Miesiąc: marzec 2023

https://aie24.pl/

Jedną z obaw związanych ze sztuczną inteligencją są podnoszone kwestie prawne, które organizacje wdrażające muszą wziąć pod uwagę. Jeśli system oparty na sztucznej inteligencji zbiera wrażliwe/prywatne dane, jest to uważane za naruszenie przepisów dotyczących prywatności, nawet jeśli dane nie są wykorzystywane do ujawnienia prywatności opinii publicznej (Harkut i in., 2019). Organizacje powinny uważać na wszelkie możliwe skutki, które mogą mieć na nie negatywny wpływ, w przypadku kradzieży/przejęcia danych i wykorzystania ich przez stronę trzecią. System prawny zawodzi z technologią AI, ponieważ obecnie nie ma przepisów, które jasno określałyby, co należy zrobić, jeśli AI powoduje spustoszenie, może być z winy AI lub coś jest uszkodzone. Kolejną kwestią jest RODO, w którym dane są traktowane jako towar, z którym należy obchodzić się ostrożnie, co może stanowić wyzwanie dla gromadzenia danych i obsługi dużych zbiorów danych (Polachowska, 2019). Wrażliwe dane mogą stwarzać problemy prawne dla organizacji/firmy w przypadku ich wycieku i zagrażać pozycji firmy.

https://aie24.pl/

Randomizowane planowanie ruchu przeszukuje grafy na podstawie losowego rozkładu przestrzeni konfiguracji, a nie zwykłego rozkładu komórek. Kluczową ideą jest próbkowanie losowego zestawu punktów i tworzenie krawędzi między nimi, jeśli istnieje bardzo prosty sposób na przejście z jednego do drugiego (np. linią prostą) bez kolizji; wtedy możemy szukać na tym wykresie. Algorytm probabilistycznej mapy drogowej (PRM) jest jednym ze sposobów wykorzystania tego pomysłu. Zakładamy dostęp do sprawdzania kolizji  oraz do prostego planera B(q₁,q₂), który zwraca ścieżkę od q₁ do q₂ (lub awarii), ale robi to szybko. Ten prosty planer nie będzie kompletny — może zwrócić niepowodzenie, nawet jeśli rozwiązanie rzeczywiście istnieje. Jego zadaniem jest szybka próba połączenia q₁ i q₂ i poinformowanie głównego algorytmu, czy się powiedzie. Użyjemy go do określenia, czy pomiędzy dwoma wierzchołkami istnieje krawędź. Algorytm rozpoczyna się od próbkowania M kamieni milowych — punktów w C_free – oprócz punktów q_s i q_g. Wykorzystuje próbkowanie odrzucenia, w którym konfiguracje są próbkowane losowo i sprawdzanie kolizji przy użyciu aż do znalezienia łącznie M kamieni milowych. Następnie algorytm używa prostego planera, aby spróbować połączyć pary kamieni milowych. Jeśli prosty planista zwróci sukces, do wykresu zostanie dodana krawędź między parą; w przeciwnym razie wykres pozostaje bez zmian. Staramy się połączyć każdy kamień milowy albo z jego k najbliższymi sąsiadami (nazywamy to k-PRM), albo ze wszystkimi kamieniami milowymi w sferze o promieniu r. Na koniec algorytm szuka ścieżki na tym wykresie od q_s do q_g. Jeśli nie zostanie znaleziona żadna ścieżka, M kolejnych kamieni milowych jest próbkowanych, dodawanych do wykresu i proces jest powtarzany. Osoby o ograniczonej możliwości poruszania się nie są kompletne, ale są tak zwane probabilistycznie kompletne – w końcu znajdą drogę, jeśli taka istnieje. Intuicyjnie dzieje się tak, ponieważ próbują coraz więcej kamieni milowych. PRM sprawdzają się nawet w wielowymiarowych przestrzeniach konfiguracyjnych. PRM są również popularne w przypadku planowania z wieloma zapytaniami, w którym mamy wiele problemów z planowaniem ruchu w tej samej przestrzeni C. Często, gdy robot osiągnie cel, zostaje wezwany do osiągnięcia innego celu w tym samym obszarze roboczym. PRM są naprawdę przydatne, ponieważ robot może poświęcić czas z góry na stworzenie mapy drogowej i amortyzować wykorzystanie tej mapy drogowej dla wielu zapytań.

