Bài Tập Chương 4.

AI ứng dụng sản xuất và vận tải

Chào tôi tên là Nathan Eskew tôi là phó giáo sư ở TU Delft, tập chung vào AI trong phần
sản xuất của khoa kỹ thuật hàng không vũ trụ, Trong video này chúng ta sẽ bắt đầu bằng
phần giới thiệu chi tiết về Al là gì để chúng ta hiểu rõ hơn và sau đó có thể bắt đầu tìm
hiểu lý do tại sao, chúng ta có thể sử dụng nó trong sản xuất và ứng dụng là gì bởi Vì vậy
chúng ta sẽ xem xét Al là gì nữa, phiên bản, rất ngắn vì vậy chung ta xem xét điều đó đặc
biệt là về mặt sử dụng trong sản xuất sau đó chung ta xem xét ở nơi mà tôi thực sự không
thể đoán trước được và tại sau điều đó là rũi ro nhưng cũng là cơ hội. Điều này có nghĩa
là gì đối với các chuyên gia sản xuất? Vậy hãy bất đầu sử dụng phiên bản ngắn gọn .

ATIVERY LÀ GÌ, PHIÊN BẢN RẤT NGẮN Al được thiết kế để thực hiện một
nhiệm vụ mà không cần Hướng dẫn lập trình rõ ràng. Thay vào đó, nó lấy dữ liệu đầu vào
và dựa trên phản hồi để phát triển mô hình nhiệm vụ. Nó sử dụng mô hình này để thực
hiện nhiệm vụ (đây giống như cách con người học).

