هوش مصنوعی چیست و کاربردهای هوش مصنوعی در مهندسی
هوش مصنوعی
این روز ها خیلی زیاد در مورد هوش مصنوعی و بخصوص اینده شغلی برخی از رشته ها می شنویم. در این نوشته قصد داریم که به معرفی کاربرد هوش مصنوعی در حوزه های مهندسی بخصوص مهندسی مواد بپردازیم. با ما تا انتها همراه باشید.
تعزیف دقیقی از هوش مصنوعی وجود ندارد چون تعریف دقیقی از هوش وجود ندارد ولی به طور کلی تعریف های موجود بر اساس جواب به یکی از موارد زیر است:
- سامانه‌هایی که به‌طور منطقی فکر می‌کنند
- سامانه‌هایی که به‌طور منطقی عمل می‌کنند
- سامانه‌هایی که مانند انسان فکر می‌کنند
- سامانه‌هایی که مانند انسان عمل می‌کنند
یکی از تعاریف هوش مصنوعی مورد علاقه من شامل
هوش مصنوعی زیر مجموعه ای از علوم کامپیوتر است که به تولید برنامه هایی می پردازد که بتوانند تسک هایی انجام دهند که نیاز به هوش انسانی دارد. الگوریتم های هوش مصنوعی دارای یادگیری، درک، حل مسئله، درک زبان طبیعی و یا استدلال منطقی می باشند.
تاریخچه هوش مصنوعی
اصطلاح هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید توسط جان مک‌کارتی ( پدر علم و دانش تولید ماشین‌های هوشمند ) استفاده شد.
هوش مصنوعی و کنترل فرایند
برای رسیدن به یک سیستم هوشمند، یک فرآیندی را که در صنعت برای طراحی سیستم های هوش مصنوعی استفاده را دنبال خواهیم کرد. استراتژی و سیاست کلان رسیدن ما به محصول نهایی که توانایی کنترل فرایند را دارد در شکل زیر نشان داده شده است. هر سطح از این فرآیند، برای صنعت به عنوان یک زیرمحصول، کارایی و بهره مندی خود را خواهد داشت:
- Human Only: تنها یکسری افراد خبره یا به عبارتی نیروی انسانی وضعیت فرایند را می سنجند و تصمیمات لازم را اتخاذ می کنند.
- Shadow Mode: در این سطح از سیستم طراحی شده، تصمیمات توسط فرد خبره انجام می شود، اما ماشین یا مدل های طراحی شده، موازی با فرد خبره کار می کنند و مورد ارزیابی قرار می گیرند. تا حدی تصمیمات آنها ممکن برای فرد خبره و تصمیم گیری های او مفید واقع شود. اما بیشترین کاربرد این سیستم در این سطح، افزایش دانش تیم توسعه است.
- AI Assistance: تا حدی Automation یا خودکار ، بیشتر از سیستم در سطح Shadow Mode می باشد. بطور نمونه یک سیستم هوش مصنوعی ای که می تواند بر اساس یک سری اطلاعات، فرایند را بسنجد و به فرد خبره اطلاعات مفیدی به صورت خودکار به دهد.
- Partial Automation: مدل ها و در نهایت سیستم در سطح خودکارسازی پیاده شده اند، یا به عبارت دیگر سیستم قادر به گرفتن تصمیمات در سطح فرد خبره است، اما با این تفاوت که سیستم به حالت پایدار نرسیده و نیاز به نظارت و توجه دارد تا از خطاهای احتمالی جلوگیری شود.
- Full Automation: سیستم قادر به کنترل فرایند و یا تصمیم گیری ها در سطح کلان و گاهی اوقات فراتر از تصمیم گیری های انسانی است. خطای آن بسیار پایین و به حالت پایدار رسیده است.