https://aie24.pl/

Jednym z wyzwań związanych z wykorzystaniem sztucznej inteligencji jest brak strategii jej jasnego wdrożenia w przypadku zastosowania do transformacji procesów w branży/organizacji. Do wdrożenia technologii AI wymagane jest strategiczne podejście, które może obejmować identyfikację obszarów do poprawy oraz system informacji zwrotnej o ciągłym doskonaleniu. Organizacje/branże będą musiały dobrze rozumieć technologię sztucznej inteligencji, co umożliwi im identyfikację obszarów, które można jeszcze udoskonalić za pomocą sztucznej inteligencji

https://aie24.pl/

Alternatywnym podejściem do planowania ruchu jest dyskretyzacja przestrzeni C. Metody dekompozycji komórek rozkładają wolną przestrzeń na skończoną liczbę sąsiadujących regionów, zwanych komórkami. Komórki te są zaprojektowane tak, aby problem planowania ścieżki w obrębie pojedynczej komórki można było rozwiązać prostymi środkami (np. poruszając się po linii prostej). Problem planowania ścieżki staje się wtedy problemem wyszukiwania dyskretnych grafów (jak w przypadku grafów widoczności i grafów Woronoja), aby znaleźć ścieżkę przez sekwencję komórek. Najprostszy rozkład komórek składa się z regularnie rozmieszczonej siatki. Rysunek 26.16(a) przedstawia rozkład przestrzeni w siatce kwadratowej oraz ścieżkę rozwiązania, która jest optymalna dla tego rozmiaru siatki. Cieniowanie w skali szarości wskazuje wartość każdej wolnej komórki siatki — koszt najkrótszej ścieżki z tej komórki do celu.  Oczywiście moglibyśmy również użyć algorytmu A, aby znaleźć najkrótszą ścieżkę. Ten rozkład siatki ma tę zaletę, że jest prosty do wdrożenia, ale ma trzy ograniczenia. Po pierwsze, działa tylko dla przestrzeni konfiguracyjnych o niskim wymiarze, ponieważ liczba komórek siatki wzrasta wykładniczo wraz z liczbą wymiarów d. (Brzmi znajomo? To przekleństwo wymiarowości.) Po drugie, ścieżki przez dyskretną przestrzeń stanów nie zawsze będą gładkie. Na rysunku 26.16(a) widzimy, że ukośne części ścieżki są postrzępione, przez co robotowi bardzo trudno jest je dokładnie śledzić. Robot może próbować wygładzić ścieżkę rozwiązania, ale nie jest to proste. Po trzecie, pojawia się problem, co zrobić z komórkami, które są „mieszane” – to znaczy ani w całości w wolnej przestrzeni, ani w całości w zajętej przestrzeni. Ścieżka rozwiązania obejmująca taką komórkę może nie być rzeczywistym rozwiązaniem, ponieważ może nie być możliwości bezpiecznego przejścia przez komórkę. To sprawiłoby, że planowanie ścieżki byłoby nierozsądne. Z drugiej strony, jeśli upieramy się, że można używać tylko całkowicie wolnych komórek, planer będzie niekompletny, ponieważ może się zdarzyć, że jedyne ścieżki do celu przechodzą przez mieszane komórki — może być tak, że korytarz jest w rzeczywistości szeroki wystarczy, aby robot mógł przejść, ale korytarz jest pokryty tylko mieszanymi komórkami. Pierwszym podejściem do tego problemu jest dalszy podział komórek mieszanych — być może przy użyciu komórek o połowie oryginalnego rozmiaru. Może to być kontynuowane rekurencyjnie, aż zostanie znaleziona ścieżka, która leży całkowicie w wolnych komórkach. Ta metoda działa dobrze i jest kompletna, jeśli istnieje sposób na stwierdzenie, czy dana komórka jest komórką mieszaną, co jest łatwe tylko wtedy, gdy granice przestrzeni konfiguracyjnej mają stosunkowo proste opisy matematyczne. Należy zauważyć, że rozkład komórek niekoniecznie wymaga wyraźnego przedstawienia kolby przestrzeni z przeszkodami. Możemy zdecydować, czy dołączyć komórkę, czy nie, korzystając z narzędzia do sprawdzania kolizji. Jest to kluczowe pojęcie w planowaniu ruchu. Kontroler kolizji to funkcja (q), która odwzorowuje 1, jeśli konfiguracja koliduje z przeszkodą, a 0 w przeciwnym razie. Dużo łatwiej jest sprawdzić, czy konkretna konfiguracja jest w kolizji, niż jawnie skonstruować całą przestrzeń przeszkód Cobs. Badając ścieżkę rozwiązania pokazaną na rysunku 26.16(a), widzimy dodatkową trudność, którą trzeba będzie rozwiązać. Ścieżka zawiera dowolnie ostre zakręty, ale fizyczny robot ma pęd i nie może natychmiast zmienić kierunku. Problem ten można rozwiązać, przechowując dla każdej komórki siatki dokładny stan ciągły (położenie i prędkość), który został osiągnięty, gdy komórka została osiągnięta podczas wyszukiwania. Załóżmy dalej, że propagując informacje do pobliskich komórek siatki, używamy tego ciągłego stanu jako podstawy i stosujemy model ciągłego ruchu robota do przeskakiwania do pobliskich komórek. Więc nie robimy natychmiastowego 90 tury; wykonujemy zaokrąglony zwrot rządzony prawami ruchu. Możemy teraz zagwarantować, że uzyskana trajektoria jest gładka i rzeczywiście może zostać wykonana przez robota. Jednym z algorytmów, który to realizuje, jest hybryda A^*

