Miesiąc: marzec 2023

https://aie24.pl/

Sztuczną inteligencję można uznać za rewolucyjną technologię, a jej integracja z dużą liczbą aplikacji jest jednym z głównych czynników napędzających wzrost rynku. Oczekuje się, że na całym świecie branże skoncentrowane na człowieku, takie jak usługi finansowe i handel detaliczny, będą największymi inwestorami we wdrażanie sztucznej inteligencji, a następnie przemysł wytwórczy, energetyczny i użyteczności publicznej, transportowy itp. (wykres 19.4). W biznesie, wydajności, poprawie obsługi klienta i zadowoleniu konsumentów, cyberbezpieczeństwie, analityce, sztuczna inteligencja szybko się rozwija. Będzie to miało większy wpływ, ponieważ oczekuje się, że 40% nowych zastosowań przemysłowych wyda do 2021 r. 45 miliardów USD, uwzględniając technologie inteligentnych maszyn . Rosnące inwestycje wiodących branż w badania i rozwój będą odgrywać kluczową rolę w ulepszonych zastosowaniach technologii sztucznej inteligencji, które obejmują tagowanie, grupowanie, kategoryzację, generowanie hipotez, alarmowanie, filtrowanie, nawigację i wizualizację. Zwiększone wykorzystanie platform opartych na chmurze i sprzętu do bezpiecznego przechowywania ogromnych ilości danych dało wskazówkę dla rozwoju platformy analitycznej (Armstrong, 2016). Firma konsultingowa Zinnov oszacowała, że ​​światowe firmy wydały ponad 470 miliardów dolarów na media cyfrowe w 2017 roku, podczas gdy wydatki cyfrowe prawdopodobnie wzrosną o ponad 20%, osiągając 1,1-1,2 biliona dolarów do 2022 roku . Głównymi czynnikami rozwoju rynku sztucznej inteligencji są dostępność big data, aplikacji i usług w chmurze oraz inteligentnych asystentów wirtualnych. Nowe premiery dużych firm, takich jak NVDIA (USA), Intel (USA), Xilinx (USA), Samsung (Korea Południowa), Micron (USA), IBM (USA), Google (USA), Microsoft Corporation (USA) i Amazon Web Services (USA) pomoże w rozwoju rynku AI w nadchodzących latach . Wiele krajów korzysta z okazji rewolucji AI, aby promować krajowy rozwój gospodarczy i technologiczny. Technologia AI może być wykorzystana do zwiększenia produktywności biznesowej nawet o 40%. Ameryka Północna miała największy udział w światowym rynku w 2019 r., jednak przewiduje się, że region Azji i Pacyfiku zastąpi Amerykę Północną i stanie się wiodącym rynkiem regionalnym do 2025 r. Może to wynikać z różnych przyczyn, takich jak ogromne postępy w pojemności pamięci masowej, dużej mocy obliczeniowej i przetwarzaniu równoległym. Roboty przemysłowe generują duże ilości danych, które można wykorzystać do szkolenia tych robotów. Kraje takie jak Japonia, Chiny i Korea Południowa są uważane za największy rynek dla robotów przemysłowych. Rysunek 19.6 pokazuje, że ocena potencjału wzrostu rynku w robotyce; robo-doradcy, następnie pojazdy samojezdne, roboty analityczne, logistyczne i przemysłowe. Według Grand View Research, Inc. roboty oparte na sztucznej inteligencji automatycznie identyfikują obszar do czyszczenia i rozróżniają brud od innych obiektów. Rozwój rynku robotów sprzątających wynika z automatyzacji technologii i wyższych kosztów pracy ręcznej przy czyszczeniu dużych powierzchni. ML i DL przyciągną znaczne inwestycje w sztuczną inteligencję. Zgodnie z raportem Grand View Research, Inc. (2020a), globalny rynek sztucznej inteligencji ma osiągnąć wartość 390,9 mld USD do 2025 r. i 733,7 mld USD do 2027 r., a następnie wzrosnąć o CAGR na poziomie 46,2% w latach 2019-2027. Cele wielu firm znacznie wykraczają poza ich konkretne zastosowanie sztucznej inteligencji, które może stać się potencjalnym źródłem inwestycji i generować wsparcie dla technologii sztucznej inteligencji w przyszłości. Liczba start-upów AI na całym świecie od 2000 roku wzrosła 14-krotnie. Oczekuje się, że aktywa AI będą zyskiwać na wartości (fundusze) w miarę upływu czasu, więc nowe wskaźniki finansowe będą oceniać „Zwrot z AI”, który może obejmować fundusze generowane z algorytmu AI. Loucks i inni stwierdzili, że 82% branż z powodzeniem uzyskało dobry zwrot z inwestycji w sztuczną inteligencję. We wszystkich branżach mediana zwrotu z inwestycji w technologie kognitywne wyniosła około 17%. Niektóre branże są bardziej doświadczone niż inne w przekształcaniu inwestycji w korzyści finansowe. Dane liczbowe dotyczące zwrotu z inwestycji pokazują, że branże czerpią korzyści z technologii kognitywnych. Są też siłą napędową dla firm, takich jak Google, Microsoft czy Facebook, do rozwoju rynku i doskonalenia usług. Na przykład Netflix, korzystając ze sztucznej inteligencji, odkrył, że klienci uzyskują lepsze wyniki wyszukiwania filmu w kilka sekund, co wcześniej zajmowało ponad 90 sekund, a tym samym traciło zainteresowanie klientów wyszukiwaniem. Przyniosło Netflixowi 1 miliard dolarów rocznie więcej w porównaniu z korzystaniem bez sztucznej inteligencji.

