Япония ищет свое место в промышленности искусственного интеллекта и Интернета вещей

Япония ищет свое место в промышленности искусственного интеллекта и Интернета вещей

Выпуск 1(6675) от 10 января 2019 г.
РУБРИКА: ПРОРЫВНЫЕ ТЕХНОЛОГИИ МИКРО И РАДИОЭЛЕКТРОНИКИ

Япония, как и другие страны, ищет свою исключительную нишу в области искусственного интеллекта и Интернета вещей. Поиск ведется в максимально широком диапазоне – ​с целью захвата как можно большей доли в различных прикладных сегментах этих направлений. На прошедшей в начале ноября в Йокогаме торгово-промышленной выставке по встраиваемым технологиям – ​Embedded Technology 2018 Exhibition – ​японские и иностранные фирмы демонстрировали свои разработки в этой области. При этом Японию представляли не только крупные, хорошо известные компании, но и большое число стартапов.

Как и на любой другой выставке, посвященной встраиваемым технологиям, основное внимание на Embedded Technology 2018 уделялось двум актуальным темам сегодняшнего дня: искусственному интеллекту (ИИ) и Интернету вещей (IoT).

Тяжеловесы японской электронной промышленности – ​в основном Fujitsu, NEC и Toshiba – ​продемонстрировали новые материалы и беспроводные технологии, которые они считают важными для распространения применений Интернета вещей. Кроме того, в этом году на выставке было представлено множество японских стартапов, в том числе Ascent Robotics, LeapMind, Robit и др., которые активно занимаются ИИ в сфере бизнеса и технологий. Хотя эти японские новички в области ИИ в основном неизвестны миру, их мотивация – ​то, что они делают, как они это делают и почему они это делают – ​ничем не отличается от мотивации стартапов во всем мире. Они активны, амбициозны и умеют быстро принимать решения. Они хотят сделать ИИ полезным и доказать его эффективность в реальных промышленных и потребительских приложениях.

Японские стартапы, как правило, отличаются от стартапов в других странах стремлением использовать многолетний опыт Японии в создании роботов и автомобилей. Они хотят использовать свою близость к автоматизированным производственным площадкам и опытным руководителям предприятий в качестве основы для разработки алгоритмов ИИ для промышленных приложений.

Общей нитью, связывающей известные фирмы и стартапы, собравшиеся на выставке, стало активное продвижение и развитие новейших технологий. Хотя Google, Facebook, Amazon и другие американские компании уже заняли лидирующие позиции в таких областях, как большие данные, центры обработки и хранения данных (ЦОД) и глубокое обучение, Япония планирует сосредоточиться на том, чтобы сделать современные приборы более интеллектуальными, подключенными и автономными.


РАЗРАБОТКИ СТАРТАПА LEAPMIND В ОБЛАСТИ ГЛУБОКОГО ОБУЧЕНИЯ

Технические руководители разных фирм часто говорят о внедрении глубокого обучения в свой бизнес. Но мало кто обсуждает реальные проблемы сбора данных, реализации глубокого обучения и внедрения функций формулирования выводов на оконечные устройства. До настоящего времени методы глубокого обучения, доказавшие свою эффективность в реальном мире, ограничиваются несколькими приложениями, реализованными крупными корпорациями с большими оборотами.

Токийский стартап LeapMind поставил перед собой цель сделать глубокое обучение повсеместным на оконечных устройствах. При работе с клиентами специалисты LeapMind сначала выясняют, какие конкретные проблемы необходимо решить, затем проверяют, насколько для этого подходит глубокое обучение, затем помогают собрать большие данные и, наконец, содействуют разработке реализаций ИИ на оконечных встраиваемых устройствах.

До сих пор LeapMind применяла глубокое обучение для обнаружения аномалий – ​трещин, пятен или зон ржавчины – ​и объектов, где могут быть найдены автомобили, светофоры, дорожные знаки и т. д. Компания также применяла глубокое обучение для прогнозирования опасности, используя большие данные, чтобы предвидеть возможную неисправность.