https://aie24.pl/

Sztuczna inteligencja jest związana z nauką i algorytmami, co wymaga technologii. Osobom zupełnie nieświadomym tych algorytmów i technologii stojących za sztuczną inteligencją zrozumienie jej funkcjonowania jest trudne i skomplikowane. Podstawową tendencją ludzi jest to, że często zaniedbują coś, czego nie rozumieją i starają się trzymać z daleka. Dotyczy to również technologii AI; są związane z ogromnymi danymi, nauką o danych i algorytmami, przez co użytkownicy niełatwo rozumieją stosowane pojęcia. W związku z tym sztuczna inteligencja może napotkać problemy z zaufaniem ludzi, pomimo zdolności do szybkiego wykonywania zadań. Sztuczna inteligencja jest dla ludzi jak czarna skrzynka i czują się nieswojo, jeśli nie rozumieją procesu, w ramach którego sztuczna inteligencja podjęła decyzję. Dlatego sztuczna inteligencja musi budować zaufanie wśród ludzi. Najlepszym rozwiązaniem może być to, że sami ludzie zobaczą i uświadomią sobie, że technologia sztucznej inteligencji naprawdę daje lepsze wyniki. Ponadto sztuczna inteligencja zapewnia wiele możliwości uzyskiwania dokładniejszych i szybszych prognoz. Na przykład sektor bankowy, firmy świadczące usługi finansowe i ubezpieczeniowe, w tym analizy finansowe, ocena ryzyka i zarządzanie inwestycjami/portfelami, w których sztuczna inteligencja odegrała ważną rolę ze względu na duże zapotrzebowanie na zarządzanie ryzykiem.

https://aie24.pl/

Wykresy widoczności zachęcają do ścieżek, które biegną bezpośrednio przy przeszkodzie – gdybyś musiał obejść stół, aby dostać się do drzwi, najkrótszą drogą byłoby trzymanie się jak najbliżej stołu. Jeśli jednak ruch lub detekcja są niedeterministyczne, narażasz się na ryzyko uderzenia w stół. Jednym ze sposobów rozwiązania tego problemu jest udawanie, że ciało robota jest nieco większe niż w rzeczywistości, zapewniając strefę buforową. Innym sposobem jest zaakceptowanie faktu, że długość ścieżki nie jest jedyną metryką, którą chcemy zoptymalizować. Sekcja 26.8.2 pokazuje, jak nauczyć się dobrego wskaźnika z ludzkich przykładów zachowania. Trzecim sposobem jest użycie innej techniki, która umieszcza ścieżki jak najdalej od przeszkód, zamiast przytulać się do nich. Diagram Woronoja jest reprezentacją, która pozwala nam to zrobić. Aby zorientować się, co robi diagram Woronoja, rozważ przestrzeń, w której przeszkody to, powiedzmy, kilkanaście małych punktów rozrzuconych po płaszczyźnie. Teraz otocz każdy z punktów przeszkód obszarem składającym się ze wszystkich punktów na płaszczyźnie, które są bliżej tego punktu przeszkody niż jakiegokolwiek innego punktu przeszkody. W ten sposób regiony dzielą płaszczyznę. Diagram Woronoja składa się z zestawu regionów, a wykres Woronoja składa się z krawędzi i wierzchołków regionów. Kiedy przeszkody są obszarami, a nie punktami, wszystko pozostaje prawie takie samo. Każdy region nadal zawiera wszystkie punkty, które są bliżej jednej przeszkody niż jakiejkolwiek innej, gdzie odległość jest mierzona do najbliższego punktu na przeszkodzie. Granice między regionami nadal odpowiadają punktom, które są równoodległe między dwiema przeszkodami, ale teraz granica może być krzywą, a nie linią prostą. Obliczanie tych granic może być nadmiernie kosztowne w przestrzeniach wielowymiarowych. Aby rozwiązać problem planowania ruchu, łączymy punkt początkowy q_s z najbliższym punktem na wykresie Woronoja linią prostą i to samo dla punktu docelowego q_g. Następnie używamy przeszukiwania wykresów dyskretnych, aby znaleźć najkrótszą ścieżkę na wykresie. W przypadku problemów, takich jak poruszanie się po korytarzach w pomieszczeniach, daje to przyjemną ścieżkę, która biegnie środkiem korytarza. Jednak na zewnątrz może wymyślić nieefektywne ścieżki, na przykład sugerując niepotrzebny 100-metrowy objazd, aby trzymać się środka szeroko otwartej 200-metrowej przestrzeni.

