Tworzenie aplikacji sztucznej inteligencji: etapy, obiekty autonomiczne i środowiska projektowe

Rozdział pierwszy. Tworzenie aplikacji sztucznej inteligencji.

Sztuczna inteligencja to dziedzina nauki zajmująca się rozwiązywaniem zagadnień, których nie można efektywnie rozwiązać za pomocą algorytmu. Działa w oparciu o modelowanie wiedzy. Inteligencja obliczeniowa natomiast rozwiązuje zagadnienia, których nie można efektywnie rozwiązać algorytmami, wykorzystując do tego celu obliczenia.

Pojęcia w technologiach sztucznej inteligencji

Wśród technologii sztucznej inteligencji wyróżniamy kilka pojęć:

• AI, czyli Artificial Intelligence, to tworzenie systemów zdolnych do wykonywania zadań.
• ML, czyli Machine Learning, to rozwój algorytmów i statystyki.
• DL, czyli Deep Learning, to modelowanie danych poprzez sieci neuronowe.
• NLP, czyli Natural Language Processing, to interpretacja komunikacji pomiędzy komputerem a człowiekiem.
• LLM, czyli Large Language Models, to zautomatyzowane modele oparte na NLP, zasilone ogromnymi ilościami danych.

Podejście tradycyjne a podejście oparte na sztucznej inteligencji

Warto zrozumieć różnicę między podejściem tradycyjnym a podejściem opartym na sztucznej inteligencji, czyli uczeniu maszynowym. W podejściu tradycyjnym na wejściu podawane są reguły oraz dane, a jako rezultat oczekuje się odpowiedzi. W podejściu opartym na sztucznej inteligencji jest odwrotnie: na wejściu podawane są odpowiedzi oraz dane, a jako rezultat oczekuje się reguł.

Etapy tworzenia aplikacji sztucznej inteligencji

Etapy tworzenia aplikacji sztucznej inteligencji są następujące:

1. Zdefiniowanie problemu, czyli określenie, jakie zadanie ma być rozwiązane oraz jakie są dane wejściowe i wyjściowe.
2. Zbieranie i przetwarzanie danych z różnych źródeł.
3. Wybór i dopasowanie modelu, czyli wybór algorytmu najlepiej dopasowanego do problemu oraz dostosowanie go do danych.
4. Trenowanie modelu, czyli proces uczenia algorytmu danych w celu rozpoznania wzorców.
5. Testowanie i optymalizacja, czyli użycie odrębnych danych do ostatecznej oceny wydajności modelu.
6. Wdrożenie, czyli umieszczenie gotowego algorytmu na środowisku produkcyjnym.

Rozdział drugi. Sztuczna inteligencja dla obiektów autonomicznych.

Obiekt autonomiczny to taki, który realizuje zadanie samodzielnie, czasowo lub ciągle, eliminując częściowo lub całkowicie udział operatora. Pozwala on na inteligentny wybór rozwiązania, na przykład trasy, oraz wykonanie manewrów adekwatnych do aktualnej sytuacji.

Obiekt bezzałogowy to taki, który nie posiada na swoim pokładzie ludzi. Jednak może być sterowany zdalnie przez operatora, a wtedy decyzje podejmuje człowiek, a nie maszyna.

Przykłady obiektów autonomicznych

Przykłady obiektów autonomicznych to pojazdy drogowe, w tym samochody, pojazdy szynowe, statki morskie i śródlądowe, statki powietrzne oraz okręty podwodne.

Problemy i wyzwania

Obiekty autonomiczne stwarzają szereg problemów i wyzwań. Należy do nich:

• określenie metody identyfikacji obiektu i połączenie go z aktualną mapą środowiska,
• zdefiniowanie metody rozpoznawania obiektów przez sensory oraz oprogramowanie,
• określenie metody podejmowania decyzji o koniecznych działaniach,
• określenie procedury dopuszczania obiektów do ruchu i ocena bezpieczeństwa,
• rozwiązanie problemów legislacyjnych, w tym odpowiedzialności za wypadki oraz przeszkolenie użytkowników.

Cele i kryteria decyzyjne

Każdy obiekt autonomiczny dąży do realizacji czterech celów, które jednocześnie pełnią rolę kryteriów oceny decyzji:

1. Bezpieczeństwo, czyli unikanie sytuacji niebezpiecznych, kolizji i wypadków.
2. Efektywność, czyli optymalizacja trasy, zużycia paliwa i czasu realizacji.
3. Zabezpieczenia, czyli ochrona przed zagrożeniem zewnętrznym.
4. Niezawodność, czyli ciągłość działania systemu i odporność na awarię.

