Pravila po meri umetne inteligence

Pravila po meri umetne inteligence

Inovativni postopek na osnovi umetne inteligence pomaga pri boljšem razumevanju kompleksnih medsebojnih povezav ter njihovem opisovanju s pomočjo preprostih enačb. To lahko izkoristijo upravljalci strojev in naprav ter tako postanejo še bolj učinkoviti.

Iz revije Hi!tech 1/21, junij 2021

Vozniki vedo, da s pametno vožnjo lahko prihraniš veliko goriva. Pomaga že, če upoštevamo nekaj preprostih pravil, kot so: pospešuj počasi, pred ovinkom spusti nogo s plina, uporabljaj silo teže vozila ter zaviraj z motorjem, pa se bo število obiskov bencinske črpalke občutno zmanjšalo. "Za skoraj vse stroje in naprave, tudi za tiste z avtomatiziranim upravljanjem, velja enako: če jih upravljamo pravilno in daljnovidno, je njihovo delovanje veliko bolj učinkovito. In v to se splača investirati. Večinoma velja, da je bolje optimizirati delovanje neke naprave, kot pa izboljšati samo napravo, saj so možnosti za optimizacijo komponent strojne opreme pogosto že izčrpane", pojasni Dirk Hartmann iz Siemens Technology, Siemensovega centralnega raziskovalno-tehnološkega oddelka. 

 

"Seveda bi lahko razvili optimalne krmilnike, recimo s prediktivnim vodenjem (ang. Model Predictive Control), vendar pa so ti algoritmi tako računsko potratni, da bi jih komaj lahko uporabljali na običajnih enostavnih krmilnih enotah (programirljivi logični krmilniki oz. PLK). Da pa bi kljub temu take krmilnike lahko izboljšali, potrebujemo postopke, ki so manj zapleteni, na primer na pravilih temelječe krmilnike", pravi Hartmann. "Krmiljenje s pravili" pomeni, da jasno opredeljena pravila določajo, kako naj krmilnik reagira pri točno določenem stanju – krmilniki torej načeloma delujejo tako kot pametni vozniki, ki smo jih omenili v uvodu. 

Jasno opredeljena pravila določajo, kako naj se sistem upravljanja odzove v primeru konkretnega stanja.

Na meji kompleksnosti informatike

"Stroji in naprave, katerih upravljanje poteka na osnovi 'dobrih' pravil, so dejansko zelo učinkoviti. Vendar pa je za poljuben stroj ali napravo potrebno ta pravila šele poiskati", pravi Hartmann. "Doslej smo to počeli ročno, na primer tako, da so strokovnjaki analizirali delovanje krmilnikov s prediktivnim vodenjem, kar je seveda zelo kompleksno početje. Pri Siemensu pa smo sedaj naredili en korak naprej in razvili postopek, ki ta pravila poišče samodejno. Če povem bolj tehnično: iz zastavljenih ciljev, na primer varčevanje energije, in podatkov o obratovanju, ki jih dobivamo iz naprave, oziroma veličin, kot so temperatura, čas, hitrost, poraba energije, lahko izpeljemo funkcije, ki določajo, katera dejanja se izvedejo pri točno določenem stanju sistema."

 

Matematiki tako "iskanje funkcij na podlagi podatkov" imenujejo "simbolična regresija", za programerje pa je to "velikanski izziv". Simbolična regresija s poljubnimi podatki je namreč NP-poln problem oziroma problem, ki je tako računsko potraten, da tudi zmogljivi sistemi ne zmorejo najti rešitve v nekem sprejemljivem času. NP-polne probleme lahko rešimo samo, če nam uspe ustrezno poenostaviti prvotni problem ter tako znižati njegovo računsko zahtevnost.

 

"V našem primeru nam je uspelo najti tako poenostavitev", pojasni Hartmann. "Ključni impulz smo našli v raziskavi znanstvenika Maxa Tegmarka. Ta je opazil, da so matematične povezave medsebojno odvisnih fizikalnih veličin tipične in pogosto prav enostavne. V svojem delu kot eno takih tipičnih značilnosti opisuje simetrije ali polinome majhnih stopenj. Njegov algoritem umetne inteligence za simbolično regresijo, tako imenovani AI Feynman, izkorišča to lastnost tako, da sistematično išče te tipične značilnosti. Tegmark je bil pri tem zelo uspešen, saj mu je s svojim postopkom uspelo, da je vse formule, ki so predstavljene v priljubljenem standardnem delu 'Feynmanova predavanja iz fizike' avtorja Richarda Feynmana lahko izpeljal zgolj iz podatkov. Tudi podatki o stanju naprav in strojev, ki jih želimo upravljati, so fizikalne veličine, ki so med sabo povezane", pravi Hartmann. "Tako smo lahko kot osnovo uporabili Tegmarkov postopek simbolične regresije ter nato razvili naš lasten pristop, ki ga sedaj preizkušamo v okviru pilotnih projektov."