فاز های پروژه کنترل فرایند در بخش هوش مصنوعی
با در نظر گرفتن شرایط محیطی، فاز های پروژه کنترل فرایند در بخش هوش مصنوعی، به صورت زیر در نظر گرفته می شود:
فاز اول: استخراج تعداد زیر سیستم های مورد نیاز برای طراحی
بر اساس دانش و تحقیقات متخصص فرایند و با مشاوره با کارشناسان هوش مصنوعی، زیرسیستم های لازم مبتنی بر هوش مصنوعی بر اساس اولویت ها (یعنی اولویت کارفرما و تیم توسعه بر اساس امکان پذیری) مشخص و تعریف خواهد شد. نیاز های این زیر سیستم ها، مورد سنجش و برآورده خواهد شد(بر اساس اولویت های تعریف شده). هر کدام از زیر سیستم ها بطور جداگانه و یا به صورت یکپارچه، سیاست کلانی که در شکل بالا نشان داده شده است را دنبال خواهند کرد. بنابراین فعالیت ها در این فاز از پروژه به صورت زیر خواهد بود:
- تعریف زیر سیستم ها بر اساس پارامتر های اطلاعاتی استخراج شده
- تعریف چشم انداز ممکن، تصمیمات در مورد بکارگیری آنها به صورت جداگانه و به صورت یکپارچه
- اولویت بندی زیر سیستم و برآورده نمون نیاز ها بر اساس آن
- تصمیم گیری در مورد سخت افزار هدف و نحوه ی استقرار آن
فاز دوم: استفاده از پارامتر های اطلاعاتی متخصص فرایند برای آماده سازی و جمع آوری داده
پس از اینکه متخصص فرایند در کنار کارشناسان هوش مصنوعی روابط و اطلاعات مفیدی را از فرآیند استخراج کردند، فرآیند جمع آوری و آماده سازی داده به ازای هر زیر سیستم انتخابی، با مراتب زیر انجام خواهد شد:
- تعریف چارچوب ها و استاندارد های لازم برای جمع آوری و تفسیر دیتا
- ساخت و راه اندازی سیستم جمع آوری دیتا
- جمع آوری دیتا در دوره های مشخص
- طراحی و ساخت ابزار تفسیر و پردازش اولیه برای آماده سازی دیتا ها در استاندارد های تعریف شده
فاز سوم: طراحی مدل ها متناسب با هر زیر سیستم انتخاب شده
بر اساس مشخصات سخت افزار، یا هر گونه بردی که قرار است زیر سیستم و یا حتی سیستم نهایی بر روی آن مستقر شود، معماری مدل ها طراحی و آماده ی آموزش بر روی داده های آماده شده می باشند. بنابراین فعالیت ها در این فاز به صورت زیر خواهد بود:
- طراحی معماری مدل ها
- انتخاب توابع فقدان و روش های بهینه سازی مدل ها
- سنجش و ارزیابی پارامتر های مصرفی مدل ها به صورت جداگانه و یکپارچه متناسب با سخت افزار هدف
فاز چهارم: پیمایش چرخه ی مدل سازی
به زبان ساده مدل های طراحی شده را بر روی داده های آماده شده آموزش میدهیم، مورد ارزیابی قرار می گیرند و بهینه سازی بر روی آنها انجام می شود(شکل زیر )؛ یا حتی به تسخیر و آماده سازی داده های جدید برای افزایش دقت مدل، نیازمند شویم. بنابراین فعالیت ها در این فاز به صورت زیر می باشد:
- آموزش مدل ها بر اساس داده های آماده شده
- ارزیابی مدل ها و تحلیل خطا در سطح آزمایشگاهی
- تجربه ی محدود از عملکرد مدل و بهینه سازی آن (و شاید افزایش داده ها)
چرخه ی پیمایش مدل در نظر گرفته شده در پروژه ی پیشنهادی را نشان می دهد.
فاز پنجم: پیمایش چرخهی توسعه
مدل های ساخته شده و آماده شده برای استفاده، در درون چرخه توسعه قرار می گیرند. به عبارت ساده تر، مدل ها از فرآیند آزمایشگاهی خارج شده و در محیط کاربردی و عملیاتی مورد استفاده و ارزیابی قرار میگیرند(شکل زیر ). فعالیت ها در این فاز به صورت زیر میباشد:
- استقرار مدل در سخت افزار هدف و استنتاج گیری از آن
- بررسی و ارزیابی کارایی بر روی سخت افزار هدف
- استقرار سخت افزار هدف در میدان عملیاتی بر روی جریان داده به صورت بلادرنگ
- ارزیابی و نظارت زیر سیستم یا سیستم یکپارچه در میدان عملیاتی
- بهبود فرآیند توسعه با بازخود از ارزیابی صورت گرفته شده(طی کردن دوباره ی فرآیند فاز های سه و چهار در صورت لزوم )
چرخه ی پیمایش توسعه ی سیستم در پروژه ی پیشنهادی را نشان می دهد.