Postępy w rozpoznawaniu obrazu i głosu to inne ważne obszary, które napędzają wzrost rynku. Ulepszona technologia rozpoznawania obrazu ma kluczowe znaczenie w inteligentnych dronach, samojezdnych samochodach i robotyce . Oczekuje się, że połączenie aplikacji AI związanych z obrazem/wizją będzie stanowić 30% całego rynku AI do 2025 r., zgodnie z ostatnim badaniem Tractica . Pod względem uzyskanych przychodów ranking wykorzystania sztucznej inteligencji był wyższy w przypadku wykrywania pojazdów, maszyn i obiektów; statyczne rozpoznawanie obrazu; i przetwarzania danych pacjentów.  Przewiduje się, że przy oczekiwanych skumulowanych przychodach w wysokości ponad 8 mld USD „rozpoznawanie statycznych obrazów, klasyfikacja i tagowanie” będzie liderem, a następnie „poprawa wydajności strategii handlu algorytmicznego” (7,5 mld USD) oraz „wydajne, skalowalne przetwarzanie danych pacjentów” ( 7,4 miliarda USD. Ponieważ przetwarzanie i analiza obrazu stają się ważnym zastosowaniem sztucznej inteligencji w różnych branżach, oczekuje się ogromnego wzrostu. Największy wzrost odnotuje region Azji i Pacyfiku. Rynek rozpoznawania obrazów AI oferujący usługi i Solutions jest wysoce konkurencyjny na rynku krajowym i międzynarodowym. Główne branże działające na tych rynkach stale rozwijają swoje produkty na podstawie opinii klientów, co zapewnia im trwałą przewagę konkurencyjną. Firmy wydają łącznie prawie 20 miliardów USD na produkty AI i usług rocznie, duzi gracze, tacy jak Google, Apple, Microsoft i Amazon, inwestują ogromne kwoty w rozwój tej technologii produktów i usług, a uniwersytety włączają sztuczną inteligencję jako ważny przedmiot do swoich programów nauczania (np. sam MIT zapewnia 1 miliard dolarów na nową uczelnię zajmującą się wyłącznie informatyką z naciskiem na sztuczną inteligencję), popyt na sztuczną inteligencję będzie wzrastał wielorako. Im bardziej obiektywna jest praca, taka jak segregowanie rzeczy do koszy, mycie naczyń, zbieranie owoców i odpowiadanie na telefony obsługi klienta itp., Tym bardziej wymagająca będzie technologia sztucznej inteligencji, ponieważ istnieje wiele zadań, które są powtarzalne i rutynowe. W ciągu najbliższych 5-15 lat takie powtarzalne i rutynowe prace zostaną zastąpione przez zastosowanie sztucznej inteligencji. Na przykład Amazon, magazyny zakupów online wdrożyły ponad 100 000 pracujących robotów, ale prace związane z kompletacją i pakowaniem są nadal wykonywane przez ludzi, co ma się zmienić z czasem

https://aie24.pl/

Zamiast używać planera do tworzenia ścieżki kinematycznej i martwić się tylko dynamiką systemu po fakcie, tutaj omawiamy, w jaki sposób moglibyśmy zrobić to wszystko na raz. Weźmiemy problem optymalizacji trajektorii dla ścieżek kinematycznych i zamienimy go w prawdziwą optymalizację trajektorii z dynamiką: będziemy optymalizować bezpośrednio nad akcjami, biorąc pod uwagę dynamikę (lub przejścia). To znacznie przybliża nas do tego, co widzieliśmy w rozdziałach wyszukiwania i MDP. Jeśli znamy dynamikę systemu, możemy znaleźć sekwencję działań do wykonania, tak jak w rozdziale 3. Jeśli nie jesteśmy pewni, możemy potrzebować polityki, jak w rozdziale 16. W tej sekcji jesteśmy patrząc bardziej bezpośrednio na podstawowy MDP, w którym pracuje robot. Przechodzimy ze znanych dyskretnych MDP na ciągłe. Oznaczymy nasz dynamiczny stan świata przez x, jak jest to powszechna praktyka — odpowiednik s w dyskretnych MDP. Niech x_s i x_g będą stanami początkowym i docelowym. Chcemy znaleźć sekwencję akcji, które po wykonaniu przez robota dają pary stanów o niskim koszcie skumulowanym. Działaniami są momenty, które oznaczamy przez u(t) dla t zaczynając od 0 i kończąc na T. Formalnie chcemy znaleźć ciąg momentów u, które minimalizują skumulowany koszt J:

podlega ograniczeniom

Jaki ma to związek z planowaniem ruchu i kontrolą śledzenia trajektorii? Cóż, wyobraźmy sobie, że usuwamy pojęcie sprawności i prześwitu z przeszkód i umieszczamy je w funkcji kosztu J, tak jak robiliśmy to wcześniej w optymalizacji trajektorii nad stanem kinematycznym. Stan dynamiczny to konfiguracja i prędkość, a momenty obrotowe u zmieniają je poprzez dynamikę f ze śledzenia trajektorii w otwartej pętli. Różnica polega na tym, że teraz myślimy jednocześnie o konfiguracjach i momentach obrotowych. Czasami możemy chcieć traktować unikanie kolizji również jako twarde ograniczenie, o czym wspomnieliśmy już wcześniej, przyglądając się optymalizacji trajektorii tylko dla stanu kinematycznego. Aby rozwiązać ten problem optymalizacji, możemy wziąć gradienty J — już nie w odniesieniu do sekwencji τ konfiguracji, ale bezpośrednio w odniesieniu do kontrolek u. Czasami pomocne jest uwzględnienie sekwencji stanów x również jako zmiennej decyzyjnej i użycie ograniczeń dynamiki, aby zapewnić, że x i u są spójne. Istnieją różne techniki optymalizacji trajektorii wykorzystujące to podejście; dwa z nich noszą nazwy wielokrotnego strzelania i bezpośredniej kolokacji. Żadna z tych technik nie znajdzie globalnego optymalnego rozwiązania, ale w praktyce mogą skutecznie sprawić, że roboty humanoidalne będą chodzić i prowadzić autonomiczne samochody. Magia ma miejsce, gdy w powyższym zadaniu J jest kwadratowe, a f jest liniowe względem x i u. Chcemy zminimalizować

Możemy optymalizować w nieskończonym horyzoncie, a nie skończonym, i uzyskujemy politykę z dowolnego stanu, a nie tylko z sekwencji kontroli. Aby to zadziałało, Q i R muszą być dodatnio określonymi macierzami. To daje nam liniowy regulator kwadratowy (LQR). W przypadku LQR optymalna funkcja wartości (zwana kosztem do przebycia) jest kwadratowa, a optymalna polityka jest liniowa. Polityka wygląda tak, jak u = -Kx, gdzie znalezienie macierzy K wymaga rozwiązania algebraicznego równania Riccati – nie jest potrzebna żadna lokalna optymalizacja, żadna iteracja wartości, żadna iteracja polityki nie jest potrzebna! Ze względu na łatwość znalezienia optymalnej polityki, LQR znajduje wiele zastosowań w praktyce, mimo że rzeczywiste problemy rzadko mają kwadratowe koszty i liniową dynamikę. Naprawdę użyteczną metodą jest metoda iteracyjna LQR (ILQR), która polega na rozpoczęciu od rozwiązania, a następnie iteracyjnym obliczeniu liniowej aproksymacji dynamiki i kwadratowej aproksymacji kosztów wokół niej, a następnie rozwiązaniu powstałego systemu LQR w celu uzyskania nowego rozwiązanie. Warianty LQR są również często używane do śledzenia trajektorii.

