangrijk om over de juiste hardware voor je AIoT-oplossing te beschikken. Vanwege de verwerkings- en AI-versnellingsvereisten zijn edge-servers een populaire keuze voor dit soort toepassingen. Elk AIoT-project is echter uniek. Heb je vragen over AIoT of wil je meer weten over hoe onze hardware je kan helpen je volgende AIoT-oplossing te ondersteunen? Neem dan vandaag nog contact op met ons team van experts.