On Thursday, October 22, 2020 at 4:16:28 PM UTC-4, heby wrote:
> On 22/10/2020 19:52, Roman Tyczka wrote:
> > A może wybić szybkę, pomalować wskazówkę mocno odblaskowym lakierem i
> > robić fotę z drobnym oświetleniem?
> Za 5 lat. Po gwarancji ...
> > Wtedy wskazówka będzie "świecić" i łatwo ją będzie zlokalizować.
> A jak by jeszcze do niej przymocować mały enkoder ... Wiesz, jak bym
> mógl pozbyć się tego manometru i wstawić czujnik elektroniczny to by w
> ogóle tematu nie było ...
>
> Na razie w grę wchodzą metody bezinwazyjne, kiedyś, w przyszłosci, będa
> metody sensowne.
A moze sprobowac zabawy z kolorem oswietlenia w celu poprawienia widocznosci
wskazowki - mialem doczynienia z kamerami firmy Cognex uzywanymi razem z robotami
przemyslowymi i odpowiedni kolor oswietlenia plus filtry polaryzacyjne czynia cuda.
Albo zainwestowac w taka camera z wbudowanym systemem detekcji - jesli to jest
instalacja przemyslowa (poniewaz te kamery do tanich nie naleza).

do góry

On 23/10/2020 16:50, Adam M wrote:
> A moze sprobowac zabawy z kolorem oswietlenia w celu poprawienia widocznosci
wskazowki

Mamy 2020, niech się tym zajmuje AI a nie jakies hardwareowe, a fe,
rozwiązania ;)

do góry

2020-10-23 o 18:10 +0200, heby napisał:
> On 23/10/2020 16:50, Adam M wrote:
> > A moze sprobowac zabawy z kolorem oswietlenia w celu poprawienia
> > widocznosci wskazowki
>
> Mamy 2020, niech się tym zajmuje AI a nie jakies hardwareowe, a fe,
> rozwiązania ;)

AI są fajne, ostatnio trochę się tym bawiłem. Nie podoba mi się jednak
to, że kiedy raz zdarzy się że sieć neuronowa nie zachowa się tak, jak
powinna (czy jak człowiek tego oczekuje) - to nie wiadomo ani dlaczego,
ani jak to naprawić. No tak, można intensywnie testować, ale w
zależności od domeny przetestowanie 100% pokrycia może nie być
realistyczne.

Mateusz

do góry

On 23/10/2020 18:16, Mateusz Viste wrote:
>> Mamy 2020, niech się tym zajmuje AI a nie jakies hardwareowe, a fe,
>> rozwiązania ;)
> AI są fajne, ostatnio trochę się tym bawiłem. Nie podoba mi się jednak
> to, że kiedy raz zdarzy się że sieć neuronowa nie zachowa się tak, jak
> powinna (czy jak człowiek tego oczekuje) - to nie wiadomo ani dlaczego,
> ani jak to naprawić.

Zupełnie jak u ludzi. Tak trzymać.

do góry

On Friday, October 23, 2020 at 12:10:45 PM UTC-4, heby wrote:
> On 23/10/2020 16:50, Adam M wrote:
> > A moze sprobowac zabawy z kolorem oswietlenia w celu poprawienia widocznosci
wskazowki
> Mamy 2020, niech się tym zajmuje AI a nie jakies hardwareowe, a fe,
> rozwiązania ;)
Moze zapomnialem dodac ale kamery COGNEX maja wbudowane AI w kamere w celu
przyspieszenia analizy obrazu - uzywanie kolorowego oswietlenia i filtrow tylko
poprawia szanse na poprawny odczyt i decyzje. Przyklad z praktycznego zastosowania:
Robot instaluje 32 nakretki zaciskowe (swage nut lub PEM) - blyszczacy srebrny kolor
- na panelu aluminiowym (blyszczacy srebrny kolor) uzywajac specjalizowanej maszyny
PEM - robot musi wyszukac prawna pozycje dla kazdej nakretki (3 rozne rozmiary) i
potwierdzic poprawna instalacje (czasami nakretka sie maszynie wyslizguje - taka to
troche niezgrabna maszyna :-D )- bez uzywania odpowiedniego oswietlenia i filtrow
polaryzacji najlepsze AI wysiada (co mozna wywnioskowac z jenolitej lsniacej
srebernej powiezchni).

do góry

On Friday, October 23, 2020 at 6:16:42 PM UTC+2, Mateusz Viste wrote:
> 2020-10-23 o 18:10 +0200, heby napisał:
> > On 23/10/2020 16:50, Adam M wrote:
> > > A moze sprobowac zabawy z kolorem oswietlenia w celu poprawienia
> > > widocznosci wskazowki
> >
> > Mamy 2020, niech się tym zajmuje AI a nie jakies hardwareowe, a fe,
> > rozwiązania ;)
> AI są fajne, ostatnio trochę się tym bawiłem. Nie podoba mi się jednak
> to, że kiedy raz zdarzy się że sieć neuronowa nie zachowa się tak, jak
> powinna (czy jak człowiek tego oczekuje) - to nie wiadomo ani dlaczego,
> ani jak to naprawić.

