Deep Learning, azken disrupzioa Adimen Artifizialaren eboluzioan

8 June, 2017

Bizkaiko Zientzia eta Teknologia Parkeko 700 eraikinak, ikerketa eta garapen teknologikoko Tecnalia zentroaren egoitzak, jardunaldi tekniko bat ostatatu zuen joan den ekainaren 1ean, Deep Learning-a, “adimen artifizialaren iraultza teknologikoa” izenburupean. Ekitaldi horretan ezagutzera eman ziren azken bistaratze-teknikak eta industrian izan ditzaketen aplikazio berritzaileak. Ekitaldian izan zen Aitor Cobanera, SPRIko Teknologia eta Berrikuntzako zuzendaria.

 

Tecnaliako Computer Vision esparruko Aitor Álvarez adituak azaldu zuen kontzeptua bertaratuen aurrean, goizeko lehen hitzaldian: “Deep Learning-aren hastapenak. Zer da eta zer egin dezake nigatik?”.

 

Deep Learnig-a

Tecnaliaren iritziz, garapen askoren atzean dagoen teknologia horrek –Deep Learning-ak- garapen fase berri batera eraman du adimen artifiziala, belaunaldi berri batera, emaitza harrigarriak eta aplikazio berritzaileak lortu direlarik.

 

Apustu handia da eta bultzatzaile asko ditu, ez bakarrik Google, Amazon, Facebook, Baidu edota IBM bezalako erraldoi teknologikoak, baina baita ere auto fabrikatzaile handiak eta kudeaketa edo bio-teknologiako enpresak, zeintzuek milioi askotako inbertsioak egin baitituzte (Fortune aldizkariaren arabera, 6.000 milioi dolar ingurukoak 2014tik).

 

Baina Zer da Deep Learning-a? Deep Learning-a edo ikaskuntza sakona deitzen zaio informazioa prozesatzeko metodo multzo bati, zeina adimen artifizialaren barruko adar batean kokatzen baita, alegia, machine learning edo ikaskuntza automatikoan. Deep Learning tekniken ezaugarri garrantzitsuena da behatutako datuen irudikapen hierarkiko bat ikasten dutela, gai direlarik geruza ugariz osatutako ereduak sortzeko (horregatik esaten zaio deep edo sakona) eta beste edozein metodo klasikorekin baino askoz irudikapen aberatsagoak egiteko.

 

Benetan txundigarria da ikustea zenbat modu desberdinetan erabil daitekeen Deep Learning teknologia eta nolako gaitasuna duen sareetatik ezagutza erauzteko, orain arte ezagutzen ez ziren mugetaraino. Potentzial izugarri hori jasota dago bere hazkunde aurreikuspenetan, kalkulatu baita deep aplikazioen negozioa 109 milioi dolarretik (2015eko datua) 10.400 miloira haziko dela enpresa sektorean 2024rako. Gainera, 2024an deep teknologiek sortutako urteko diru-sarrerak 100.000 milioi dolarretik gorakoak izango dira, batik bat, finantza merkatuetan, irudien sailkapenean, analisi bio-medikoan eta mantenimendu prediktiboan.

 

Aceros Inoxidables Olarra, “SURFIN-Surface Inspection. Akatsen detekzioa muturreko baldintzetan”

Aceros Inoxidables Olarrako Laguntza Tekniko eta Prozesuen Ingeniaritza saileko Izaskun Uriagerekak aurkeztu zuen gure industriarentzat hurbilen dagoen eta erreferentzia-balio handia duen kasua: “SURFIN-Surface Inspection. Akatsen detekzioa muturreko baldintzetan”, Tecnalia zentroarekin lankidetzan garatua.

 

Olarra enpresa liderra da altzairu herdoilezinezko produktu luzeen siderurgian, eta bezeroen artean ditu munduko merkatu gogorrenetako batzuk, nagusiki Europakoa eta Japoniakoa. Horregatik, jauzi kualitatibo bat eman beharra zeukan bere produktuetan, produktu bukatuen azaleraren kalitate kontroleko sistema hobetuz, eta Deep Learning teknologian aurkitu du horretarako irtenbidea. Teknologia horren bidez posible dute fabrikatzen dituzten siderurgiako produktuen azalerak (laminatuak, altzairu herdoilezinezko barrak eta, besteak beste, alanbre-burdina) beroan ikuskatzea, hots, ijezketa-trenean bertan, 1000 gradu zentigradu baino gehiagotan.