В рамках совместных работ с корпорацией NTT Data стартап LeapMind создает беспилотный летательный аппарат (БЛА) для визуального контроля линий электропередач с целью обнаружения аномалий. Это непростая задача, так как провода имеют тенденцию провисать между столбами. Использование ИИ позволит контролировать провода ЛЭП при любом провисании и определять степень его критичности, а также, в дальнейшем, и другие параметры (истончение проводов, места потенциальных обрывов и т. д.). Для этого будут использоваться методы глубокого обучения, разработанные NTT Data.

В своих работах фирма LeapMind использует технологию квантования до побитного уровня, что позволяет манипулировать данными на уровне бит (поразрядная обработка данных и поразрядные операции). В рамках разрабатываемых ею оригинальных архитектур нейронных сетей, оптимально работающих на фирменном целевом оборудовании, основным аппаратным обеспечением являются дешевые вентильные матрицы, программируемые пользователем (FPGA), с малой потребляемой мощностью – ​схемы семейства Cyclone-V корпорации Intel (одного из инвесторов LeapMind). Вместе с архитектурой глубокого обучения на основе фирменной технологии квантования они позволяют создавать решения типа TensorFlow (рис. 1), продемонстрировавшие эффективность работы с высоким быстродействием при ограниченном объеме памяти.



Источник: LeapMind

Рисунок 1. Автоматизированный технологический процесс TensorFlow, обученный клеточной нейронной сетью и осуществляющий передачу данных от датчиков на FPGA


В развитие достигнутого LeapMind разработала специальный метод квантования и специальные сети, максимально совместимые с FPGA. Этот недавно представленный продукт получил название Blueoil. Он представляет собой программный стек, предназначенный для нейронных сетей и доступный в исполнении с открытыми исходниками. Специалисты LeapMind утверждают, что их новые модели на основе Blueoil могут быть легко обучены путем только подготовки данных. Готовая модель преобразуется в двоичный файл, запускаемый в работу на FPGA или центральном процессоре с помощью одной команды.


ПЕЧАТНЫЕ ДАТЧИКИ КОРПОРАЦИИ NEC

Корпорация NEC представила листовые датчики, формируемые поверх тонкопленочных транзисторов. Эти тонкие, легкие и гибкие приборы изготавливаются при помощи печатной технологии. Они определяют значение тока, которое применяется в соответствии с приложенным к каждому элементу датчика давлением. Результатом стал механизм выявления распределения давления по всему листу (рис. 2). Размеры листовых датчиков могут достигать 288×172,8 мм, число сенсорных ячеек на лист в вариантах высокой плотности – ​до 34,56 тыс. шт. При размещении на полках магазинов такие датчики могут отслеживать любые изменения местоположения и веса выставленных товаров.



Источник: EE Times

Рисунок 2. Листовые датчики фиксируют давление пластиковой бутылки и человеческой руки


ЯПОНСКИЕ СТАРТАПЫ: АВТОМОБИЛИ И РОБОТОТЕХНИКА

В 2016 г. специализированная фирма Robotics/AI (г. Токио, создана канадскими специалистами) сформировала стартап Ascent Robotics, основные работы которого связаны не с аппаратным обеспечением, а с созданием алгоритмов для интеллектуальных транспортных средств следующих поколений и перспективных решений для промышленной робототехники. В отличие от материнской фирмы, состоящей из молодых специалистов из-за пределов Японии и создающей рабочую среду только на английском языке, новый стартап перешел на местную (японскую) рабочую среду и нанял местных специалистов. Это позволило ему динамично развиваться. Специалисты Ascent Robotics надеются повторить успех аналогичного по роду деятельности японского стартапа Preferred Networks, оценка стоимости которого за несколько лет увеличилась до 2 млрд долл., и стать второй по величине фирмой Японии, специализирующейся в области ИИ.

Preferred Networks ежегодно получает от своего ведущего инвестора, фирмы Toyota Motor, более 110 млн долл. Кроме того, крупнейший в мире производитель промышленных роботов, корпорация Fanuc, предоставляет стартапу доступ к данным, генерируемым тысячами роботов, работающих на различных производственных линиях. В отличие от Preferred Networks, стартап Ascent Robotics до сих пор не установил связи с японскими автопроизводителями или изготовителями робототехники и не получает от них прямых инвестиций. Ascent Robotics сосредоточился на сложных тренажерах, необходимых автомобильной и робототехнической промышленности Японии. Специалисты стартапа рассчитывают, что подобные моделирующие системы для разработки алгоритмов ИИ для глубокого стимулированного обучения (обучение по алгоритму «кнут и пряник»), а также средства обобщенного моделирования в конце концов позволят Ascent Robotics занять выгодные позиции.