Nie wiem co masz na myśli....

Jeśli sieć da złą odpowiedź i ktoś monitoruje system, to mamy dodatkowy
przykład który może dorzucić do danych uczących. Można sieć wytrenować
jeszcze raz na danych rozszerzonych o kolejny przykład. Teoretycznie można
uzyskać lepszą sieć trenując na zborze poszerzonym o sytuacje w których
sieć podawała błędne odpowiedzi. Ale to jest teoretycznie, bo w praktyce nie
jest taka dobrze. Wielokrotnie na danych, co do których byłem przekonany że
są lepsze, uzyskiwałem gorsze wyniki.

> No tak, można intensywnie testować, ale w
> zależności od domeny przetestowanie 100% pokrycia może nie być
> realistyczne.

Zwykle nie jest.

Pozdrawiam

do góry

2020-11-13 o 20:35 -0800, M.M. napisał:
> > AI są fajne, ostatnio trochę się tym bawiłem. Nie podoba mi się
> > jednak to, że kiedy raz zdarzy się że sieć neuronowa nie zachowa
> > się tak, jak powinna (czy jak człowiek tego oczekuje) - to nie
> > wiadomo ani dlaczego, ani jak to naprawić.
>
> Nie wiem co masz na myśli....

Przykład: wytrenowałem sieć która ma robić "coś". Sprzedałem produkt
przemysłowemu klientowi. Działa. Do momentu, kiedy sieć wysypała
klientowi produkcję. Fakt, że sieć zawiodła, to jeden problem -
powiedzmy, mniejszy. Poważniejszy problem to wytłumaczyć klientowi
dlaczego, oraz sprawić że więcej nie będzie.

> Jeśli sieć da złą odpowiedź i ktoś monitoruje system, to mamy
> dodatkowy przykład który może dorzucić do danych uczących.

Jeden przykład chyba nie wpłynie na działanie sieci - tych przykładów
musi być raczej dużo więcej... i uważać, aby nie "przetrenować" AI.

AI to niewątpliwie ciekawy temat, ale zdecydowanie nie panaceum na
wszystko. Jeśli potrzebny determinizm i możliwość zrozumienia dlaczego
robot reaguje w ten a nie inny sposób - to AI odpada.

Mateusz

do góry

On Saturday, November 14, 2020 at 8:21:23 PM UTC+1, Mateusz Viste wrote:
> 2020-11-13 o 20:35 -0800, M.M. napisał:
> > > AI są fajne, ostatnio trochę się tym bawiłem. Nie podoba mi się
> > > jednak to, że kiedy raz zdarzy się że sieć neuronowa nie zachowa
> > > się tak, jak powinna (czy jak człowiek tego oczekuje) - to nie
> > > wiadomo ani dlaczego, ani jak to naprawić.
> >
> > Nie wiem co masz na myśli....
> Przykład: wytrenowałem sieć która ma robić "coś". Sprzedałem produkt
> przemysłowemu klientowi. Działa. Do momentu, kiedy sieć wysypała
> klientowi produkcję.

Nadal nie znam wystarczającej ilości szczegółów, ale może sieć wcześniej
dużo zarobiła, albo dużo zaoszczędziła względem alternatywnych rozwiązań, że
na pewne problemy można sobie pozwolić? Albo w ogóle nie ma lepszego
rozwiązania i trzeba z wadami sieci żyć?

> Fakt, że sieć zawiodła, to jeden problem - powiedzmy, mniejszy.

Sztuczne (a i biologiczne też) sieci neuronowe z pewnym prawdopodobieństwem dają
błędne odpowiedzi. Zwykle mam N danych uczących. Dzielimy te dane na zbiór uczący o
rozmiarze NU i testowy o rozmiarze NT. I zwykle jak sieć na zbiorze uczącym da NU
poprawnych odpowiedzi, to na NT daje mniej poprawnych. Poza tym konieczność
testowania już nam zmniejsza zbiór uczący z N do NU.