https://aie24.pl/

Sztuczna inteligencja jest technologią tańszą na dłuższą metę, ale wiele firm nie może na początku zainwestować dużych środków w moc obliczeniową i infrastrukturę potrzebną do efektywnego uruchamiania modeli AI. Oprócz inwestycji ważny jest sposób efektywnego zarządzania tymi inwestycjami. Większość firm nie inwestuje jeszcze dużo, a poziom inwestycji jest wysoki tylko w przypadku wielu dużych firm. Jednym z głównych czynników braku zwrotu z AI jest po prostu brak zainwestowania w nią dużej kwoty na początku. Niewiele firm przeprowadza analizę zwrotu z inwestycji zarówno przed, jak i po wdrożeniu sztucznej inteligencji. Chociaż możliwości adaptacji sztucznej inteligencji rosną, firmy, które wdrożyły sztuczną inteligencję, wciąż znajdują się na początkowym etapie, a zatem nie są w stanie poprawnie oszacować kosztów i korzyści.

https://aie24.pl/

W przypadku uproszczonego przypadku dwuwymiarowych przestrzeni konfiguracyjnych i wielokątnych przeszkód w przestrzeni C, wykresy widoczności są wygodnym sposobem rozwiązania problemu planowania ruchu z gwarantowaną najkrótszą drogą. Niech V_obs C będzie zbiorem wierzchołków wielokątów tworzących C_obs i niech V =V_obs  {q_s ,q_g}. Konstruujemy graf G = (V,E) na zbiorze wierzchołków V z krawędziami e_ij  E łączącymi wierzchołek v_i z innym wierzchołkiem v_j, jeśli linia łącząca dwa wierzchołki jest bezkolizyjna – to znaczy, jeśli {λvi+( 1- λ )v_j : λ  [0;1]} ∩ Cobs = {}. Kiedy tak się dzieje, mówimy, że dwa wierzchołki „widzą się nawzajem”, i stąd nazwa wykresów „widoczności”. Aby rozwiązać problem planowania ruchu, wystarczy uruchomić dyskretne przeszukiwanie grafu (np. przeszukiwanie najlepszy-pierwszy) na grafie G ze stanem początkowym q_s i celem q_g. Optymalne wyszukiwanie na wykresach widoczności zawsze da nam optymalną ścieżkę (jeśli taka istnieje) lub zgłosi niepowodzenie, jeśli ścieżka nie istnieje.

https://aie24.pl/

Zarówno wiedza techniczna, jak i zrozumienie biznesowe są ważne dla pomyślnego tworzenia rozwiązań opartych na sztucznej inteligencji. Niestety, w rzeczywistości jest to jedno z dwóch. Wdrożenie technologii AI wymaga głębszego zrozumienia obecnych technologii AI i ich ograniczeń . W przypadku przedsiębiorstw występuje dotkliwy niedobór zaawansowanych umiejętności. Istnieje kilka obaw związanych ze sztuczną inteligencją, od potrzeby zatrudniania ekspertów po zarządzanie robotami. Brak know-how w zakresie sztucznej inteligencji może z jednej strony motywować do dążenia do niemożliwych do zrealizowania celów, z drugiej zaś może utrudniać adopcję AI w wielu dziedzinach. Wielu dyrektorom firm brakuje również wiedzy technicznej potrzebnej do przyjęcia sztucznej inteligencji, podczas gdy wielu analityków danych opracowujących modele może nie być zbyt zainteresowanych poznaniem rzeczywistego życia z zastosowania tych modeli. Większość firm spoza grupy FAMGA (Facebook, Apple, Microsoft, Google, Amazon) ma trudności z przyciągnięciem najlepszych talentów w AI. Małe i średnie firmy mogą mieć problemy z budżetem na przyjęcie rozwiązań opartych na sztucznej inteligencji. Jednak outsourcing zespołu AI może okazać się lepszą opcją. Niedobór umiejętności związanych z nauką o danych wśród ludzi jest dużym wyzwaniem, jeśli chodzi o maksymalne wykorzystanie sztucznej inteligencji. Interfejs AI-człowiek ma duży niedobór wyszkolonej siły roboczej z umiejętnościami analizy danych i nauki o danych, aby uzyskać optymalne wyniki z AI . Wraz ze wzrostem postępów w sztucznej inteligencji firmy będą potrzebować bardziej wykwalifikowanej siły roboczej, która będzie w stanie sprostać wymaganiom pracy z tą technologią. W związku z tym branże są zobowiązane do zapewnienia szkoleń swoim specjalistom w zakresie siły roboczej, aby mogli czerpać korzyści z tej technologii. Według statystyk około 55% ekspertów uważa, że ​​największym wyzwaniem jest zmieniająca się rola ludzi, kiedy wszystko zostanie zautomatyzowane.