Недавно Ascent Robotics представила собственную обучающую архитектуру Atlas, призванную обеспечить более эффективную и более интеллектуальную подготовку в области ИИ для решения самых разнообразных задач. Atlas имеет решающее значение для снижения потребности в формируемых и вводимых вручную кодах, помеченных обучающих данных и дорогостоящем тестировании в реальном масштабе времени.

С лета 2017 г. Ascent Robotics эксплуатирует парк из четырех автомобилей, каждый из которых оснащен восемью лидарами, восемью камерами, четырьмя радарами миллиметрового диапазона и одним ИК-датчиком (рис. 3). Такие фирмы, как Waymo или Uber, нуждаются в больших парках автономных средств, способных к самообучению. В отличие от них, Ascent Robotics использует свой автопарк просто для тестирования и верификации алгоритмов, разработанных на средствах моделирования стартапа.



Источник: EE Times

Рисунок 3. Автомобиль, оснащенный экспериментальными датчиками Ascent


ГИБКИЕ РАДИОМАЯЧКИ ОТ FUJITSU

Фирма Fujitsu представила радиомаячки (19×72×3 мм) с питанием от солнечного элемента, способные передавать идентификационную информацию и информацию о своем местоположении. Прибор Pulsar Gum покрыт силиконовой резиной, отличается долговечностью даже при использовании вне помещений и не требует аккумуляторного или батарейного питания. Его можно использовать в качестве носимого устройства или закреплять в качестве радиомаячка на изогнутой поверхности, такой как шлем.

По мере расширения использования Интернета вещей на производственных площадках, в коридорах зданий, транзитных (распределительных) складах также распространяются и радиомаячки, способные передавать необходимые данные соседним портативным устройствам. Однако для установки радиомаячков в любой рабочей среде требуется время плюс источник питания для каждого прибора.

На выставке Embedded Technology 2018 Fujitsu представила новую, улучшенную версию Pulsar Gum, в которой используется беспроводная технология фирм Alps Electric и NTT Data. Разработчики этих компаний в своей беспроводной технологии связи с ультрамалым потребляемым напряжением используют принцип обратного рассеяния (эхо–сигнал). Благодаря ей радиомаячок Pulsar Gum способен связываться в полевых условиях со множеством радиометок на других предметах с целью считывания информации. При этом благодаря новой технологии связи Pulsar Gum потребляет только 1/1000 мощности, используемой такими беспроводными технологиями, как BLE, IEEE802.15.4, EnOcean.

Радиометки Alps/NTT используют отражение волн, частиц или сигналов в направлении, обратном тому, откуда пришел радиосигнал, поэтому практически не тратят энергию при передаче данных на другие приборы и устройства. Их расстояние связи составляет от 5 до 10 м.

Сочетание безбатарейного радиомаячка на солнечном элементе с технологией беспроводной связи, отличающейся ультрамалой потребляемой мощностью, делает Pulsar Gum пригодным для мониторинга в самых разных сферах – ​от устаревшей инфраструктуры до производственных участков и товаров на складах. Другое преимущество – ​способность беспроводной технологии на принципе обратного рассеяния собирать данные с 30 радиометок всего за 20 мс. Технология также обеспечивает безопасность связи между радиомаячком и радиометкой посредством идентификации и шифрования. Существующие идентификационные РЧ-технологии не могут обеспечить ни сбор данных с высокой скоростью, ни безопасность беспроводной связи.


ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ВИЗУАЛЬНЫЙ КОНТРОЛЬ

Созданный в 2014 г. стартап Robit сумел зарекомендовать себя быстротой создания опытных образцов, уникальными конструкциями, прикладными разработками и встраиваемыми системами. Первым его продуктом стал робот, подключавшийся через Bluetooth к телефону, а затем физически – ​к карнизу для открытия штор. Таким образом, к звуковому сигналу робот-дворецкий добавлял световой эффект открытия штор.