 

Eden takih projektov je na področju digitalizacije v industriji. Ukvarja se z upravljanjem vozil ter išče pravila za najbolj optimalno vožnjo avtonomnega vozila. "V našem modelu smo izdelali avto po imenu ego, ki pelje po dvopasovni cesti. Ta avto v nobenem trenutku ne sme voziti preblizu drugim vozilom ali zapustiti cesto. Hkrati pa mora napredovati s kolikor mogoče konstantno hitrostjo, se pravi brez močnega zaviranja ali pospeševanja", pojasni Hartmannov kolega pri Siemens Technology Theo Papadopoulos. "V katerem koli trenutku je znano le to, s katero hitrostjo se avto v tistem trenutku premika, koliko je oddaljen od drugih avtomobilov ter kje je rob ceste. Pri tem projektu se je naš postopek dobro odrezal. Krmiljenje z upoštevanjem pravil je dalo skoraj identične rezultate kot krmiljenje s prediktivnim vodenjem, ki je sicer optimalno, vendar računsko zelo potratno. Prepričani smo, da bomo te rezultate lahko uporabili tudi pri drugih, podobno enostavnih scenarijih."

„Stroji in naprave, katerih upravljanje poteka na osnovi 'dobrih' pravil, so dejansko zelo učinkoviti. Vendar pa je za poljuben stroj ali napravo potrebno ta pravila šele poiskati.“

Dirk Hartmann, Siemens Technology

Optimalno krmiljenje

V še enem pilotnem projektu pa so postopek na osnovi pravil uporabili za upravljanje mikro omrežja. Pri mikro omrežjih gre ponavadi za koordinacijo različnih proizvajalcev energije in shranjevalnih medijev, kot so sončne celice, vetrna energija, baterije, dizelski generatorji, gorivne celice, naprave za elektrolizo in podobno. "Pri tem se vedno postavlja vprašanje, katera mešanica virov energije je v danem trenutku optimalna", pove Ulrich Münz iz Siemens Technology v Princetonu.

 

"Naša pisarniška stavba v Princetonu je dober primer takega mikro omrežja. Opremljena je s fotonapetostno elektrarno, baterijskimi hranilniki in polnilnimi postajami za električne avtomobile, hkrati pa se napaja še iz javnega elektroenergetskega omrežja. Naš cilj je upravljanje teh komponent na način, da porabimo čim manj energije iz javnega omrežja ter hkrati znižamo porabo v konici. V Princetonu je velik delež računa za elektriko odvisen od konične porabe v zadnjih dvanajstih mesecih, kar pomeni, da moraš že za eno samo visoko konično porabo plačevati celo leto."

 

Kako torej upravljati tak sistem, da bo prišlo do zmanjšanja konične obremenitve? To je zapleteno vprašanje, saj je optimalen rezultat odvisen od nezanesljivih veličin, na primer od tega, koliko elektrike bo v prihodnjih urah dovajala fotonapetostna elektrarna oziroma kako visoka bo potreba po električni energiji v tem času. Ker nekatere veličine lahko samo ocenimo, je iskanje popolnega načina upravljanja s pomočjo klasičnih postopkov, kot je prediktivno vodenje, lahko zelo dolgotrajno. Zato raziskovalci v Princetonu sedaj z novim postopkom iščejo način, ki bi upošteval ocenjeno količino elektrike iz fotonapetostne elektrarne, ocenjeno porabo, njuno negotovost ter stanje napolnjenosti baterije. Prvi izsledki so pokazali, da se postopek lahko uporabi pri mikro omrežjih, kjer dosega dobre rezultate. Naslednji korak je izboljšanje in validacija postopka s pomočjo podatkov iz mikro omrežja v Princetonu. "Če bo to uspelo, želimo ta pravila uporabiti v našem omrežju, in sicer tako, da jih bomo implementirali v Siemensov sistem upravljanja mikro omrežja", pojasni Münz.

„Naš cilj je upravljanje teh komponent na način, da porabimo čim manj energije iz javnega omrežja ter hkrati znižamo porabo v konici.“

Ulrich Münz, Siemens Technology v Princetonu