https://aie24.pl/

Oczekuje się, że sztuczna inteligencja zmieni działania na świecie w historii ludzkości . Wpłynie to na przyszłość praktycznie każdego człowieka i każdej branży. Algorytmy AI są używane od prawie 60 lat ; na wczesnych etapach algorytmy po prostu „powtarzają” . Postępy te rozwijały się z biegiem czasu, a dziś algorytmy „uczę się, jak się uczyć” można wykorzystać do stworzenia inteligentniejszych maszyn, które uczą się same. Algorytmy nowej generacji „wnoszę wkład, wymieniam się” mogą sprawić, że rozproszona sztuczna inteligencja stanie się rzeczywistością, chociaż te już istnieją w najbardziej zaawansowanych laboratoriach badawczych. W przeszłości gromadzenie danych i ich analiza znacznie się zwiększyły, głównie dzięki dobrej łączności, urządzeń i czujników opartych na IoT oraz większej szybkości przetwarzania danych. Niektóre sektory dopiero rozpoczynają swoją przygodę ze sztuczną inteligencją, podczas gdy inne zostały już dobrze przetestowane. Jednak oba sektory mają przed sobą długą drogę, niezależnie od wpływu sztucznej inteligencji na nasze życie . Główne branże przyjęły już nowoczesną sztuczną inteligencję lub „wąską sztuczną inteligencję”, która wykorzystuje modele wyszkolonych danych i stosuje ML lub DL. Główni gracze na rynku sztucznej inteligencji to Atomwise, Inc.; wykres życia; Sense.ly, Inc.; Zebra Medical Vision, Inc.; Baidu, Inc.; H2O AI; IBM Watson Zdrowie; NVIDIA; Enlitic, Inc.; Google Inc.; Korporacja intelektualna; i Microsoft Corporation (Johnson, 2020). Sztuczna inteligencja i uczenie maszynowe nowej generacji muszą być inteligentne, samouczące się i adaptacyjne. Adopcja big data i AI w przedsiębiorstwach pozostaje dużym wyzwaniem, ponieważ brak odpowiedniej jakości danych wpływa na wyniki AI. Pomyślnie opracowane aplikacje AI mogą nie zostać pomyślnie wdrożone z powodu braku danych. Konieczna jest zatem kolejna faza innowacji, aby połączyć gromadzone dane w chmurze z możliwościami sztucznej inteligencji w celu stworzenia nowych możliwości biznesowych. Sztuczna inteligencja jest głównym motorem powstających technologii, takich jak duże zbiory danych, robotyka i internet rzeczy, i będzie nadal działać jako innowator technologiczny w przyszłości. Niektóre przyszłe obszary obejmują, jak podano poniżej:

Transport: Czujniki na pojazdach i drogach mogą stale przesyłać dane o ruchu drogowym, które można wykorzystać do przewidywania problemów, a następnie optymalizacji przepływu ruchu. Autonomiczne samochody wkrótce staną się rzeczywistością, chociaż ich udoskonalenie może zająć dekadę lub dłużej.

Produkcja: Roboty napędzane sztuczną inteligencją mogą być wykorzystywane do wykonywania zadań, takich jak montaż i układanie w stosy.

Opieka zdrowotna: w opiece zdrowotnej choroby można dokładnie diagnozować, a opracowywanie leków jest usprawnione. Wirtualni asystenci mogą monitorować pacjentów jak pielęgniarka. Segment opieki zdrowotnej odniósł korzyści dzięki sztucznej inteligencji, takie jak chirurgia wspomagana robotem, redukcja dawki, badania kliniczne, zarządzanie przepływem pracy w szpitalu, wstępna diagnoza i automatyczna diagnostyka obrazowa (Grand View Research, Inc, 2020b). Sztuczną inteligencję można wykorzystać do zmniejszenia obciążenia klinicystów i zapewnienia personelowi paramedycznemu skutecznego narzędzia do wykonywania swoich zadań w lepszy sposób. Na przykład głosowe kontrolery objawów z obsługą AI mogą lepiej uzyskać dostęp do sytuacji i pomóc pacjentom udać się na oddział ratunkowy w celu uzyskania natychmiastowego leczenia. Oczekuje się, że sztuczna inteligencja przyczyni się do zaspokojenia około 20% zapotrzebowania na opiekę zdrowotną.

Edukacja: Cały podręcznik można zdigitalizować za pomocą sztucznej inteligencji. Wirtualni korepetytorzy mogą pomagać studentom. Analiza twarzy może ocenić emocje uczniów, niezależnie od tego, czy biorą udział w wykładzie, czy nie, a zatem nauczyciel AI może dostosować sprawę do indywidualnych potrzeb.

Media: Dziennikarstwo korzysta z AI. Na przykład Bloomberg używa technologii Cyborg do analizowania złożonych raportów finansowych.

Obsługa klienta: sztuczna inteligencja pomaga w świadczeniu usług dla klientów: na przykład Google pracuje nad asystentem opartym na sztucznej inteligencji, który może dzwonić jak człowiek, aby umówić się na wizytę, powiedzmy, do dentysty. Ponadto system może również rozumieć kontekst i niuanse.