AI được thiết kế để thuật hiện nhiệm vụ mà không cần hướng dẫn lập trình

Chúng tôi không yêu cầu nó phải làm từng dòng một. Thay vào đó, chúng tôi có một
khuôn khổ cho phép nó tự học Và nếu chúng ta làm đúng thì nó học rất tốt và có thể giải
quyết được vấn đề cho chúng ta Vì vậy, chúng tôi lấy dữ liệu đầu vào và học thông qua
các loại thuật toán khác nhau tông qua phản hồi nó làm đúng hay sai không giống với bất
kỳ con người nào nhận một nhiệm vụ mới và nó sẽ trở thành một mô hình để cung cấp
thông tin mới, để nó đưa ra quyết định, giải quyết vấn đề tùy thuộc vào việc chúng ta
đang cố gắn hoàn thành. Về thuật ngữ bạn có thể đã nghe thấy một số cụm từ khác nhau:
AI trí tuệ nhân tạo, máy học, học sâu. mạng lưới thần kinh Neural ( networks) Tất cả
những điều đó có ý nghĩa gì trong bối cảnh và trong mối quan hệ với nhau? Chúng ta có
trí tuệ nhân tạo, đó là một định nghĩa rộng mà chúng ta vừa nói đến. Trong đó bạn có
máy học Đây là nơi có phí đầu vào thực tế điều chỉnh độ lệch theo thuật toán cụ thể nơi
nó tự điều chỉnh để ngày càng hoàn thành tốt hơn một nhiệm vụ Và trong đó có một khái
niệm gọi là học sâu ( deep learning). Đây là những gì được gọi là các mạng lưới thần
kinh khác nhau, và rất phức tạp và có nhiều thử thách nhưng có thể làm được một số điều
khá tuyệt vời. Bạn cần thu thập dữ liệu sau khi đã xác định được vấn đề bạn thực sự đang
cố gắng giải quyết. Thực sự phụ thuộc vào vấn đề bạn đang cố gắng giải quyết và bối
cảnh xung quanh vấn đề đó. Chúng tôi thực hiện công việc được gọi là kỹ thuật tính
năng, trong đó bạn xem xét các phần khác nhau của đầu vào, có thể được tách ra
spearated, teased out đến nơi bạn đang xem xét các mối quan hệ giữa dữ liệu đó và xem
cách chúng ta có thể tìm thấy những khuôn mẫu đó, những mối quan hệ đó, và thực sự có
thể nhận được câu trả lời chính xác tùy thuộc vào những gì chúng ta đang tìm kiếm. Sau
đó, chúng tôi lấy dữ liệu của mình và trong nhiều trường hợp, chúng tôi có câu trả lời cho
phần đầu tiên của dữ liệu đó nơi chúng tôi biết câu trả lời sẽ là gì. Chúng tôi sử dụng nó
cho việc đào tạo của chúng tôi Chúng tôi dành một lượng nhỏ để thử nghiệm nhằm đảm
bảo rằng mô hình được đào tạo theo cách chung nhưng không quá cụ thể đối với dữ liệu
đó. Sau đó, chúng tôi đã chuyển qua một thuật toán cụ thể. Theo định nghĩa rộng nhất, AI
có thể làm rất tốt hai việc. Một, nó có thể cung cấp sự phân loại Đây là A hay B hoặc mô
tả đây là điều gì. Nó có thể cho bạn biết nhiều điều về tình trạng hiện tại, việc bạn đang
làm Đó có thể là quá trình xử lý ngôn ngữ tự nhiên, có thể là những bức ảnh, có thể xem
xét dữ liệu và nói, điều gì có liên quan ở đây liệu nó có đang làm những gì tôi muốn
không? Hoặc AI có thể dự đoán mọi thứ theo một nghĩa nào đó. Nó có thể nhìn thấy
trước tương lai. Nó có thể sử dụng dữ liệu trong quá khứ và hiện tại, nhưng nó cũng có
thể xem xét các hành vi, mối tương quan và mối quan hệ khác nhau một cách tinh tế với
dữ liệu đó. Và sau đó, nó có thể đưa ra các dự đoán cực kỳ chính xác trên mô hình và
Nhưng bạn phải có khả năng thiết lập điều này với đúng loại và lượng dữ liệu phù hợp,
Việc nói này, có một vật thể ở đây ngày càng trở nên tốt hơn. Vì vậy, hãy xem xét những
thứ như điều hướng hoặc lập bản đồ mọi thứ.Và điều này đặc biệt quan trọng trong sản
xuất, nơi thông qua các loại cảm biến khác nhau, nhưng đặc biệt chỉ là dữ liệu trực quan
thông qua video và ảnh, nó có thể thấy, cái này có vẻ không ổn. Tôi nghĩ có vấn đề Sau
đó còn có quy trình và an toàn, giám sácác loại dữ liệu khác nhau được đặt cùng với các
cây quyết định khác nhau hoặc nếu sau đó gõ quy tắct và dự đoán. Vì vậy, nó có thể nhìn
và nói, Này, người này không mặc đồ bảo hộ."Nó có thể nói: tình huống này không đúng
hoặc, tôi nghĩ có nguy cơ xảy ra sự cố. Vì vậy, một ví dụ nhanh về điều này, về những gì
AI có thể làm, đặc biệt khi bạn tập hợp các loại AI khác nhau để giải quyết một vấn đề
lớn hơn, phức tạp hơn. Vì vậy, hãy nhìn vào chai cung cấp Giả sử chúng tôi có một tổ
chức lớn trong trường hợp này ở Hoa Kỳ và chúng tôi có nhiều nhà cung cấp khác nhau ở
khắp mọi nơi và nó rất, phức tạp và khó khăn. Làm thế nào để chúng tôi theo dõi nó?
Làm cách nào để đảm bảo rằng chúng ta đang thực hiện hành động đúng đắn tại bất kỳ
thời điểm nào? Chúng ta có thể lấy rất nhiều dữ liệu đó và chúng ta có thể lấy dữ liệu
trong quá khứ Vì vậy, chúng tôi biết, này có khả năng rất cao là điều gì đó sẽ xảy ra.
Chúng ta cần phải hành động nếu không muốn điều đó xảy ra.”Sau đó bạn có thể có cái
được gọi là một hệ thống chuyên gia. Nơi chúng tôi có các loại dữ liệu khác nhau được
đặt cùng với các cây quyết định khác nhau hoặc nếu sau đó gõ quy tắc nơi chúng ta có thể
thấy, được thông tin dựa trên thông tin này, đây có lẽ là điều đang diễn ra. nơi chúng ta
có thể thấy, 'này, dựa trên thông tin này, đây có lẽ là điều đang diễn ra.Và đây là dữ liệu
cốt lõi cho tôi biết tại sao lại như vậy, Sau đó, bạn có thể có các tài liệu chứa dữ liệu đó
có thể được quét lấy ra những cái tên khác nhau của những người, những địa điểm khác
nhau, và điều đó có thể giúp tìm ra xem tôi cần nói chuyện với ai? Vì vậy, nếu tôi thấy có
vấn đề, tôi sẽ xác định nguyên nhân gốc rễ của vấn đề đó.Tất cả những điều này có thể
giúp tôi tìm được người tôi cần nói chuyện rất rất nhanh chóng. so với ngày hoặc tuần
hoặc thậm chí tháng. Vậy Al thiếu soát ở đâu trong nhiều trường hợp Al rất ấn tượng về
mặt thống kê, nhưng lại không đáng tin cậy về mặt cá nhân. Và đôi khi điều đó cũng ổn
vì chúng ta cần một giải pháp gần như tốt. Nhưng đôi khi sẽ không ổn trừ khi chúng ta
đạt gần 100% nhất có thể, đặc biệt là những thứ như sản xuất an toàn chính xác."nó có
thể có tác động tồi tệ hơn nếu Al thất bại, ngay cả khi nó thất bại ít hơn con người. Dự
báo của hệ thống trí tuệ nhân tạo