Obiekt autonomiczny musi rozstrzygać, czyj interes priorytetyzować. Kryteria mogą być zorientowane na siebie, czyli ochronę własną obiektu, na innych, w tym otoczenie, czyli uwzględnienie bezpieczeństwa innych uczestników ruchu, albo na kompromis między interesem własnym a interesem otoczenia.

Rozdział trzeci. Autonomiczne pojazdy samochodowe.

Poziomy autonomiczności pojazdów

• L1 oznacza brak mechanizmów wspomagania kierowcy.
• L2 to wprowadzenie niektórych elementów autonomizacji, na przykład aktywnego tempomatu czy asystenta pasa ruchu.
• L3 to warunkowa autonomizacja, gdy system jest przygotowany do autonomicznej jazdy.
• L4a to pojazd bez kierowcy, ale obszar i drogi są ściśle określone.
• L4b to pojazd torowy, gdzie tor nie ma charakteru mechanicznego.
• L5 to pojazd autonomiczny zdolny do jazdy w każdych warunkach.

Systemy wspomagania kierowcy

• RDS, czyli Radio Data System, nadaje ogólnodostępne komunikaty, jednokierunkowo przekazując informacje cyfrowe dotyczące sytuacji drogowej za pośrednictwem pasma radiowego UKF FM.
• ABS, czyli Anti-lock Braking System, to system zapobiegający blokowaniu kół podczas hamowania.
• TSC, czyli Traction Control System, po wykryciu problemu z przyczepnością koła nie pozwala na gwałtowne zwiększenie obrotów, wykorzystując hamulce lub opóźnienie zapłonu.
• LCA, czyli Lane Change Assist, wspomaga wykonanie zmiany pasa ruchu, najczęściej za pomocą radarów wykrywających obiekty z tyłu pojazdu.

Technologia SLAM

SLAM, czyli Simultaneous Localisation and Mapping, to technika estymacji położenia agenta w nieznanym środowisku. Realizuje ona trzy zadania:

• budowanie baz danych map otoczenia drogi,
• lokalizację agenta na drodze opisanej mapą dostępną w bazie danych,
• lokalizację agenta na drodze, dla której nie ma mapy otoczenia.

Testowanie i certyfikacja

Testowanie i certyfikacja pojazdów autonomicznych opiera się na trzyfilarowej metodzie według OICA:

1. Filar pierwszy: typowe manewry, na przykład pieszy przechodzi prawidłowo.
2. Filar drugi: trudne manewry, mało prawdopodobne, na przykład pieszy przechodzi nieprawidłowo.
3. Filar trzeci: rzadkie sytuacje, ale szczególnie niebezpieczne, na przykład pieszy przechodzi nieprawidłowo i dodatkowo rower omija samochód.

Rozdział czwarty. Autonomiczne statki MASS.

Stopnie autonomiczności statków

Międzynarodowa Organizacja Morska, czyli IMO, wyróżnia cztery stopnie autonomiczności statków:

1. Statek ze zautomatyzowanymi procesami i wspomaganiem decyzji, obsadzony załogą.
2. Statek sterowany zdalnie z załogą na burcie.
3. Statek sterowany zdalnie bez załogi na burcie.
4. Statek w pełni autonomiczny.

Cele i kryteria decyzyjne statków autonomicznych są takie same jak dla wszystkich obiektów autonomicznych: bezpieczeństwo, efektywność, zabezpieczenia i niezawodność.

Nawigacja autonomiczna

Nawigacja autonomiczna realizuje cztery procesy:

• Condition detection to wykrywanie warunków otoczenia. Dane wejściowe pochodzą z sensorów: radaru, systemu AIS, kamery oraz lidaru, a także dodatkowych czujników. Dane są łączone metodą fuzji sensorycznej, co prowadzi do wykrycia obiektów.
• Condition analysis to analiza warunków, obejmująca budowę modelu świata, klasyfikację obiektów oraz analizę sytuacji.
• Action planning to planowanie działań; na podstawie analizy sytuacji realizowane jest unikanie kolizji i wejścia na mieliznę.
• Action control to wykonanie działań przez system sterowania.

Komunikacja statków

Komunikacja między statkiem autonomicznym a statkiem autonomicznym oraz między statkiem autonomicznym a statkiem z załogą na pokładzie oparta jest na kontekście technologii AVAL, wykorzystującej architekturę BSM-BSP-SPO. Wyróżnia się dwa scenariusze:

• BSM-BSM, czyli automatyczna komunikacja i negocjacja między statkami autonomicznymi.
• BSM-BSP, czyli automatyczna komunikacja między statkiem autonomicznym a statkiem z załogą na pokładzie.