Kognitywne zarządzanie siecią stanowi jedną z najważniejszych pojawiających się możliwości infrastruktury sieciowej. Oczekuje się, że sztuczna inteligencja w połączeniu z sieciami definiowanymi programowo (SDN) i zaawansowaną analizą zapewni autonomiczne i inteligentne działanie sieci. Można uzyskać duże korzyści ekonomiczne i społeczne, ponieważ sieci mogą osiągnąć nowy poziom samoświadomości, samokonfiguracji, samooptymalizacji, samoleczenia i samoobrony. Przyniesie to ogromne korzyści istniejącym sieciom, systemom IoT i sieciom 5G. Ponad 50% organizacji będzie wykorzystywać technologię sztucznej inteligencji do tworzenia sieci, a rynek ma osiągnąć wartość 5,8 mld USD do 2023 r., przy czym branże opieki zdrowotnej, produkcji i handlu detalicznego będą przynosić największe dochody . Dostępnych jest kilka nowych programów zapewniających bezpieczeństwo sieci. W większości przypadków, po znalezieniu luki w zabezpieczeniach, szybko rozwijany jest moduł przeciwdziałający jej. Hakerzy mogą z łatwością przeprowadzić inżynierię wsteczną modułu. Konieczne jest zatem opracowanie programów, które automatycznie wykrywają nowe ataki złośliwego oprogramowania na określone cele, pojedynczy komputer lub sieci. Powinna istnieć elastyczność zmiany parametrów wejściowych programów, aby działały nawet w nowych środowiskach. Najnowsze osiągnięcia w technikach sztucznej inteligencji skutkują dalszym opracowywaniem zakresu zastosowań dla sztucznej inteligencji. Oczekuje się, że do 2026 r. maszyny będą mogły pisać eseje; do 2027 r. będą działać autonomiczne ciężarówki; do 2031 r. sztuczna inteligencja wyprzedzi sektor detaliczny; do 2049 r. sztuczna inteligencja może być kolejnym Stephenem Kingiem, a do 2053 r. następnym Charliem Teo. Oczekuje się, że do 2065 roku wszystkie ludzkie prace zostaną zautomatyzowane, a sztuczna inteligencja zrewolucjonizuje modyfikację naszych genomów (Thomas, 2020). Naukowcy byliby w stanie edytować ludzkie DNA za pomocą korzystnych genów, w taki sam sposób, w jaki redaktor poprawia rękopis, zastępując słabsze fragmenty mocnymi . Do 2065 roku ludzie będą bliscy uwolnienia się od biologii, która ich stworzyła.

https://aie24.pl/

Cofnijmy się o krok i upewnijmy się, że rozumiemy analogię między tym, co wydarzyło się do tej pory , a tym, czego nauczyliśmy się w sekcjachdotyczących wyszukiwania, MDP i wzmacniania uczenia się. W przypadku ruchu w robotyce tak naprawdę rozważamy podstawowy MDP, w którym stany są stanami dynamicznymi (konfiguracja i prędkość), a działania są wejściami sterującymi, zwykle w postaci momentów obrotowych. Jeśli ponownie przyjrzysz się naszym przepisom dotyczącym kontroli, są to zasady, a nie plany — informują one robota, jakie działania podjąć w dowolnym stanie, w jakim może on osiągnąć. Jednak zazwyczaj są one dalekie od optymalnych polityk. Ponieważ stan dynamiczny jest ciągły i wielowymiarowy (podobnie jak przestrzeń akcji), optymalne strategie są trudne do obliczeniowego wyodrębnienia. Zamiast tego zrobiliśmy tutaj, aby rozwiązać problem. Najpierw wymyślamy plan, w uproszczonym stanie i przestrzeni działania: używamy tylko stanu kinematycznego i zakładamy, że stany są osiągalne między sobą bez zwracania uwagi na leżącą u jego podstaw dynamikę. To jest planowanie ruchu i daje nam ścieżkę odniesienia. Gdybyśmy doskonale znali dynamikę, moglibyśmy przekształcić to w plan oryginalnej przestrzeni stanów i działań. Ale ponieważ nasz model dynamiki jest zazwyczaj błędny, zamiast tego przekształcamy go w politykę, która stara się podążać za planem – wracając do niego, gdy odpływa. Robiąc to, wprowadzamy suboptymalność na dwa sposoby: po pierwsze przez planowanie bez uwzględniania dynamiki, a po drugie przez założenie, że jeśli odejdziemy od planu, optymalną rzeczą do zrobienia jest powrót do pierwotnego planu. Poniżej opisujemy techniki, które obliczają polityki bezpośrednio w stanie dynamicznym, całkowicie unikając separacji.

https://aie24.pl/

Omówiliśmy, jak planować ruchy, ale nie jak się poruszać — jak przykładać prąd do silników, wytwarzać moment obrotowy, poruszać robotem. To jest dziedzina teorii sterowania, dziedzina o coraz większym znaczeniu w sztucznej inteligencji. Należy sobie poradzić z dwoma głównymi pytaniami: w jaki sposób zamienić matematyczny opis ścieżki w sekwencję działań w świecie rzeczywistym (kontrola w otwartej pętli) oraz w jaki sposób upewniamy się, że pozostajemy na dobrej drodze (zamknięta pętla kontrola)? Od konfiguracji do momentów obrotowych do śledzenia w otwartej pętli: nasza ścieżka τ(t) daje nam konfiguracje. Robot zaczyna w spoczynku przy q_s = τ(0). Stamtąd silniki robota zamieniają prądy w momenty obrotowe, prowadząc do ruchu. Ale do jakich momentów powinien dążyć robot, aby kończyć się na q_g = τ(1)? W tym miejscu pojawia się idea modelu dynamicznego (lub modelu przejściowego). Możemy nadać robotowi funkcję f, która oblicza wpływ momentów obrotowych na konfigurację. Pamiętasz F = ma z fizyki? Cóż, jest coś takiego również dla momentów, w postaci gdzie u moment, prędkość, a Jeśli robot jest w konfiguracji q i prędkość oraz przyłożony moment obrotowy u, który doprowadziłby do przyspieszenia  Krotka  jest stanem dynamicznym, ponieważ zawiera prędkość, podczas gdy q jest stanem kinematycznym i nie jest wystarczająca do obliczenia dokładnego momentu, który należy zastosować. f jest deterministycznym modelem dynamiki w MDP w stanach dynamicznych z momentami obrotowymi jako działaniami. f^-1 to dynamika odwrotna, która mówi nam, jaki moment zastosować, jeśli chcemy określonego przyspieszenia, które prowadzi do zmiany prędkości, a tym samym do zmiany stanu dynamicznego. Tera1z, naiwnie, moglibyśmy pomyśleć o t  [0,1] jako o „czasie” w skali od 0 do 1 i wybrać nasz moment obrotowy za pomocą dynamiki odwrotnej:

zakładając, że robot zaczyna się o W rzeczywistości jednak sprawy nie są takie proste. Ścieżka została utworzona jako ciąg punktów, bez uwzględniania prędkości i przyspieszeń. Jako taka, ścieżka może nie spełniać wymagań ˙ τ(0) = 0 (robot startuje z prędkością 0), a nawet ,że τ jest  różniczkowalna (nie mówiąc już o dwukrotnej różniczkowalności). Co więcej, znaczenie punktu końcowego „1” jest niejasne: ile sekund ma to odwzorowanie? W praktyce, zanim w ogóle pomyślimy o śledzeniu ścieżki odniesienia, zwykle zmieniamy jej czas, czyli przekształcamy w trajektorię ξ(t), która odwzorowuje przedział [0,T] przez pewien czas T na punkty w przestrzeni konfiguracyjnej C. (Symbol  ξ to grecka litera Xi.) Powrót do tyłu jest trudniejszy, niż mogłoby się wydawać, ale istnieją przybliżone sposoby, aby to zrobić, na przykład wybierając maksymalną prędkość i przyspieszenie oraz używając profilu, który przyspiesza do tej maksymalnej prędkości , pozostaje tam tak długo, jak może, a następnie zwalnia z powrotem do 0. Zakładając, że możemy to zrobić, równanie (26.2) powyżej można przepisać jako