Có thể có những hậu quả xấu hơn nếu AI thất bại ít hơn so với con người. Vậy nơi nào
mà AI không dự đoán được? Có nhiều nghiên cứu case study đã được thực hiện, nhưng
AI đã tìm cách giải quyết vấn đề một cách không hề rõ ràng đối với con người. Có một
trò chơi AI hide and seek được tạo ra bởi các bot khác nhau và điều họ phát hiện và rất
thú vị đọc về nó. Họ phát hiện rằng các bot AI đã học cách phá vỡ luật vật lý trong trò
chơi. Họ học được rằng nếu chúng đụng vào một góc cụ thể của đấu trường một cách
chính xác, chúng có thể bay vào không trung và vượt qua tường. Một bot khác phát hiện
rằng nó thực sự có thể leo lên một hộp và phá vỡ bộ vật lý, di chuyển quanh hộp để đạt
được mục tiêu. Điều này đầy rủi ro nếu bạn cần nó hoạt động theo cách bạn mong đợi,
nhưng cũng rất thú vị nếu bạn muốn AI khám phá những kỹ thuật mới và đổi mới. Vậy
điều này có ý nghĩa gì cho ngành sản xuất?

AI đã được triển khai thành công trong sản xuất theo nhiều cách khác nhau. Nó có thể
thực hiện những điều tuyệt vời, nhưng tất cả đều phụ thuộc vào việc biết bạn đang giải
quyết vấn đề gì, đảm bảo bạn có dữ liệu đúng, đưa nó qua quá trình huấn luyện mô hình
và sau đó triển khai nó đúng cách. Nó vẫn chưa sẵn sàng để thực hiện tất cả các nhiệm
vụ, ít nhất là đến thời điểm này. Tuy nhiên, ở một số điểm, hầu hết các vấn đề khác đều
có thể giải quyết được bằng AI. Chỉ là vấn đề thời gian và lượng công sức mà chúng ta
sẵn lòng đầu tư vào đó. Nó sẽ luôn không dự đoán được ở một mức độ nào đó. Vậy
chúng ta cũng như vậy, nên chúng ta phải nhớ điều đó và chuẩn bị một cách phù hợp để
đảm bảo rằng chúng ta thực sự đang giải quyết các vấn đề đúng cách với các rủi ro phù
hợp trong tâm trí. Nếu bạn có bất kỳ câu hỏi nào, vui lòng sử dụng cuộc trò chuyện trong
khóa học và tôi sẽ gặp bạn trong video tiếp theo