 

Deep Learning teknikek iraultza ekarri dute beren produkzio prozesura; alde batetik, iraultza kuantitatiboa, zeren lehen pertsonek egiten baitzuten kalitate kontrola, produktuak ikuskatuz tenperatura altuetan, baina, bestetik, baita ere kualitatiboa, lortzen den fabrikazio kalitatea handiagoa baita, prozesua eta produkzio parametroak hobeto kontrolatzen direlako, entseguak malgutasunez egiten direlako eta produktuaren portaera hobeto ezagutzen delako. Hala, Surfing ekipoak aukera ematen die eremu eta akabera desberdinak kontrolatzeko, 1m/ seg. eta 100m/seg. arteko prozesu abiaduran. Azalera osoa bistaratzen du, “azala ateratzen du”, akatsak detektatzen ditu, abisatu egiten du eta akats horien trazagarritasuna ahalbidetzen du.

 

Adimen Artifizialeko tresna malgu bat da, ikasteko eta produktua hobetzeko joera duena. Ez dauka mugarik. Bere kontrola modelizatzen du 50 dimentsio baino gehiagoren bitartez: elongazioa, testura, e.a., akats kategoriak identifikatzen eta inplementatzen ditu, tipologia berriren bat detektatuz gero. Eta gai da, esperientziaren bitartez, sistemaren puntu kritiko bat hobetzeko: produktuen onarpen eta arbuio faltsuen kontrol kurbak.

 

Laburbilduz, eredu honek eskaintzen dituen abantailak gaur egun ezinbestekoak dira lantegietan: prozesuaren trazagarritasun osoa, kalitatearen kontrol zehatz eta eraginkorra, prozesuaren eta, beraz, produktuaren ezagutza sakona eta mantenimendu prediktiboa egiteko gaitasuna –hau da, gai izatea matxura gertatu baino lehen erreakzionatzeko.

 

Ondorioz, Uriagerekak esan bezala, “funtsezko tresna da, bera gabe ezingo genuke ijezketarik egin”. Surfing ekipoari esker “asko ikasi dugu geure produktuaz”, eta sistemari esker, eboluzionatzen eta hobetzen jarraitu nahi dugu etorkizunean.

 

Jardunaldiaren lehen zatian, Joost van de Weijer gonbidatuak, Bartzelonako Unibertsitate Autonomoko Konputazio bidezko Bistaratze Zentroko zientzialari seniorrak, hitzaldi bat eman zuen, “Computer Vision tekniken aplikazioetan pentsatuz hasieratik amaieraraino” izenburupean.

 

Bestalde, Till Eggers doktoreak, BASF-SE zentroko Bioestatistika – Digitalizaziorako Ikerketa eta Garapen buruak, hasiera eman zion aplikazio esperientzien aurkezpenari aplikazio sektore berritzaile bateko kasu interesgarri batekin: “Nekazaritzaren digitalizazioa: Machine Learning uzten gaixotasunak identifikatzeko”.

 

Jardunaldia amaitzeko, hiru aplikazio kasu bikain aurkeztu ziren, Tecnalia zentroak sektore desberdinetan eta beste erakunde eta enpresa batzuekin lankidetzan garatuak. UPV-EHUko Unai Irustak, Elektronika eta Telekomunikazioen Saileko irakasleak, hizpide hartu zuen “Desfibriladore automatikoak, bihotza gelditzen denean deskarga zein unetan eman behar den erabakitzeko sistema”, Deep Learning teknikan oinarritzen dena. Tecnalia zentroko zientzialari Jon Azpiazuk, “Robotikari aplikatutako Deep Learning” hitzaldia eskaini zuen.  Eta, azkenik, Ion arrietak, Automatismos Maser enpresako kudeatzaile laguntzaileak, beren fabrikazio esperientzia azaldu zuen, aurkezpen honekin: “Helburua: akatsik ez egitea kromatutako piezen fabrikazioan”.

Erlazionatutako artikuluak

Orobat interesa dakizuke

View all arrow