Umělá inteligence pro běžnou praxi

Nejmodernější „chytré“ přístroje v sobě nesou prvky umělé inteligence (AI). Je to ale ta umělá inteligence, před kterou varují známé osobnosti? Jistě, že ne. Jedná se sice o poměrně složité, rafinované, ale stále jen pevné počítačové programy, které nám přinášejí pokroky do běžného života. Pomineme-li zneužívané systémy pro rozpoznávání lidských tváří, či nepopulární automatické čtečky poznávacích značek automobilů, můžeme uvítat šikovné rozpoznávání textu či hlasu a mnoho dalších užitečných aplikací.

Například parní generátor žehlícího systému nejmenovaného výrobce dokáže sám optimalizovat nastavování teploty. Pomocí zabudované kamery a umělé inteligence jako údajně jediný generátor na světě pozná, co právě žehlíte a přizpůsobí látce své nastavení.

Automatickému řidiči bychom v běžném provozu zřejmě ještě nedůvěřovali, ale ten se na rozdíl od nás nikdy neunaví. Jak spolehlivě se asi dokáže umělá inteligence orientovat v „terénu“ si můžete simulovat sami. Stačí mít nainstalovanou některou mobilní aplikaci využívající předučený detektor objektů YOLO (poslední verze 3) a namířit vestavěný fotoaparát chytrého telefonu na vaše bezprostřední okolí. V ulicích New Yorku se vám na displeji objeví něco podobného jako na obrázku níže. Využitelnost pro řídící systémy autonomních dopravních prostředků je nasnadě.

Rozpoznávání objektů pomocí algoritmu YOLO v3 (zdroj YouTube).

Umělá inteligence se může starat rovněž o naši bezpečnost. Na základě signálů ze speciálních senzorů umístěných na kolejnicích rozpoznává projíždějící vlak, na železniční svršek padající kameny nebo rozvoj defektů v kritických částech výhybek. Může vyhodnocovat kvalitu a závadovost různých produktů přímo na běžících výrobních linkách a to na základě mnoha senzorů a detekčních metod, které nekompromisně předčí lidské smysly.

Tyto technologie se mohly ještě nedávno zdát jako „z Marsu“. Však i tam nachází strojové učení své uplatnění. Kvůli příliš dlouhé době cesty řídícího signálu ze Země byla sonda Perseverance odkázána sama na sebe a její přistání bylo navigováno automatickým vizuálním systémem LVS (Lander Vision System), který v reálném čase porovnával data ze své kamery s palubní mapou v podobě snímků pořízených s vysokým rozlišením předchozími orbitálními sondami. Systém dokázal rozpoznat charakteristické geologické útvary a vybrat optimální bezpečné místo pro přistání v předem vytyčené oblasti kráteru Jezero.

Ilustrace „relativní navigace podle terénu“ při přistání sondy Perseverance na Marsu. (zdroj ZDE )

V současnosti existuje mnoho známých algoritmů založených na modelech tzv. umělých neuronových sítí a někteří výrobci hardwaru rozšiřují své procesory o jádra speciálně určená pro strojové učení (viz např. Neural Engine revolučního procesoru M1 společnosti Apple). Jak ale probíhá teoretický vývoj zmiňovaných softwarových technologií a jak to vypadá pod jejich „kapotou“?

Celý článek si můžete přečíst ZDE

Autoři: Milan Chlada, Martin Kovanda – Ústav termomechaniky AV ČR (2021)