Основное препятствие для массового распространения технологий машинного обучения и IoT (интернета вещей) на предприятиях тяжелой индустрии — отсутствие необходимых данных в нужном количестве. В отличие от данных о внешних признаках человека, которые уже давно имеются в избытке благодаря повсеместному распространению видеокамер.
Возьмем нейронные сети. Как они учатся? Их обучение происходит на основе датасета — набора изображений, которые они должны уметь анализировать.
Например, есть видео, которое нужно проанализировать на предмет использования рабочими средств индивидуальной защиты. Мы разбиваем это видео на ключевые кадры и интегрируем их в алгоритм — нейронную сеть, чтобы она узнала и запомнила, как выглядит шлем, жилет и другие типы спецодежды. Чем больше данных нейронная сеть получит на входе — а речь идет о тысячах изображений на каждый паттерн — тем выше будет точность анализа на выходе (рис. 1).
Главное отличие прикладной нейронной сети от встроенного ПО состоит в том, что в случае ошибки идентификации, алгоритм софта нужно дорабатывать. Нейронная сеть совершенствуется сама и непрерывно. А если речь идет о специфической задаче, то готовых решений просто не бывает.
Главное отличие прикладной нейронной сети от встроенного ПО состоит в том, что в случае ошибки идентификации, алгоритм софта нужно дорабатывать. Нейронная сеть совершенствуется сама и непрерывно. А если речь идет о специфической задаче, то готовых решений просто не бывает.
К сожалению, производственные предприятия зачастую штурмуют инновации своими силами, так как собирать и оцифровывать производственные данные для анализа приходится по крупицам.
Но есть и хорошие новости. Во-первых, текущий этап жизненного цикла технологий машинного обучения, IoT и нейросетей позволяет производителям назначать разумную цену для широкого спектра выпускаемой продукции и даже для технических решений, выполняемых по индивидуальному заказу. Во-вторых, использование таких технологий пока еще не стало столь же привычным явлением, как, скажем, применение биометрии. А это значит, что сейчас самое время вырваться вперед за счет внедрения этих технологий — трансформировать производственные процессы, создать технологичные преимущества.