فاز ششم: طراحی و پیاده سازی زیر ساخت های نرم افزاری
در کنار طراحی و ساخت سیستم های هوش مصنوعی، نرم افزار هایی برای استفاده ی آسان و بهرهبرداری از آن طراحی و پیاده سازی خواهد شد. زیرساخت های نرم افزاری شامل واسط کاربری گرافیکی، پایگاه داده، معماری نرم افزاری و ساخت ماکروسرویس ها می باشد. فعالیت ها در این فاز به صورت زیر می باشد:
- طراحی معماری نرم افزار مبتنی بر Domain Driven Design
- طراحی API ها ترجیحاً به صورت Rest Api
- طراحی واسط کاربری گرافیک
- طراحی پایگاه داده برای تسخیر رویداد ها و تصمیمات اتخاذ شده
- Dockerize کردن API ها به عنوان ماکروسرویس
بطوری که با تسخیر و تفسیر انها( تعیین معیار یا تگ گذاری بر روی آنها)، بتوان کیفیت فرایند را سنجید.
در ادامه قصد دارم با ذکر یک مثال کاربرد هوش مصنوعی در حوزه مواد و فرایندهای متالورژی را توضیح دهم. من خودم متالورژ هستم و با این دید به بیان مثال می پردازم.
موضوع : ساخت سیستم مبتنی بر مدل های هوش مصنوعی در جهت تحلیل شرایط کوره های کاربردی
یکی از بزرگترین معضلات در صنایع حساس همچون صنعت هسته ای، محیط های شیمیایی و سیستم های نظامی، از خطای انسانی نشأت می گیرد. حوادث گوناگون در نقاط مختلف جهان شواهدی بر این مدعاست که از آن جمله می توان به حادثه هسته ای چرنوبیل در سال 1986, حادثه تری مایلند در سال 1979 و حادثه انفجار در صنایع شیمیایی فلیگسبورگ در سال 1974 اشاره نمود. حتی اگر این حوادث را فاکتور بگیریم، پیدا کردن فرد خبره و زحماتی که برای هر تحلیل، بر او تحمیل میشود را میتوان ذکر نمود. به همین دلیل کاهش خطاهای انسانی بویژه در سیستم های حساس و پیچیده و ارائه راه حل های کنترلی, امری ضروری و اجتناب ناپذیر محسوب می شود.
یکی از بهترین راه حل ها، استفاده از هوش مصنوعی برای کاهش و حتی از بین بردن دخالت انسانی در نظارت و سنجش کوره ها می باشد، که این مورد اهمیت پروژه پیشنهادی را نشان می دهد، اما چگونگی انجام پروژه از اهمیت ویژه دیگری برخوردار است.
یکی از شرکت ها در صنعت فولاد که از فناوری هوش مصنوعی برای کنترل رویداد های خود استفاده می کند، شرکت Elkem در کشور نروژ است که بهدلیل بروز بودن فناوری و سطح اهمیت آن، از چگونگی فرآیند کنترل با استفاده از هوش مصنوعی، هیچ گونه جزییاتی منتشر نکرده است. علاوه بر این برای تشخیص و کنترل وضعیت کوره، از نظر سخت افزاری دوربین هایی ساخته شده است که عایق هستند و می توانند در داخل کوره قرار بگیرند و وضعیت آن را نمایش دهند؛
شرکت FireSight در آمریکا یکی از این شرکت ها است که چنین محصولی را روانه ی بازار کرده است[1]. اما در هر صورت این محصول یک دوربین است و نیازمندی به فرد خبره برای تحلیل وضعیت، ضروری است. ساخت چنین محصولاتی برای ما با شرایط کنونی، فعلا مقدور نیست. بنابراین فرآیند پیشنهادی برای پروژه، بر اساس قطعات معمولی است که در بازار داخلی به راحتی یافت می شوند
دیدگاهتان را بنویسید
می خواهید در گفت و گو شرکت کنید؟خیالتان راحت باشد :)