Точнее человека. Наделенная интеллектом программа обладает сверхспособностями

29.09.19

Ее размеры впечатляют. Длина технологической системы по производству фосфора из отходов апатит-нефелиновых руд — более ста метров, высота — с многоэтажный дом (подобно тому, как на снимке), а руднотермические печи потребляют несколько десятков мегаватт электроэнергии.
Контролируют сложнейшие агрегаты и механизмы многочисленные датчики. За их показаниями следит бригада операторов — иначе не добиться безотказной и эффективной работы исполина. Но пройдет несколько лет, и управлять им в режиме реального времени, обрабатывая огромные массивы технологической информации, станут сложные алгоритмы. Они базируются на многослойных искусственных нейронных сетях, имитирующих обработку информации нервными клетками мозга. Созданием уникальных систем занимается группа сотрудников нескольких кафедр филиала НИУ «МЭИ» в Смоленске. Рассказывает ведущий исполнитель проекта, доцент, кандидат технических наук Андрей ПУЧКОВ:
— Много лет я разрабатываю программное обеспечение с использованием методов искусственного интеллекта для различных систем, например, «умного дома», а также прогноза пассажиропотока на железнодорожном транспорте. Рассматривал возможность применения подобных методов при производстве фосфора. И когда в прошлом году Российский фонд фундаментальных исследований объявил конкурс по созданию математических методов построения интеллектуальных моделей для оптимизации работы сложных объектов, наша группа приняла в нем участие и выиграла двухгодичный грант. Свою задачу мы видим так: усовершенствовать теорию и практику применения глубоких, в том числе так называемых сверточных нейронных сетей (convolutio nalneural network, CNN) и на их основе создать программное обеспечение для конкретных практических целей. Программы позволят построить иерархическую систему управления: на нижнем ее уровне — стандартная контрольно-измерительная аппаратура, на верхнем — нейросетевые алгоритмы.
Благодаря особенностям архитектуры CNN способны обрабатывать гигантские объемы информации, представленной в виде изображений объектов, уподобляясь паутине нейронов человеческого мозга. Автоматизировать удается не только вычисления (это делают компьютеры), но и ход рассуждений специалистов, принимающих решения. Фактически речь идет о создании интеллектуальных роботов. Для этого все многочисленные звенья (искусственные нейроны) алгоритма связаны между собой, как сеть нервных клеток в мозге человека, и способны решать грандиозные вычислительные задачи. Но сначала его надо обучить на десятках тысячах примерах, которые занимают гигабайты памяти и требуют больших вычислительных мощностей. В распоряжении нашего филиала — высокопроизводительный гибридный вычислительный кластер. Он состоит из двух подсистем, каждая из них включает в себя два десятиядерных процессора, оперативную память объемом 64 Гбайт и, что особенно важно, видеокарты на базе GPU NVIDIA. Они содержат несколько тысяч простых микропроцессоров, и их использование при обучении сети в десятки раз ускоряет процедуру.


— Как программа (нейросеть) определяет, нет ли нарушений технологии?
— Мы не ставим перед ней цель обнаружить возникшие неполадки в производственной цепи изготовления фосфора и сообщить о них оператору — для этого достаточно контрольно-измерительной аппаратуры. Задачи нейросети — следить за технологическим процессом с высоты своего интеллектуального положения и предупреждать о негативных тенденциях развития. Выявляя глубинные закономерности информации, о существовании которых оператор даже не предполагает, программа делает на их основе заключения и сообщает оператору. Понятно, что окончательное решение принимать будет он. По крайней мере, пока.
Установка для производства фосфора работает в различных режимах, и огромные массивы данных, поступающие от датчиков и с видеокамер, накапливаются в памяти компьютера. Сеть обучается и «запоминает», при каких показаниях процесс идет с соблюдением технологических процессов, а при каких — с отклонениями. После этого уже в рабочем режиме нейронная сеть, получая на входе информацию от контрольно-измерительной аппаратуры, на выходе формирует набор данных, которые можно интерпретировать как результат «раздумий» сети от том, что эти входные данные означают и какое развитие технологического процесса можно ожидать в будущем. Анализирует их и сообщает решение оператору. Отмечу, что обучение может идти и во время работы — по сути, программа совершенствуется на протяжении всей своей «жизни».
— Это как, поясните?
— Данные о производстве, как я уже говорил, поступают в нейронную сеть. Многопроекционная картинка характеризует действо в гиперпространстве признаков с разных сторон. Обладая подробной и разнообразной информацией, алгоритм дает прогноз, возникнут ли у установки проблемы и какого рода они будут. Программа справится с самой запутанной, многоуровневой задачей. Обработка потоков информации позволяет алгоритму реагировать на все изменения «поведения» процесса, что в какой-то степени сравнимо с восприятием окружающего мира человеком с помощью органов чувств. Но у человека их пять, а сеть осуществляет контроль по десяткам и сотням каналов поступления данных. Как мы предполагаем, системы управления «почувствуют» контролируемый объект буквально «всеми фибрами» своей технической души.
— И не будут ошибаться при этом?
— Будут, но лишь в том случае, если им не хватит информации (собранной нами в базе данных) для анализа ситуации, поскольку очень трудно учесть все нюансы, предусмотреть все возможные случайности, возникающие во время производственного цикла. Поэтому так важно при «обучении» системы заложить в нее максимальный объем сведений, чтобы, как я уже говорил, ей было с чем сравнивать. Она должна «впитывать» множество примеров. И чем больше и разнообразнее они будут, тем меньше возможностей для ошибки. Программа учится смотреть на изменяющуюся обстановку под разными углами зрения и выбирать такую проекцию (представление) многомерного образа процесса, которая позволяет наиболее полно представить интересующие нас данные.
— А оператор не растеряется, получив столько информации? Он сможет принять решение?
— Оператор будет взаимодействовать с программой через интерфейс пользователя. Ему не придется проводить сложные умозаключения — всю обработку, формирование заключений и рекомендаций в понятном для него виде выполнит компьютер. А «заметив» негативную тенденцию развития процесса, подскажет вероятную причину и выдаст сообщение, например, что «наблюдается незначительное отклонение от оптимального режима, рекомендуется увеличить расход воды для гранулятора».
Сети могут решать широчайший круг интеллектуальных задач: распознавание объектов на изображении, анализ видеопотока, перевод текста, стилизация картин… Даже сочинять музыку и стихи, что считалось прерогативой человека. В гаджетах мы уже давно используем приложения, базирующиеся на таких методах, не задумываясь об их происхождении. Скажем, популярное приложение FaceApp позволяет состарить, омолодить, «развеселить» лицо на фотографии.
Об уровне работ нашего авторского коллектива говорят публикации статей в журналах, входящих в перечень ВАК, и изданиях, учитываемых в международных библиографических и реферативных базах Scopus, Web of Science.
— В каком состоянии сейчас находится работа над грантом?
— Прошло всего полгода с начала работ, но мы уже опубликовали несколько статей, получили два свидетельства о государственной регистрации компьютерных программ. И сосредоточились на совершенствовании архитектур глубоких сетей. Надеемся, все поставленные задачи удастся решить и наметить новые горизонты исследований.

Юрий ДРИЗЕ

Нет комментариев