Så använde byggföretaget AI i tunnelbygget

Många organisationer avskräcks av vad de ser som överväldigande utmaningar för att implementera AI:

• Tron att man behöver vara expert inom datavetenskap för att göra AI
• Oro över att det är tidskrävande och dyrt att utveckla ett AI-system
• Brist på tillgång av högkvalitativ och etiketterad data

Exemplet nedan visar hur MATLAB gör det enkelt att komma igång med AI.

Vad är AI?

Definitionen av AI, som myntades på 1950-talet och fortfarande används är "maskinens förmåga att imitera mänsklig intelligens". AI blir mer intressant när maskinen inte bara kan imitera, utan också matcha och till och med överträffa mänsklig förmåga. Det ger möjlighet att inte bara flytta över repetitiva uppgifter, utan också använda datorer till att utföra uppgifter på ett säkrare och mer effektivt sätt än vad människor kan.

När man tänker på AI idag, menar man nästan alltid maskininlärning: att träna en maskin för att den ska lära sig ett önskat beteende. En speciell typ av maskininlärning som får mycket uppmärksamhet idag är djupinlärning, där neurala nätverk används för att bygga modeller. En viktig fördel med djupinlärning är att det minskar behovet av manuell databearbetning och de omfattande domänkunskaper som krävs av andra tekniker, exempelvis traditionell signalbehandling.

Läs mer om maskininlärning med MATLAB i denna ebok

I exemplet nedan använder utvecklare på det japanska byggföretaget Obayashi Corporation djupinlärning för att hantera ett komplext problem med bildigenkänning. Träning av ett djupinlärningsnätverk från grunden kräver en stor mängd etiketterade data men genom att använda en teknik kallad överföringsinlärning kunde dessa utvecklare tillämpa djupinlärning även med en begränsad mängd data.

Läs mer om maskininlärning med MATLAB i denna ebok

Effektiv tunnelgrävning med djupinlärning

Obayashi Corporation använder en utgrävningsteknik som heter NATM-metoden. Med denna metod övervakar geologerna styrkan i berget under utgrävningen, genom att analysera olika mätstorheter såsom avståndet mellan sprickor. Även om denna metod minskar byggkostnaderna har den flera begränsningar. Det kan ta timmar att analysera en grävplats, vilket gör att antalet analyser begränsas kraftigt. Dessutom är geologer som är duktiga inom denna teknik en bristvara.

Obayashi valde att angripa ovanstående begränsningar med djupinlärning – genom att träna ett djupinlärningsnätverk i MATLAB för att automatiskt känna igen de olika mätstorheterna, baserat på bilder från utgrävningsplatsen. Utmaningen var att få tillräckligt med data. De bästa djupinlärningsnätverken har tränats på miljontals bilder, men Obayashi hade endast 70 bilder.

Obayashis geologer etiketterade de 70 bilderna för mätstorheter som vittringsförändringar och spricktillstånd. För att adressera utmaningen med den begränsade datamängden delade de upp dessa bilder i mindre delar, vilket gav ungefär 3000 bilder. Eftersom träning av ett djupinlärningsnätverk från grunden kräver mycket beräkningstid, specialistkunskap och många gånger fler bilder, använde de överföringsinlärning för att skapa ett nätverk baserat på AlexNet, ett förtränat djupinlärningsnätverk.

AlexNet har tränats på miljontals bilder för att känna igen vanliga föremål som mat, hushållsartiklar och djur, men har ingen kunskap om att tolka geologiska förhållanden från bilder på en utgrävning. Med överföringsinlärning kunde utvecklarna på Obayashi träna om AlexNet, för att kunna skatta geologiska tillstånd baserat på dessa bilder.

Hittills har Obayashis omtränade nätverk uppnått en 90-procentig noggrannhet för att förutsäga vittringsförändringar och spricktillstånd.
Som du har sett i exemplet är du redo för AI med MATLAB, även utan tidigare erfarenhet av maskininlärning eller djupinlärning.

Texten är hämtad ut en längre artikel på engelska där ytterligare exempel finns. Du hittar hela artikeln här.