Sieci według 'mojego autorskiego' pomysłu w bardzo wstępnych testach miały mniej
tego typu problemów. Ale nie mogę ich opatentować, więc nie podaję szczegółów.

> Poważniejszy problem to wytłumaczyć klientowi
> dlaczego, oraz sprawić że więcej nie będzie.

Jeśli sieć zostanie wyuczona na danych z ostatniego wypadku, to w takiej sytuacji
tego
problemu już naprawdę nie powinno być, ale jak pisałem powyżej, sieć dająca 100%
poprawnych odpowiedzi na zbiorze uczącym, zwykle daje mniej poprawnych odpowiedzi
na zbiorze testowym.

> > Jeśli sieć da złą odpowiedź i ktoś monitoruje system, to mamy
> > dodatkowy przykład który może dorzucić do danych uczących.
> Jeden przykład chyba nie wpłynie na działanie sieci - tych przykładów
> musi być raczej dużo więcej... i uważać, aby nie "przetrenować" AI.
>
> AI to niewątpliwie ciekawy temat, ale zdecydowanie nie panaceum na
> wszystko. Jeśli potrzebny determinizm i możliwość zrozumienia dlaczego
> robot reaguje w ten a nie inny sposób - to AI odpada.

Ja też się długo (może z 20 lat) zastanawiałem dlaczego dobrze wytresowany
pies działający w oparciu o biologiczną sieci neuronową, 1000 razy na 1000 przynosi
treserowi ręcznik, gdy treser o ręcznik go prosi. Podobnie dziecko dobrze
nauczone tabliczki mnożenia 1000 razy na 1000 dobrze poda wynik. Tymczasem
sieć neuronowa zrealizowana w krzemie, jeśli ze zbioru uczącego poda 100%
poprawnych wyników, to na zbiorze testowym skuteczność spada np. do 50%.
Nie rozumiałem dlaczego sztuczna sieć musi na zbiorze uczącym mieć skuteczność
np. 95%, aby i na zbiorze testowym miał wysoką skuteczność np. 95%. No i opracowałem
perceptron wielowarstwowy według swojego pomysłu - oczywiście też ma problemy, ale
z bardzo wstępnych badań wynikło, że ma ich mniej: znacznie szybciej się uczy,
znacznie szybciej działa, niekoniecznie traci ogólność gdy na zbiorze uczącym da
100% poprawnych odpowiedzi - czyli klienta można zapewnić że - w takiej samej
sytuacji - problem się już nie powtórzy.

W przypadku moich sieci, na początku wystarczy mniej danych, np. tyle, aby zapewnić,
iż
sieć zadziała poprawnie przez godzinę. Potem dane z kraksy dodajemy do danych
uczących i
próbujemy wyuczyć ponownie. System (statystycznie) powinien pracować dłużej, a w tej
konkretnej sytuacji mamy już 100% gwarancję że sieć da poprawną odpowiedź. W
przypadku
klasycznego perceptronu wielowarstwowego nie ma takiej gwarancji, zwykle musi na
danych
uczących mieć skuteczność niecałe 100%, aby i na zbiorze testowym miał niecałe 100%.

Pozdrawiam

do góry

> Jeśli sieć da złą odpowiedź i ktoś monitoruje system

Żartujesz sobie? Nie po to się inwestuje w AI, żeby cokolwiek monitorować. Do
monitorowania są potrzebni ludzie a właśnie chodzi o to, żeby ich nie było.

Twoje CV zostało odrzucone na samym początku procesu rekrutacji. I tyle. Nie ma
żadnego monitorowania, bo właśnie w tym systemie chodzi o to, żeby ograniczyć ilość
CV, na które ma patrzeć (kosztowny) człowiek w HR. Monitorowanie byłoby dokładnym
zaprzeczeniem tego celu. A wogle to pechowców nie przyjmujemy.

Twoje konto na fejsie zostało permanentnie zablokowane "z powodu naruszenia
regulaminu". I tyle. Nie ma żadnego monitorowania, bo przy miliardzie użytkowników
właśnie chodzi o to, żeby odciążyć support.

Itp.

> to mamy dodatkowy
> przykład który może dorzucić do danych uczących

Czyli chodziło o taką sieć na pracę domową na studiach? W takim razie OK.