Nawet przy zmianie z rzeczywistej trajektorii  τ na ξ , równanie przyłożenia momentów od góry (nazywane prawem sterowania) ma w praktyce problem. Wracając do sekcji uczenia się przez wzmacnianie, możesz zgadnąć, co to jest. Równanie działa świetnie w sytuacji, gdy f jest dokładne, ale nieznośna rzeczywistość staje się jak zwykle przeszkodą: w rzeczywistych układach nie możemy dokładnie zmierzyć mas i bezwładności, a f może nie uwzględniać prawidłowo zjawisk fizycznych, takich jak tarcie w silnikach (tarcie, które ma tendencję do uniemożliwiania wprawiania w ruch nieruchomych powierzchni – aby się przykleiły). Tak więc, gdy ramię robota zaczyna przykładać te momenty, ale f jest nieprawidłowe, błędy kumulują się i użytkownik coraz bardziej odchodzi od ścieżki odniesienia. Zamiast po prostu pozwalać na akumulację tych błędów, robot może użyć procesu sterowania, który sprawdza, gdzie według niego jest, porównuje to z tym, gdzie chciał się znajdować, i przykłada moment obrotowy, aby zminimalizować błąd. Regulator, który zapewnia siłę w ujemnej proporcji do zaobserwowanego błędu, nazywany jest regulatorem proporcjonalnym lub w skrócie regulatorem P. Równanie siły to:

gdzie q_t jest bieżącą konfiguracją, a K_P jest stałą reprezentującą współczynnik wzmocnienia regulatora. K_P reguluje, jak mocno sterownik koryguje odchylenia między rzeczywistymi stanami q_t i stan pożądany ξ(t).  

Za każdym razem, gdy wystąpi odchylenie — czy to z powodu hałasu, czy z powodu ograniczeń sił, które robot może zastosować — robot dostarcza przeciwną siłę, której wielkość jest proporcjonalna do tego odchylenia. Intuicyjnie może się to wydawać prawdopodobne, ponieważ odchylenia powinny być kompensowane przez siłę przeciwną, aby utrzymać robota na torze. Sterownik proporcjonalny może spowodować, że robot zastosuje zbyt dużą siłę, przekraczając pożądaną ścieżkę i poruszając się zygzakiem w przód iw tył. Wynika to z naturalnej bezwładności robota: po powrocie do pozycji odniesienia robot ma prędkość, której nie można natychmiast zatrzymać. Na rysunku 26.22(a) parametr K_P = 1. Na pierwszy rzut oka można by pomyśleć, że wybranie mniejszej wartości KP rozwiąże problem, dając robotowi łagodniejsze podejście do pożądanej ścieżki. Niestety tak nie jest. Rysunek 26 (b) przedstawia trajektorię dla KP = .1, nadal wykazując zachowanie oscylacyjne. Niższa wartość parametru wzmocnienia pomaga, ale nie rozwiązuje problemu. W rzeczywistości, przy braku tarcia, regulator P jest zasadniczo prawem sprężyny; więc będzie oscylować w nieskończoność wokół ustalonej lokalizacji docelowej. Istnieje wiele sterowników, które są lepsze od prostego prawa proporcjonalnego sterowania. Mówi się, że sterownik jest stabilny, jeśli małe perturbacje prowadzą do ograniczonego błędu między robotem a sygnałem odniesienia. Mówi się, że jest całkowicie stabilny, jeśli jest w stanie powrócić, a następnie pozostać na swojej ścieżce odniesienia po takich perturbacjach. Nasz kontroler P wydaje się być stabilny, ale nie do końca stabilny, ponieważ nie znajduje się w pobliżu swojej trajektorii odniesienia. Najprostszym kontrolerem, który osiąga ścisłą stabilność w naszej domenie, jest kontroler PD. Litera „P” ponownie oznacza proporcjonalność, a „D” oznacza pochodną. Kontrolery PD są opisane następującym równaniem:

Jak sugeruje to równanie, regulatory PD rozszerzają regulatory P o składową różniczkową, która dodaje do wartości u(t) człon proporcjonalny do pierwszej pochodnej błędu ξ(t)-q_t w czasie. Jaki jest skutek takiego terminu? Ogólnie rzecz biorąc, wyraz pochodny tłumi system, który jest kontrolowany. Aby to zobaczyć, rozważ sytuację, w której błąd zmienia się szybko w czasie, jak w przypadku naszego kontrolera P powyżej. Pochodna tego błędu będzie wówczas przeciwdziałać członowi proporcjonalnemu, co zmniejszy ogólną reakcję na zaburzenie. Jeśli jednak ten sam błąd utrzymuje się i nie zmienia się, pochodna zniknie, a człon proporcjonalny dominuje w wyborze kontroli. Rysunek (c) pokazuje wynik zastosowania tego kontrolera PD do ramienia naszego robota, używając jako parametrów wzmocnienia K_P = .3 i K_D = .8. Oczywiście uzyskana ścieżka jest znacznie gładsza i nie wykazuje żadnych widocznych oscylacji. Kontrolery PD mają jednak tryby awarii. W szczególności sterowniki PD mogą nie regulować błędu do zera, nawet przy braku zewnętrznych perturbacji. Często taka sytuacja jest wynikiem systematycznej siły zewnętrznej, która nie jest częścią modelu. Na przykład autonomiczny samochód jadący po nachylonej nawierzchni może być systematycznie ściągany na bok. Zużycie ramion robota powoduje podobne systematyczne błędy. W takich sytuacjach wymagana jest nieproporcjonalna informacja zwrotna, aby zbliżyć błąd do zera. Rozwiązanie tego problemu polega na dodaniu do prawa kontrolnego trzeciego członu, opartego na zintegrowanym błędzie w czasie:

Tutaj K_I jest trzecim parametrem wzmocnienia. Składnik

oblicza całkę błędu w czasie. Efektem tego składnika jest to, że długotrwałe odchylenia między sygnałem odniesienia a stanem rzeczywistym są korygowane. Składniki całkowe zapewniają zatem, że regulator nie wykazują systematyczny błąd długotrwały, chociaż stwarzają niebezpieczeństwo zachowania oscylacyjnego.Regulator ze wszystkimi trzema składnikami nazywany jest regulatorem PID (od proporcjonalnej pochodnej całkującej).Regulatory PID są szeroko stosowane w przemyśle, do różnych problemów ze sterowaniem. Pomyśl o trzech terminach w następujący sposób: proporcjonalny: spróbuj tym bardziej, im dalej jesteś od ścieżki; pochodna: spróbuj jeszcze bardziej, jeśli błąd rośnie; całka: spróbuj bardziej, jeśli nie robiłeś postępu przez długi czas. masa pomiędzy sterowaniem w pętli otwartej w oparciu o dynamikę odwrotną a sterowaniem PID w pętli zamkniętej nazywa się sterowaniem obliczonym momentem obrotowym. Obliczamy moment obrotowy, który według naszego modelu będzie potrzebny, ale kompensujemy niedokładność modelu za pomocą proporcjonalnych warunków błędu:

Pierwszy termin nosi nazwę komponentu sprzężenia do przodu, ponieważ wyszukuje kierunek, w którym robot musi się udać, i oblicza, jaki moment obrotowy może być wymagany. Drugi to składnik sprzężenia zwrotnego, ponieważ przekazuje bieżący błąd w stanie dynamicznym z powrotem do prawa sterowania m(q) jest macierzą bezwładności w konfiguracji q – w przeciwieństwie do normalnego sterowania PD, wzmocnienia zmieniają się wraz z konfiguracją systemu.

https://aie24.pl/

Istnieją kontrowersje dotyczące przyszłości sztucznej inteligencji, takie jak wpływ sztucznej inteligencji na rynek pracy, jeśli zostanie opracowana sztuczna inteligencja na poziomie człowieka. Może to doprowadzić do eksplozji inteligencji, którą można zaakceptować lub odrzucić (Shankar, 2020). Jedna z hipotez głosi, że sztuczna inteligencja przeniesie nas do epoki, w której ludzie nie będą już musieli pracować. Powtarzalne zadania, takie jak obsługa klienta, są już kontrolowane przez sztuczną inteligencję, dlatego utrata miejsc pracy jest jednym z największych problemów podczas takiej automatyzacji. Sztuczna inteligencja może mieć pozytywny wpływ na każdą branżę i pracę, które wymagają innowacji, kreatywności i szybszego podejmowania decyzji. Według Sundara Pichai, dyrektora generalnego Google, wszystko w Google będzie skoncentrowane na sztucznej inteligencji, co może oznaczać, że sztuczna inteligencja stworzy wiele możliwości pracy wymagających kreatywności, umiejętności krytycznego myślenia i wielu innych. Większość ludzi i organizacji może odnieść korzyści ze współpracy ze sztuczną inteligencją w celu rozszerzenia zadań wykonywanych przez ludzi. Miejsc pracy będzie mnóstwo, ponieważ sztuczna inteligencja nigdy nie zastąpi ludzi. Chociaż maszyna może myśleć samodzielnie, nadal wymaga pewnych instrukcji od ludzi. Na przykład smartfon jest inteligentny, ale nadal jest kontrolowany przez ludzi. AI będzie raczej współpracownikiem/przyjacielem niż zastępcą. Maszyny zawsze zapewnią ci rozwiązanie, ale jeśli nie jesteś zaznajomiony z działaniem algorytmu, możesz uznać to za poprawną odpowiedź. Podczas czwartej rewolucji przemysłowej nastąpi połączenie świata fizycznego, cyfrowego i biologicznego . Oczekuje się, że zawody AI będą bardzo poszukiwane, ponieważ sztuczna inteligencja zmieni światową gospodarkę. Według Światowego Forum Ekonomicznego (WEF) oczekuje się, że sztuczna inteligencja stworzy więcej miejsc pracy niż straci, a do 2022 r. około 75 milionów miejsc pracy może zostać przesuniętych z powodu automatyzacji. Sztuczna inteligencja może ostatecznie doprowadzić do stworzenia 58 milionów nowych miejsc pracy na całym świecie (Johnson, 2020). WEF szacuje, że do 2022 r. około 54% wszystkich pracowników na całym świecie będzie wymagać niezbędnego przeszkolenia, choć w niektórych regionach różnica ta jest znacznie większa. WEF podkreśla, że ​​około 37% pracowników w Europie nie ma nawet podstawowych umiejętności cyfrowych. Według nowego badania IBM Institute for Business Value  w ciągu najbliższych trzech lat około 120 milionów pracowników w dwunastu największych gospodarkach świata (w tym 11,5 miliona w USA) będzie musiało zostać przeszkolonych, aby móc korzystać ze sztucznej inteligencji i automatyzacji. Sztuczna inteligencja to złożony system, a firmy potrzebują dobrze zorientowanych pracowników z technologiami tworzenia, zarządzania i wdrażania systemów AI. Wielkim wyzwaniem pozostaje przeszkolenie pracowników AI i, co najważniejsze, dzisiejszej młodzieży do zawodów jutra. Na całym świecie jest ograniczona liczba inżynierów dysponujących umiejętnościami w zakresie sztucznej inteligencji, ale mogą być potrzebne miliony. Pięć czołowych krajów, które szkolą ekspertów AI i są również czołowymi pracodawcami: USA, Chiny, Wielka Brytania, Kanada i Niemcy, które stanowią 72% ekspertów . Niedobór umiejętności w zakresie sztucznej inteligencji jest największą przeszkodą w przyjęciu i wdrożeniu technologii w firmach. Według firmy Indeed (2019) przedstawiono dziesięć umiejętności AI, na które jest największy popyt ze strony firm. Zapotrzebowanie na pracę inżyniera ML było najwyższe (75%) w 2019 r. Ci inżynierowie mogą opracowywać urządzenia i oprogramowanie wykorzystujące technologię predykcyjną, taką jak Siri firmy Apple lub aplikacje do prognozowania pogody. Inżynierowie DL byli na drugim miejscu pod względem popytu (tj. 61%), ponieważ wśród innych zadań mogą opracowywać programy naśladujące funkcje mózgu. Inżynierowie ci wnoszą wkład w trzy ważne dziedziny: autonomiczną jazdę, rozpoznawanie twarzy i robotykę. Oczekuje się, że sam globalny rynek rozpoznawania twarzy wzrośnie z 3,2 mld USD w 2019 r. do 7 mld USD do 2024 r. (Johnson, 2020). Popyt na inne zawody, np. Inżynierowie komputerowi, naukowcy zajmujący się danymi, twórcy algorytmów, wahają się od 58 do 47%. Najlepiej opłacane zawody w kolejności malejącej zostały zidentyfikowane jako inżynier uczenia maszynowego, naukowcy danych, inżynier wizji komputerowej, architekt hurtowni danych i programiści algorytmów. Raport firmy Gartner (2019) pokazuje, że aplikacje biznesowe dla sztucznej inteligencji wzrosły z 10% w 2015 r. do 37% w 2019 r., zwiększając popyt na pracę, który przewyższa obecną podaż przeszkolonych osób. W latach 2015-2019 nastąpił wzrost liczby miejsc pracy dla inżynierów ML, 128% inżynierów robotyki, 116% inżynierów robotyki i 78% analityków danych (Rzeczywiście, 2019). Powodem tego wzrostu jest to, że firmy są bardziej skłonne do wdrażania technologii AI, która znacznie dojrzała. Raport mówi, że 52% organizacji telekomunikacyjnych stosuje chatboty, a 38% dostawców usług medycznych korzysta z diagnostyki wspomaganej komputerowo. Inne operacyjne zastosowania sztucznej inteligencji mogą obejmować ochronę przed oszustwami i fragmentację konsumentów. W raporcie McKinsey Global Institute Report (2017) zasugerowano, że do 2030 r. inteligentni agenci i roboty mogą zastąpić około 30% obecnej siły roboczej na świecie.  Według tego raportu automatyzacja może zastąpić od 400 do 800 milionów miejsc pracy do 2030 r., co wymaga zmiany pracy od około 375 milionów ludzi, w zależności od różnych scenariuszy przyjęcia. Jednak liczba miejsc pracy związanych z programowaniem, robotyką, inżynierią itp. wzrośnie, ponieważ umiejętności te są wymagane do poprawy i utrzymania sztucznej inteligencji i automatyzacji. Przy ponad dwukrotnie większym zapotrzebowaniu na wyszkolonych inżynierów w ciągu ostatnich kilku lat, możliwości dla profesjonalistów, którzy chcą pracować nad najnowocześniejszymi badaniami i rozwojem sztucznej inteligencji, będą ogromne.