Przykłady w żegludze morskiej i śródlądowej

• AWAL to statek autonomiczny w technologii BSM-BSP-SPO, komunikujący się z innymi jednostkami i Vessel Traffic Service za pośrednictwem łączności 700 MHz i 2,4 GHz, wykorzystujący drony jako element obserwacji powietrznej.
• NAVDEC to nawigacyjny system wspomagania decyzji na statku, wspomagający oficera wachtowego w podejmowaniu decyzji nawigacyjnych, na przykład w sytuacjach kolizyjnych.
• Projekt AAWA to projekt rozwojowy dotyczący statków bezzałogowych, którego harmonogram zakładał: zdalnie sterowany statek w żegludze lokalnej w roku 2020, żeglugę przybrzeżną w roku 2025, żeglugę oceaniczną w roku 2030, oraz bezzałogowy statek w pełni autonomiczny w żegludze oceanicznej w roku 2035.
• Promy i taksówki wodne stanowią czwarty przykład.

Rozdział piąty. Inteligentny dom.

Założenia systemu

Założenia systemu inteligentnego domu obejmują maksymalizację funkcjonalności i komfortu mieszkania, podniesienie bezpieczeństwa oraz zmniejszenie kosztów życia, w tym obniżenie rachunków za prąd. Do zadań systemu należy:

• monitorowanie, optymalizowanie oraz kontrolowanie sieci teleinformatycznej,
• sterowanie oświetleniem wewnętrznym i zewnętrznym w zależności od obecności osób oraz ruchu,
• sterowanie ogrzewaniem osobnych pomieszczeń,
• sterowanie wentylacją, klimatyzacją i filtrami,
• system alarmowy i monitoring,
• system zarządzania produkcją i magazynowaniem energii odnawialnej z własnych mikroźródeł,
• obsługę urządzeń audio-wideo.

Etapy rozwoju systemów automatycznego sterowania

1. Proste niezależne układy i systemy specjalizowane.
2. Systemy scentralizowane.
3. Niezależne systemy rozproszone.
4. Zintegrowany system sterowania.

Struktura hierarchiczna

Struktura hierarchiczna zintegrowanego systemu sterowania i automatyzacji budynku składa się z trzech poziomów:

• Poziom zarządzania to poziom nadrzędny, globalny, odpowiedzialny za funkcjonowanie całego budynku i wszystkich jego podzespołów funkcjonalnych.
• Poziom automatyzacji obejmuje sterowniki sieciowe obsługujące poszczególne systemy techniczne i bezpieczeństwa, przygotowujące dane dla sterowania nadrzędnego.
• Poziom wykonawczy składa się z różnego typu regulatorów i prostych sterowników wykonujących bezpośrednie funkcje sterowania oraz czujników i elementów wykonawczych.

Obszary funkcjonalne zintegrowanego systemu

• System bezpieczeństwa: kontrola dostępu, kontrola wjazdu oraz sygnalizacja włamania, napadu i zagrożenia pożarowego.
• Komfort klimatyczny: komfort cieplny, jakość powietrza i warunki oświetlenia.
• Zarządzanie energią: monitorowanie i optymalizacja zużycia energii oraz system zasilania gwarantowanego.
• Usługi teleinformatyczne: okablowanie strukturalne, lokalne sieci komputerowe, połączenia z sieciami zewnętrznymi oraz bezpieczeństwo informatyczne.

Standardy automatyki budynkowej

• Standardy zamknięte, zwane firmowymi, oparte są na niejawnej technologii zastosowanej w produktach konkretnego producenta.
• Standardy otwarte wykorzystują technologię i standardy komunikacji niezależne od poszczególnych firm, dzięki czemu mogą być zaimplementowane w urządzeniach różnych producentów.

Rozdział szósty. Środowiska projektowe.

Wśród środowisk projektowych do tworzenia aplikacji sztucznej inteligencji warto znać pięć przykładów:

• ML.NET to framework uczenia maszynowego, który wykorzystuje język C# i dobrze integruje się z całym ekosystemem .NET firmy Microsoft.
• TensorFlow to narzędzie open-source stworzone przez Google, szczególnie popularne dzięki wersji TensorFlow Lite, która pozwala optymalizować modele sztucznej inteligencji do działania na urządzeniach mobilnych.
• Keras to narzędzie do tworzenia sieci neuronowych, biblioteka napisana w Pythonie, zapewniająca wysoką abstrakcję warstw, co pozwala na łatwe konfigurowanie i użycie modeli.
• PyTorch to elastyczna platforma rozwijana przez Metę, wspierająca szybkie prototypowanie, a wersja PyTorch Mobile pozwala na wdrożenie sztucznej inteligencji na urządzeniach mobilnych.
• Azure Machine Learning to zbiór usług w chmurze obliczeniowej, zapewniających gotowe środowisko do pracy ze sztuczną inteligencją, umożliwiające pracę w jednym miejscu w różnych fazach projektu.

To już koniec materiału. Powodzenia na egzaminie.