Сегодня, объявив о стратегическом финансировании и Программе раннего доступа, я рад ускорить разработку наших продуктов и работу с клиентами. Бесчисленные разговоры с предприятиями, независимыми поставщиками программного обеспечения и технологическими партнерами за последние 12+ месяцев одновременно подтвердили фундаментальные предположения о продукте, сделанные с момента основания в 2014 году, и предоставили информацию об инвестициях, которые нам необходимо сделать в будущем.
Со стороны предприятий любого размера быстро растет спрос на модели искусственного интеллекта, которые могут придать более интеллектуальный характер динамическим промышленным системам в форме управления и оптимизации. Эти системы принимают множество различных форм, включая робототехнику, транспортные средства, заводы, цепочки поставок, логистику, складские операции, системы HVAC, разведку нефти и планирование ресурсов. Для программирования сложного ИИ, который может улучшить автоматизацию и эффективность работы промышленных систем, требуется платформа, которая может учитывать множество факторов:
- Способ использования существующего опыта в предметной области и моделей искусственного интеллекта
- Структурированный подход к обучению
- Необходимость объяснять прогнозы или решения ИИ
- Способность не только воспринимать, но и принимать решения или рекомендовать действия
- Необходимость запуска в центре обработки данных и встраивания в устройство
МАШИННОЕ ОБУЧЕНИЕ ПРОТИВ МАШИННОГО ОБУЧЕНИЯ
Давайте рассмотрим пример робота-подбирающего робота на рабочем месте. Если мы хотим быть уверены в поведении этого робота в открытой динамической среде, нам нужен строгий механизм обучения. К счастью, существует целая область исследований, призванная помочь специалистам по обработке данных, программистам и инженерам определить, как быть структурированным и строгим в своем подходе к моделям обучения. Машинное обучение - аналог машинного обучения. В то время как машинное обучение фокусируется на том, как лучше всего научить компьютер предсказывать или контролировать что-либо, основное внимание машинного обучения уделяется тому, как лучше всего обучать алгоритму машинного обучения.
Комбинация методов машинного обучения и машинного обучения лежит в основе платформы Bonsai и представляет собой принципиально новый способ удовлетворить потребности ИИ в оптимизации и управлении программированием.
ПЛАТФОРМА BONSAI
В основе подхода Bonsai к решению сложных задач управления и оптимизации лежит новый язык программирования специального назначения и технология выполнения. Inkling, новый язык программирования специального назначения, дает программистам возможность объединить машинное обучение и машинное обучение в одну программу искусственного интеллекта. Система искусственного интеллекта Bonsai - технология выполнения - генерирует, обучает и размещает модели, которые решают задачи, поставленные программой Inkling и соответствующими источниками обучения.
Программист начинает с определения ориентированного графа концепций решения проблемы, называемого ментальной моделью. Концепции в этой модели обучаются с помощью моделирования или наборов данных. Затем модель развертывается для использования, где она дополнительно настраивается, а затем размещается для прогнозирования.
МЕНТАЛЬНЫЕ МОДЕЛИ: ПОТОКОВЫЙ ТРУБОПРОВОД ИИ BONSAI
В Bonsai наша платформа позволяет пользователям объединять алгоритмы обучения в один рабочий процесс или конвейер, чтобы ИИ мог делать прогнозы или решения в реальном времени. Этот конвейер описывается ключевыми словами концепции и их отношениями друг с другом. Например, в случае с роботом:
schema State Float32 joint1, Float32 joint2, Float32 joint3, Bool vacuum_on, Luminance(84,84) image end schema Command Float32 joint1, Float32 joint2, Float32 joint3, Bool vacuum_on end concept MoveToTarget is estimator predicts (Float32 joint1, Float32 joint3) follows input(State) end concept Grasp is estimator predicts (Command) follows input(State) end concept Lift is estimator predicts (Command) follows input(State) end concept PickAndPlace is estimator predicts (Command) follows input(State), MoveToTarget, Grasp, Lift feeds output end
Концепции представляют особенности среды, которую ИИ должен воспринимать, или навыки, которые ИИ должен объединить для достижения цели. Эти концепции могут быть моделями, предопределенными программистом с использованием таких инструментов, как TensorFlow, или модели могут быть выбраны и настроены автоматически с помощью AI Engine Bonsai. В приведенном выше примере робот должен сочетать навыки движения к цели, захвата и подъема, а также захвата и размещения. Ключевые слова «feeds» и «follow» специально заявляют, что ИИ должен сначала научиться использовать MoveToTarget GraspAndLift и использовать эти новые навыки в качестве основы для последующего изучения PickAndPlace.
Учебные программы: структурированное обучение с целями для измерения успеха
Каждая концепция преподается с использованием учебной программы. Учебные программы далее разбиваются на уроки, и каждый урок использует все или некоторые подмножества реальных или синтетических данных для обучения этой части ИИ.
curriculum TeachMoveToTarget train MoveToTarget with simulator arm_simulator objective reach_furthest_target_reward lesson near_target configure constrain x with Float32{1.0} Constrain y with Float32{1.0} until maximize reach_target_reward lesson far_target until maximize reach_target_reward end ... curriculum TeachPickAndPlace train PickAndPlace with simulator arm_simulator objective pick_and_place_reward lesson pick_and_place until maximize pick_and_place_reward end
Например, учебная программа TeachMoveToTarget запускает руку близко к цели в симуляции. ИИ овладевает способностью достигать цели в такой близкой конфигурации; Затем ИИ учат двигаться к цели издалека. Это первоначальное упрощение тренировочной среды сокращает объем исследований, которые ИИ должен пройти, чтобы тренироваться. Каждый урок в учебной программе оптимизирует какую-то цель или вознаграждение. Эта цель или награда рассчитывается на основе состояния симуляции или физической среды.
Обучение моделированию и физическому миру
Первоначальные уроки проводятся в симуляции, а последующие уроки настраивают модель в реальном мире. Приложения для робототехники можно обучать с помощью множества симуляторов, таких как Gazebo, RobotStudio или RobotExpert. В симуляторе или программном решении используется библиотека бонсай для получения управляющих сигналов от AI Engine Bonsai через веб-узел.
Развертывание
AI Engine может работать в облаке или на роботе. Развернутым моделям автоматически присваиваются версии, поэтому использование каждой модели имеет согласованное поведение. Сопутствующие библиотеки и стандартизированные веб-интерфейсы API предназначены для подключения к широкому спектру систем и приложений.
Начиная
Если вы считаете, что у вас есть вариант использования для управления или оптимизации, который хорошо подходит для платформы бонсай, мы хотим услышать ваше мнение. На нашей странице Начало работы есть вся необходимая информация, чтобы узнать о нашей Программе раннего доступа и подать заявку на нее.