https://aie24.pl/

Sztuczna inteligencja może być potencjalnie szkodliwa, jeśli maszyny zaczną myśleć lepiej niż ludzie, ponieważ może to sprawić, że przejmą kontrolę nad ludźmi. Ludzie mają wiedzę, aby rozpowszechniać to, co stworzyli, i wiedzą, jak to zrobić, ale urządzenia oparte na sztucznej inteligencji nie. Uważa się, że sztuczna superinteligencja jest znacznie mądrzejsza i lepsza od najlepszych ludzkich mózgów, a autonomia AI i robotów może stać się potencjalnym zagrożeniem dla ludzkości. Super inteligentna sztuczna inteligencja może stanowić zagrożenie, ponieważ autonomiczna broń oparta na sztucznej inteligencji może zostać zaprogramowana do niszczenia lub zabijania. Systemy te mogą być wykorzystywane przez terrorystów do zabijania niewinnych osób.  Sztuczna inteligencja jest wprawdzie zaprogramowana do wykonywania pożytecznych czynności, ale może skończyć się zniszczeniem. Na przykład, jeśli chcesz jechać na lotnisko inteligentnym samochodem tak szybko, jak to możliwe, może cię tam zawieźć z wieloma szarpnięciami, ponieważ samochód dosłownie zrobił to, o co go prosiłeś. Dlatego superinteligentna sztuczna inteligencja może być idealna w osiąganiu swoich celów, ale jeśli te cele nie są zgodne z naszymi celami, może to spowodować poważny problem. Głównym celem badań nad bezpieczeństwem AI jest ochrona ludzkości przed ryzykiem.

https://aie24.pl/

Algorytmy losowego próbkowania zwykle najpierw konstruują złożoną, ale wykonalną ścieżkę, a następnie ją optymalizują. Optymalizacja trajektorii działa odwrotnie: zaczyna się od prostej, ale niewykonalnej ścieżki, a następnie stara się wypchnąć ją z kolizji. Celem jest znalezienie ścieżki, która optymalizuje funkcję kosztu1 na ścieżkach. Oznacza to, że chcemy zminimalizować funkcję kosztu J(τ), gdzie τ(0) = q_s i τ(1) = q_g. J nazywa się funkcjonałem, ponieważ jest funkcją nad funkcjami. Argumentem J jest τ, który sam jest funkcją: τ(t) przyjmuje jako dane wejściowe punkt w przedziale [0,1] i odwzorowuje go na konfigurację. Funkcjonalność standardowego kosztu stanowi kompromis między dwoma ważnymi aspektami ruch robota: unikanie kolizji i wydajność, J = J_obs+ λJ_eff gdzie wydajność J_eff mierzy długość ścieżki i może również mierzyć gładkość. Wygodnym sposobem zdefiniowania wydajności jest metoda kwadratowa: całkuje pierwszą pochodną do kwadratu (za chwilę zobaczymy, dlaczego tak naprawdę zachęca to do krótkich ścieżek):

Jako składnik przeszkody załóżmy, że możemy obliczyć odległość d(x) od dowolnego punktu x W do najbliższej krawędzi przeszkody. Ta odległość jest dodatnia poza przeszkodami, 0 na krawędzi i ujemna . Nazywa się to polem odległości ze znakiem. Możemy teraz zdefiniować pole kosztu w obszar roboczy, nazwijmy go c, który ma wysoki koszt wewnątrz przeszkód i mały koszt na zewnątrz. Przy takim koszcie możemy sprawić, że punkty w przestrzeni roboczej naprawdę nienawidzą przebywania w przeszkodach i nie lubią być tuż obok nich (unikając problemu z wykresem widoczności polegającym na tym, że zawsze zwisają z krawędzi przeszkód). Oczywiście nasz robot nie jest punktem w przestrzeni roboczej, więc mamy jeszcze trochę pracy – musimy wziąć pod uwagę wszystkie punkty b na ciele robota:

Nazywa się to całką po ścieżce — nie tylko całkuje c po drodze dla każdego punktu ciała, ale mnoży się przez pochodną, aby koszt był niezmienny w stosunku do zmiany czasu na ścieżce. Wyobraź sobie robota przeczesującego pole kosztów, akumulującego koszty, podobnie jak ruchy. Bez względu na to, jak szybko lub wolno ramię porusza się po polu, musi kumulować dokładnie taki sam koszt. Najprostszym sposobem rozwiązania powyższego problemu optymalizacji i znalezienia ścieżki jest opadanie gradientowe. Jeśli zastanawiasz się, jak obliczyć gradienty funkcjonałów względem funkcji, pomoże Ci coś, co nazywa się rachunkiem wariacyjnym. Jest to szczególnie łatwe dla funkcji formularza

które są całkami funkcji, które zależą tylko od parametru s, wartości funkcji w s i pochodnej funkcji w s. W takim przypadku równanie Eulera-Lagrange’a mówi, że gradient wynosi

Jeśli przyjrzymy się uważnie J_eff i Jobs, obaj podążają za tym wzorem. W szczególności dla J_eff mamy F(s,τ(s),τ (s))=  || (s)||². Aby uzyskać nieco większy komfort, obliczmy gradient tylko dla J_eff. Widzimy, że F nie ma bezpośredniej zależności od τ(s), więc pierwszy wyraz we wzorze wynosi 0. Pozostaje nam

ponieważ pochodna cząstkowa F względem ˙ τs) wynosi ˙ τ(s). Zwróć uwagę, jak ułatwiliśmy sobie sprawę podczas definiowania Jeffa — jest to ładna kwadratowa pochodna (i nawet umieściliśmy 1/2 na początku, aby 2 ładnie się skreślało). W praktyce zobaczysz, że ta sztuczka zdarza się często w przypadku optymalizacji — sztuka polega nie tylko na wyborze sposobu optymalizacji funkcji kosztu, ale także na wybraniu funkcji kosztu, która będzie ładnie współpracować z tym, jak ją zoptymalizujesz. Upraszczając nasz gradient, otrzymujemy

Teraz, ponieważ J_eff jest kwadratem, ustawienie tego gradientu na 0 daje nam rozwiązanie τ, gdybyśmy nie mieli do czynienia z przeszkodami. Całkując raz, otrzymujemy, że pierwsza pochodna musi być stała; całkując ponownie otrzymujemy, że τ(s) = a ∙ s+b, gdzie a i b są określone przez ograniczenia punktu końcowego e dla τ(0) i τ(1). Optymalna ścieżka w stosunku do J_eff jest więc linią prostą od początku do celu! Jest to rzeczywiście najskuteczniejszy sposób przejścia od jednego do drugiego, jeśli nie ma przeszkód, o które trzeba się martwić. Oczywiście dodanie zadań jest tym, co utrudnia sprawę – i oszczędzimy ci tutaj wyprowadzania jego gradientu. Robot zazwyczaj inicjuje swoją ścieżkę jako linię prostą, która przebija się przez niektóre przeszkody. Następnie obliczyłaby gradient kosztu względem bieżącej ścieżki, a gradient służyłby odepchnięciu ścieżki od przeszkód . Należy pamiętać, że zjazd po pochyłościach znajdzie tylko lokalnie optymalne rozwiązanie – podobnie jak wspinaczka pod górę. Metody takie jak symulowane wyżarzanie mogą być użyte do poszukiwań, aby zwiększyć prawdopodobieństwo, że lokalne optimum jest dobre.

https://aie24.pl/

Sztuczna inteligencja może nie być w stanie spełnić wszystkich oczekiwań ludzi wokół. Ludzie na ogół nie są w pełni świadomi, jak działa sztuczna inteligencja, a co za tym idzie, mają wyższe oczekiwania, których spełnienie może być nawet niemożliwe . Ludzie na ogół mają wysokie oczekiwania wobec nowych technologii i narzędzi. Jednak, jak każda inna technologia, sztuczna inteligencja również będzie miała pewne ograniczenia. W rzeczywistości sztuczna inteligencja spotkała się z dużym rozgłosem na rynku, ale faktem jest, że sztuczna inteligencja wciąż znajduje się w początkowej fazie.

https://aie24.pl/

Rozszerzenie PRM zwane szybkim badaniem drzew losowych (RRT) jest popularne w przypadku planowania pojedynczego zapytania. Stopniowo budujemy dwa drzewa, jedno z q_s jako korzeniem i drugie z q_g jako korzeniem. Wybierane są losowe kamienie milowe i podejmowana jest próba połączenia każdego nowego kamienia milowego z istniejącymi drzewami. Jeśli kamień milowy łączy oba drzewa, oznacza to, że znaleziono rozwiązanie, jak na rysunku 26.18. Jeśli nie, algorytm znajduje najbliższy punkt w każdym drzewie i dodaje do drzewa nową krawędź, która rozciąga się od punktu o odległość w kierunku kamienia milowego. Powoduje to wzrost drzewa w kierunku niezbadanych wcześniej części przestrzeni. Robotycy uwielbiają RRT za łatwość obsługi. Jednak rozwiązania RRT są zazwyczaj nieoptymalne i pozbawione płynności. Dlatego po RRT często następuje etap przetwarzania końcowego. Najczęstszym jest „skrót”, w którym losowo wybieramy jeden z wierzchołków na ścieżce rozwiązania i próbujemy go usunąć, łącząc ze sobą jego sąsiadów (za pomocą prostego planera). Robimy to wielokrotnie dla tylu kroków, na ile mamy czasu obliczeniowego. Nawet wtedy trajektorie mogą wyglądać nieco nienaturalnie ze względu na losowe pozycje wybranego kamienia milowego. RRT jest modyfikacją RRT, która sprawia, że ​​algorytm jest asymptotycznie optymalny: rozwiązanie zbliża się do rozwiązania optymalnego w miarę próbkowania coraz większej liczby kamieni milowych. Kluczowym pomysłem jest wybranie najbliższego sąsiada w oparciu o pojęcie kosztu przyszłego, a nie tylko odległość od kamienia milowego, i przeprogramowanie drzewa, zamieniając rodziców starszych wierzchołków, jeśli dotarcie do nich przez nowy kamień milowy jest tańsze.