https://aie24.pl/

Problem planowania ruchu polega na znalezieniu planu, który przenosi robota z jednej konfiguracji do drugiej bez kolizji z przeszkodą. Jest podstawowym budulcem ruchu i manipulacji. W sekcji 26.5.4 omówimy, jak to zrobić w przypadku skomplikowanej dynamiki, na przykład kierowania samochodem, który może zboczyć z trasy, jeśli zbyt szybko pokonujesz zakręt. Na razie skupimy się na prostym problemie planowania ruchu polegającym na znalezieniu bezkolizyjnej ścieżki geometrycznej. Planowanie ruchu jest kwintesencją problemu wyszukiwania w stanie ciągłym, ale często można zdyskretyzować przestrzeń i zastosować algorytmy wyszukiwania z rozdziału 3. Problem planowania ruchu jest czasami określany jako problem ruchu fortepianu. Swoją nazwę zawdzięcza zmaganiom osób poruszających się z przenoszeniem dużego, nieregularnego pianina z jednego pokoju do drugiego bez uderzania w nic. Otrzymujemy:

• świat przestrzeni roboczej W albo R² dla płaszczyzny lub R³ dla trzech wymiarów,
• obszar przeszkód O W,
• robota z przestrzenią konfiguracyjną C i zbiorem punktów A(q) dla q C,
• konfiguracja początkowa q_s C, oraz
• konfiguracja celu q_g C.

Obszar przeszkód wywołuje przeszkodę w przestrzeni C C_obs i odpowiadającą jej wolną przestrzeń C_free zdefiniowaną jak w poprzedniej sekcji. Musimy znaleźć ciągłą drogę przez wolną przestrzeń. Użyjemy sparametryzowanej krzywej τ(t), aby przedstawić ścieżkę, gdzie τ(0) = q_s i τ(1) = q_g i τ(t) dla każdego t pomiędzy 0 a 1 jest jakimś punktem w C_free. Oznacza to, że parametr t określa, jak daleko jesteśmy na ścieżce, od początku do celu. Zauważ, że t zachowuje się trochę jak czas, ponieważ wraz ze wzrostem t wzrasta odległość wzdłuż ścieżki, ale t jest zawsze punktem w przedziale [0,1] i nie jest mierzone w sekundach. Problem planowania ruchu może być bardziej złożony na różne sposoby: definiowanie celu jako zestawu możliwych konfiguracji, a nie pojedynczej konfiguracji; definiowanie celu w przestrzeni roboczej, a nie w przestrzeni C; zdefiniowanie funkcji kosztu (np. długości ścieżki), która ma być zminimalizowane; spełnianie ograniczeń (np. jeśli ścieżka obejmuje noszenie filiżanki kawy, upewniając się, że filiżanka jest zawsze ustawiona pionowo, aby kawa się nie rozlewała). Przestrzenie planowania ruchu: Zróbmy krok wstecz i upewnijmy się, że rozumiemy przestrzenie związane z planowaniem ruchu. Po pierwsze, mamy do czynienia z obszarem roboczym lub światemW. Punkty wW to punkty w codziennym trójwymiarowym świecie. Następnie mamy przestrzeń konfiguracji C. Punkty q w C są d-wymiarowe, gdzie d jest liczbą stopni swobody robota i są odwzorowane na zbiory punktów A(q) w W. Na koniec mamy przestrzeń ścieżki. Przestrzeń ścieżek to przestrzeń funkcji. Każdy punkt w tej przestrzeni odwzorowuje całą krzywą w przestrzeni C. Ta przestrzeń jest ¥-wymiarowa! Intuicyjnie potrzebujemy d wymiarów dla każdej konfiguracji na ścieżce, a konfiguracji na ścieżce jest tyle, ile jest punktów w przedziale liczbowym [0,1]. Rozważmy teraz kilka sposobów rozwiązania problemu planowania ruchu.