С недавнего времени Robit сосредоточился на роботах визуального осмотра. Для обработки видеоданных используются собственные алгоритмы ИИ, специально разработанные для определения глубины и ширины зазубрин и сколов на поверхностях изделий. Последней разработкой стартапа стало автоматизированное решение визуального контроля Tesray, предназначенное для обнаружения аномалий и дефектов на обрабатываемых в различных производственных средах поверхностях (рис. 4).



Источник: EE Times

Рисунок 4. Визуальный алгоритм на основе искусственного интеллекта Robit обнаруживает аномалию на поверхности


Данная разработка призвана решить две проблемы: нехватку опытных людей-контролеров и автоматизацию визуального осмотра с помощью ИИ. Последнее не так просто: еще не все поставщики контрольно-измерительного оборудования и робототехники привыкли использовать ИИ. С другой стороны, поставщики средств ИИ практически не имеют понятия о том, как настраивается производственная площадка и развертывается производственное оборудование, каковы условия освещения и т. д.

* * *

Таким образом, японские фирмы, как давно известные, так и стартапы, ища свое место в сфере искусственного интеллекта, пытаются опереться на ранее накопленный опыт. Большие возможности в этом предоставляют, в частности, автомобильная промышленность и робототехника.

 

Yoshida Junko. Japan Sniffing out Its AI Niches. EE Times, November 27, 2018: https://www.eetimes.com/document.asp?doc_id=1334011


МНЕНИЕ ЭКСПЕРТА

Эдуард Войтенко

Происходящее сегодня в мире больших данных, искусственного интеллекта и автоматизации производственных процессов, логистики и аналитики нацелено на революционное повышение производительности труда. Новые технологии, которые позволяют вести учет и анализ состояния инфраструктуры, складов, торговых помещений, исключают необходимость человеческого труда там, где еще 10 лет назад участие людей казалось безальтернативным. У Японии есть как минимум три базовые причины бороться за лидерство в новой технологической гонке. Это сокращение численности экономически активного населения при увеличивающейся продолжительности жизни, закрытость страны для массовой трудовой миграции, а также экономическая модель, основывающаяся на производстве высокотехнологичной продукции. Необходимость оставаться конкурентоспособными на мировом рынке, снижать издержки и высвобождать человеческие ресурсы, сохраняя высокий уровень жизни внутри страны, – ​задача, на решение которой направлены представленные технологические решения. Немаловажную роль играет и социальное устройство общества. В Японии более 2/3 населения относится к среднему классу. Новые поколения не стремятся на рабочие места, которые не предлагают перспектив развития. И поэтому даже простые аналитические должности в скором времени станут пространством работы искусственного интеллекта. Не говоря уже о практически решенном вопросе с беспилотным транспортом и автоматизацией логистических процессов. Некоторые из представленных решений могли бы стать крайне актуальными для России. Наша страна обладает протяженной и по большей части морально устаревшей инфраструктурой, которую трудно обслуживать и контролировать. Также, как и Япония, Россия сталкивается с неизбежным сокращением численности трудоспособного населения и ростом продолжительности жизни, пусть и более медленным. Системы беспилотного транспорта, контроля состояния инфраструктуры, иные интеллектуальные решения, направленные на повышение производительности труда, уже давно востребованы в нашей стране. Наша проблема отчасти в том, что Россия все еще недостаточно интегрирована в мировую экономику, а численность среднего класса мала. Многие рабочие места, которые в развитых постиндустриальных обществах уже ассоциированы с искусственным интеллектом, в России являются основой социальной стабильности для миллионов граждан. Это, в частности, работа в транспортной отрасли и в инфраструктурных проектах. В России по-прежнему, даже несмотря на истощение трудовых резервов, применяются экстенсивные решения. Во многом этому способствует открытость для трудовой миграции. Но выбор в пользу эффективных и высокопроизводительных технологий, основанных на искусственном интеллекте и больших данных, все равно не обойдет стороной те отрасли российской экономики и те промышленные сферы, которые хорошо интегрированы в мировую экономику либо имеют соответствующие перспективы.

ЧИТАЙТЕ ТАКЖЕ

Выпуск 22(6746) от 11 ноября 2021 г. г.
Выпуск 16(6740) от 19 августа 2021 г. г.
Выпуск 13(6737) от 08 июля 2021 г. г.