AI: крылья, ноги и хвосты

Машинное обучение

Пост по заданию из курс "Системного менеджмента" с обзором литературы по примерам использования искусственного интеллекта в рабочих практиках.

Перечислю три направления, о которых вспомнил в первую очередь, когда задумался об искусственном интеллекте в рабочих практиках моей организации.

Много вкусного

Направление первое: помощь от AI разработчику в проектировании инфраструктурных проектов. Наша часть в таких проектах - то, то называется "слаботочка".

Что у нас есть - сотни и тысячи выполненных, проверенных чертежей для заказчиков по аналогичным кейсам. Их делала и наша компания, и другие подрядчики крупного заказчика. Есть документы заказчика, описывающие концепции систем, с перечислением желаемых характеристик. Есть лучшие практики от вендоров - тоже в документах а-ля "solution reference systemX design".

Смотрим, что сейчас предлагают разработчики ПО. В свежей статье за октябрь 2022 года Martyn Day, со-основатель журнала AEC Magazine, пишет, что последние несколько месяцев видел демонстрации разрабатываемых в настоящее время технологий проектирования, которые, автоматизируют трудоемкие детализированные задачи и, возможно. Но отрасль все еще далека от того, чтобы реализовать что-то вроде истинного потенциала ИИ. «Полное влияние генеративной модели, использующей систему глубокого обучения, которую мы называем Inference Model, еще не готово к использованию в прайм-тайм, но это невероятно интересно», - цитируются в статье слова эксперта.

image-33Еще не готово, но невероятно интересно

Autodesk, к примеру, пока что предлагает совсем уж нишевые применения AI/ML. Их продукт Autodesk Construction IQ предназначен для управления рисками проектов, он изучает чертежи и заранее определяет возможные проблемы с высоким риском.

Вывод: решения AI/ML в разработке проектов пока существуют в виде раннего альфа-кода программного обеспечения. "Как и все циклы ажиотажа, влияние машинного интеллекта на рабочие места переоценено в краткосрочной перспективе и недооценено в долгосрочной", - удачная формулировка из статьи. 

Интересное, кстати, боковое направление - сбор и анализ данных со стройплощадок, полевой Internet of Things. Включая беспилотники, видеоаналитику, отслеживание перемещения техники и активов. Много вещей тут уже работает, задача - в сведении в общую базу.

День потерять, потом за пять минут долететь

Второе направление - автоматизация сетей, писал о нем в своем посте "Автоматизируй Это".

Вот, например, Aruba Networks, дочка HP Enterprise, заявляет, что AIOps:

  • Cокращает среднее время решения проблемы до 90%.
  • Увеличивает использование сети на 25% с помощью оптимизации конфигурации.
  • Обеспечивает профилирование конечных точек на основе искусственного интеллекта (IoT и вычислительные системы) с точностью до 99%.
image-34Сокращаем с AIOps среднее время решения проблемы в 10 раз

Вывод: AI в отрасли работает, применяется, ведется пропитка консервативных заказчиков.

Не умел - научим

Третье направление - обработка сигналов для DAS, описанное мной в "Лучи, звуки, машины". С подачи Анатолия Левенчука в комментариях к посту, полез проверять, какие архитектуры сетей сейчас на фронтире обработки сигналов с распределенных акустических сетей DAS.

Статья августа 2022 года авторов Ceyhun Efe Kayan, Kivilcim Yuksel Aldogan, Abdurrahman Gumus из Измира "An intensity and phase stacked analysis of Phase-OTDR system using deep transfer earning and recurrent neural networks".

Вывод из статьи: сверточные нейронные сети по-прежнему актуальны. Однако, предлагается использование объединой модели CNN + Bi-LSTM

Структура сети CNN + Bi-LSTM

Longshort term memory (LSTM), модель с длительной долгосрочной памятью - подвид RNN. Recurrent Neural Network (RNN) - это вид нейронной сети, который способен учиться на последовательных данных. Идея двунаправленных рекуррентных нейронных сетей (RNN) в том, что они включают в себя дублирование первого рекуррентного уровня в сети, затем предоставление входной последовательности как есть как входной для первого уровня и предоставление обратной копии входной последовательности ко второму. Благодаря данной архитектуре сети доступна информация о контексте как из прошлого, так и из будущего, что решает проблему однонаправленных рекуррентных сетей. Для обучения biRNN используются те же алгоритмы, что и для RNN.

image-35Для DAS технология сверточных сетей уже взлетает