AI és az ML
Jelentős erőfeszítések történtek és történnek a mesterséges intelligencia (artificial intelligence - AI) ipari felhasználásának hatékonyabbá tételére, különösen azok esetén, amik a gépi tanulás (machine learning - ML) segítségével működnek. Az gépi tanulás bevezetése az iparba masszív támogatást élvez, kormányzati oldalról is, de az „utómunka” már kisebb figyelmet kap; rengeteg kihívás van a mérések, minőségbiztosítás és a kiszámíthatóság terén. A problémák a gépi tanulás egyedi természetéből adódnak, hogy a rendszerszerű viselkedés (system behavior) az adat-tréningből (training data) származik és nem az emberi logikából. (Az adat tanulás azt jelenti, hogy egy halom címkézett információból a számítógép (AI) képes különböző, nem címkézett adatokat érintő feladatokat is elvégezni.) Ez az ellentmondás úgynevezett fekete dobozokhoz vezet (black-boxes) és hibás implementációhoz, amik érvénytelenítenek sok korábbi alapelvet és technikát, amik remekül működtek tradicionális szoftver-környezetben.
A gépi tanulás
A gépi tanulás egy fontos hajtóereje az ipari innovációknak a mesterséges intelligencia formájában. ML-alapú AI rendszerek folyamatosan egyedi karakterisztikákat mutatnak, mivel a modellek az adat-tréning alapján készülnek induktív módon. A modellek vagy komponensek eredendően tökéletlenek: például nem pontosak vagy túl komplexek és így nehezen értelmezhetők, ez utóbbi jellemző a deep learningre. További probléma, hogy az AI homályos követelmény-rendszerrel dolgozik, ami az emberi, akár mérnöki percepciót, emberi gondolkodásmódot illeti. Egy kutatás szerint, a mérnökök 40%-a szerint nehézkes az AI minőségbiztosítása, mivel azok teljesen új megközelítést igényelnek.
Új irányelvek
Ezzel egyidőben, egyre nagyobb igény van a magas minőségű és kiszámítható AI rendszerekre és egyre nagyobb erőforrásokkal támogatják azok ipari alkalmazásait. De igazi áttörés nem érhető el, sem a fejlesztésben, sem a terjesztésben, amíg nincsenek azok az új irányelvek kidolgozva, amelyek érhetőbbe teszik az AI működését, mert ezáltal nagyobb kapacitással folytatódhatnának a kutatások, és a mechanizmusuk megértése okán a minőségbiztosítás is megoldhatóvá válik. Nehéz megjavítani egy olyan rendszert, aminek nem értjük a működését. Erre válaszul létrejött egy konzorcium (Consortium of Quality Assurance for AI-based Products and Services), ami iparosokat és akadémikusokat tömörítve dolgozik a gépi tanulás értehetőbbé és a társadalomban elfogadottabbá tételéért. A konzorcium Japánban jött létre szakértőkből, többek között a Kawasakitól, Omrontól, Hitachitól és a tokyo-i egyetemről, akik az AI érhetőbbé tételén keresztül akarják azt a jellemzően konzervatív és zárkózott társadalom számára elfogadhatóbbá tenni és terjeszteni annak előnyei és biztonságossága mellett érvelve. A konzorcium célja, hogy általános koncepciót fogalmazzon meg az AI rendszerek minőségbiztosítására vonatkozóan és másodsorban, hogy konkrét paramétereket fogalmazzon meg a minőségi jellemzőkre, tesztelési architektúrákat nézve más és más gyártási környezetben.
Folytatás következik...