--
Maciej Sobczak * http://www.inspirel.com

do góry

2020-11-14 o 21:56 -0800, M.M. napisał:
> Nadal nie znam wystarczającej ilości szczegółów,

Bo i szczegółów niewiele mogę podać, gdyż pomysł wdrożenia AI do mojego
rozwiązania nigdy się nie zrealizował. Po kilku tygodniach męczenia
bibliotek AI, uczenia sieci na różnych wariantach i testów wszelakich
doszedłem do wniosków które podałem wcześniej w wątku. Tj. że to
ciekawa rzecz, ale jednak nie dla mnie, nie dla każdego i nie do
wszystkiego.

A konkretniej: kilka lat temu stworzyłem ten produkt:
https://youtu.be/64cj-VcjCZk

Działa, klienci zadowoleni i w ogóle wszystko cacy. Ale jako że
ostatnio temat "AI" jest na czasie, to porobiłem nieco testów aby
zobaczyć czy dałoby się wdrożyć jakąś sieć neuronową do produktu,
zamiast obecnie relatywnie skomplikowanego algorytmu. Wartość dodana w
zasadzie byłaby żadna, ot, inne podejście - ale temat mnie ciekawił
więc obadałem.

> ale może sieć wcześniej dużo zarobiła, albo dużo zaoszczędziła
> względem alternatywnych rozwiązań, że na pewne problemy można sobie
> pozwolić?

Tak, dlatego pisałem o tym, że jednostkowa pomyłka sieci to mniejszy
problem. Jednak po takiej wpadce moi klienci (przynajmniej ci
przemysłowi) oczekują, że produkt zostanie udoskonalony i do takiej
sytuacji w wersji n+1 już nie doprowadzi. Często wymagają również
formalnego RFO (Reason For Outage). Przy AI niczego wytłumaczyć się nie
da, żadnej analizy też przeprowadzić nie można. Można co najwyżej dodać
kolejny przykład do nauki i ufać, że następnym razem się uda.

> Albo w ogóle nie ma lepszego rozwiązania i trzeba z wadami sieci żyć?

Żyć z AI nie trzeba - w takich (być może specyficznych, nie wiem)
zastosowaniach wystarczy robić po staremu - tj. proceduralny, dobrze
opisany algorytm. W warunkach kiedy użytkownik godzi się na jakiś
procent strat, a oczekiwana metoda działania jest bardzo trudna do
opisania ("odróżnij twarz owcy od ludzkiej"), to AI z pewnością jest
dobrym rozwiązaniem. Ja tylko opisuję moje wrażenia w kontekście
własnego doświadczenia, które wskazuje na to że czasem nie ma sensu
pchać się na siłę w AI (w odpowiedzi na wypowiedź Sebastiana, w której
sugerował że nowoczesne rozwiązanie problemu to AI).

> Sieci według 'mojego autorskiego' pomysłu w bardzo wstępnych testach
> miały mniej tego typu problemów. Ale nie mogę ich opatentować, więc
> nie podaję szczegółów.

Szkoda.

> Ja też się długo (może z 20 lat) zastanawiałem dlaczego dobrze
> wytresowany pies działający w oparciu o biologiczną sieci neuronową,
> 1000 razy na 1000 przynosi treserowi ręcznik, gdy treser o ręcznik go
> prosi. Podobnie dziecko dobrze nauczone tabliczki mnożenia 1000 razy
> na 1000 dobrze poda wynik. Tymczasem sieć neuronowa zrealizowana w
> krzemie, jeśli ze zbioru uczącego poda 100% poprawnych wyników, to na
> zbiorze testowym skuteczność spada np. do 50%.

Żaden ze mnie specjalista w dziedzinie AI, ale czy to nie po prostu
dlatego, że psi hardware jest daleko szybszy od obecnych krzemowych
klocków? Sama ilość neuronów jest oczywiście znacząco wyższa, a i z
tego co rozumiem to struktury biologicznych neuronów są jednak znacznie
bardziej złożone od aproksymacji którą wykonują biblioteki ANN (m.in
dlatego, że prawdziwe neurony potrafią tworzyć między sobą nowe
połączenia, a komputerowa sieć te połączenia ma sztywne i tylko zmienia
wagi na funkcjach aktywacji poszczególnych neuronów).

> W przypadku moich sieci, na początku wystarczy mniej danych, np.
> tyle, aby zapewnić, iż sieć zadziała poprawnie przez godzinę. Potem
> dane z kraksy dodajemy do danych uczących i próbujemy wyuczyć
> ponownie.

Tylko, że te kraksy trzeba wykrywać... czyli albo opłacać człowieka,
który analizuje system na bieżąco, albo napisać proceduralny program
który sprawdza wszystko po AI. A i tak nie będzie gwarancji, że jutro
rano znów się system nie wysypie.

Mateusz

do góry