Deep learning: Robotter kan lære som nyfødte
Deep learning er det nye store buzzbegreb inden for robotteknologi og kunstig intelligens.
Før vi kommer til, hvad deep learning er og hvad vi bruger det til på Teknologisk Institut, har vi brug for noget baggrundsviden.
Biologiske og kunstige neurale netværk
Neurale netværk har længe været kendt fra vores egen menneskehjerne, der bl.a. består af nerveceller. Disse nerveceller kaldes neuroner og danner et stort og komplekst netværk, hvori der sker en signaludveksling med input til neuronerne, der kvitterer med et output tilbage til netværket.
Netop inspireret af vores egne neurale netværk i hjernen prøver man at skabe kunstige neurale netværk med det formål at få maskiner til at lære sammenhænge. Dette er i og for sig ikke et nyt fænomen, og matematikken bag har været kendt i årtier. Det nye og afgørende for deep learning er, at computerkraft og algoritmer nu er hurtige nok til at anvende mulighederne ved deep learning i praksis - uden at have adgang til en supercomputer.
Fra identificering af katte på YouTube til "lærenemme" robotter
Kombinationen af hurtigere computerkraft og at man kan inddele det neurale netværk i flere lag, deep neural networks, kan man bedre udtrække informationer fra billeder og lyd.
Dette har for eksempel resulteret i, at Google har lavet en maskine, der selv kan gennemgå videoer på YouTube og identificere katte - uden menneskelig instruktion i, hvad eller hvordan en kat defineres. I praksis kender vi samme teknologi fra vores smartphone og de apps, vi bruger til genkendelse af vinetiketter eller tale.
Deep learning er baseret på adgang til enormt meget data, hvor maskinen har mulighed for at kunne lære at genkende koncepter i datamaterialet.
- Hos Teknologisk Institut arbejder vi på at bruge deep learning til at kunne træne en robot som en nyfødt. Ved at vise robotten eksempler kan man træne dem supervised, hvor man viser, hvad forskellen er på det, der skal findes/gøres eller unsupervised, hvor den finder selv forskellen, fortæller visionekspert Michael Nielsen fra Teknologisk Instituts Center for Robotteknologi.
Deep learning hos Teknologisk Institut
Helt konkret har Teknologisk Institut afprøvet et kommercielt deep learning-system fra Vidi Suite.
- Vidi Suite er software skræddersyet til industrielt billedanalyse til lokalisering, klassificering og finde fejl på emner. Softwaren gør det muligt at lære en robot at gribe om et emne ved først at vise eksempler på, hvor man gerne vil have den skal gribe - lidt ligesom når man står over for et menneske og giver en grundig instruktion ved at pege på fokuspunkter, siger Michael Nielsen.
Herudover tester Teknologisk Institut, hvordan deep learning kan bruges til mobile robotter og droner, så de via termiske billeder kan lære et afgrænset geografisk område og for eksempel genkende planter.
- Potentialet ved deep learning er stort og kan have positiv indvirkning på en række af vores eksisterende løsninger. Vi arbejder allerede med en række visionløsninger til sortering af emner, herunder for eksempel affald, hvor deep learning kan gøre robotten i stand til at lære via træning frem for programmering, siger Michael Nielsen.
- Vores mobile robotter kan lære at forudsige farlige situationer og reagere hurtigere - ligesom en ninja, der gennem flere års hård træning bliver i stand til at navigere i farlige og skiftende omgivelser, tilføjer han.