Източник: StartUp City

Facebook | Youtube| Linkedin | Туитър

Въздействие на машинното обучение върху различни сектори

Автоматизацията е ключът към предприятията, за да увеличат своята производителност и да подобрят растежа. Все по-голям брой компании по света преминават към инструменти и софтуер, свързани с автоматизацията, за да оптимизират работната си сила. Оборудването за автоматизация може да изпълнява повтарящи се и излишни задължения в реално време с изключително добра ефективност, което позволява на агенциите да използват своя персонал за по-продуктивни услуги.

Въвеждането на много интелигентни технологии като изучаване на изчислителни устройства (ML), синтетичен талант (AI), дълбоко обучение и т.н. изигра огромна роля в процеса на автоматизация. Техниките за машинно обучение използват много ефективни алгоритми, за да помогнат на компаниите да получат представа за начина и приложенията на тяхното търговско предприятие. Този метод може да бъде от полза за много фирми в редица приложения. Ето анализ на влиянието на ML методите върху отделни сектори:

Факторът блокчейн: Популярността на биткойните даде тласък нагоре на феномена блокчейн. Науката се счита широко за отличната наука, достъпна днес във фрази за защита и прозрачност. Много корпорации също започнаха да налагат блокчейн технология, тъй като тя използва ML алгоритми за архитектура с големи записи. Блокчейн оборудването смесва бисквитките и средното потребителско поведение, което се използва чрез използване на ML алгоритми за предоставяне на корпоративна информация. Въпреки че науката все още е в начален етап, много дигитални групи се опитват да се възползват от статистиката с блокчейн и ML инструменти.

Автоматизация на складирането: Управлението на склада е едно от важните предизвикателства за много агенции през годините. Компаниите все повече преминават към инструменти за автоматизация за екологично управление на складове. Пълната автоматизация на складовете може да осигури значително повишаване на производителността на една компания. Alibaba компютъризира централния склад през 2018 г., което доведе до увеличение от 70 процента в нивото на производителност.

Мобилно развитие: Стратегиите за машинно обучение са широко използвани в разработката на клетъчни приложения заради ефективни алгоритми. Google UK планира да използва задълбочено обучение, за да даде нов външен вид както в потребителското возене, така и в прецизността. Корпорацията се фокусира върху едновременната локализация и картографиране (SLAM), за да генерира и замества обкръжението в 3D автоматично.

Източник на новини: Въздействие на машинното обучение върху различни сектори

Машинно обучение: Пробуждането на протезите

Повечето хора, които преминават през частична или пълна загуба на двигателните способности на ръката, съобщават за драстично намаляване на приятното съществуване поради последващата неспособност да извършват много ежедневни дейности. Изпълнението на задачи, които обикновено се приемат за даденост, като закопчаване на риза, използване на телефона или хващане на прибори за готвене или консумиране, се превръща в разочароващо или почти невъзможно поради намаленото електричество на захващане и лошото манипулиране на мотора на ръцете, което засяга тези хора. Група иноватори от Южна Корея разработи меко носимо роботизирано устройство с цел да помогне на тези човешки същества да хващат и изстрелват обекти в близост до тях.

Тази годна за носене ръкавица за роботика е подобна на всички фактори на обикновена ръкавица. Състои се изцяло от плат, който интелигентно се деформира поради движението на сгъстен въздух, използван в единствени по рода си и много тънки камери, скрити в ръкавицата, правилно организирани на слоеве. Софтуерът, приложен тук, открива опити за хващане на обект чрез подаване на цифрова камера, като използва оценка на разстоянието до обекта и необичайни движения на ръката. След като софтуерът определи дали лицето трябва да приближи обекта, нежните задвижващи механизми могат да бъдат активирани, за да предоставят на пръстите на потребителя достатъчно количество помощна сила. Приспособлението допълнително се състои от компютър, който позволява на алгоритъма за машинно обучение да работи, и модул за задействане, който подпомага движението на ръчния робот. Софтуерът няма да може да подаде ръка на герой, ако обектът е скрит от цифровата камера или от различни гледни точки. Алгоритъмът трябва да бъде ускорен чрез включване на различни сензорни записи или различни настоящи техники за откриване на намерения, като например използването на електромиографски сензор или проследяване на погледа на очите.

Тази ръкавица трябва да бъде пусната на пазара в бъдеще, за да се подобри приятното съществуване на хората с двигателни увреждания. Загубата на мобилност на ръцете може да направи ежедневните задачи предизвикателни или невъзможни, а подобряването на помощните приложни науки трябва драстично да подобри доброто от живота. В момента технологичното ноу-хау има някои ограничения. Днешната джаджа е прототип и изследователите предпочитат да я миниатюризират, за да я направят безпроблемна за носене от засегнатото лице. Технологичното ноу-хау е предназначено за използване при страдащи с нарушена подвижност на ръцете, като страдащи от наранявания на гръбначния стълб, инсулт или церебрална парализа.

Източник на новини: Машинно обучение: Пробуждането на протезирането

Използване на технологията за машинно обучение за прогнозиране на грешки в адитивното производство

Адитивното производство (AM) разкри нови възможности за производство на функционални части и предмети с намалени цени и време. В бъдеще AM може да се използва от астронавтите за производство на необходимо оборудване и части в открития космос. В клиничните науки AM допринесе за създаването на бюджетни научни инструменти, протези на крайници, зъб и дори практично синтетично сърце. две Интегрирането на компютърното овладяване в AM науката доведе до допълнително намалено разхищаване на плат и повишена точност.

Съвременният проблем е точността, когато става въпрос за части, които искат да се поберат заедно с прекомерна прецизност. Машинното обучение се използва за изчистване на проблемите с 3D печата чрез използване на генеративен план и проверка на самия етап на предварително производство.

Гафовете в AM техниката могат да бъдат причинени от три най-важни източника на грешки:

• Грешка в математическата геометрия, дължаща се на преобразуване на факти от компютърно поддържан формат (CAD) модел към широкоразпространения входен файл.

• Грешка в процедурата, дължаща се на грешки в компютърното устройство и характеристики на системата.

• Видът на плата също може да причини грешка, като термично свиване и изкривяване на тъканта, произтичащи от бързия процес на нагряване и охлаждане.

Поради послойното производство в AM процесите, ефектът от грешки се отразява както вътре във всеки слой, така и между слоевете, в резултат на което се получава отклонение от равнината на продукта.

ML подобрява подпомага технологията за компютърно зрение за локализиране на микроскопични пукнатини в компютърните компоненти и различни микроскопични нередности. Чрез разполагане на камери с висока разделителна способност за заснемане на метода на печат за всеки слой, за да изпилете ивици, вдлъбнатини, вдлъбнатини и специфични шарки в праха за печат, които са невидими с просто око. Компютърното устройство, което получава познания за платформата, след това приспособява записаните модели на прах към дефекти, публикувани с помощта на CT скенери. Платформата ML е програмирана да използва снимки с висока разделителна способност от камери и информация от CT сканиране, за да разпознае и предвиди дефекти в процеса на печат. Изкуственият гений и опознаването на компютъра позволяват на 3D принтера да извършва инспекция на компоненти едновременно, когато те са в процес на растеж, за да подобри финансовите спестявания на цена и време в индустрията за производство на добавки.

ML допълнително решава кога трябва да се позиционира следващият слой, като използва изчисляване на времето и температурата на плата в предходния слой. Това намалява грешката в обекта, дължаща се на уголемяване или свиване на плата поради температурата и последствията в съвършенството при изработката на желания обект.

Източник на новини: Използване на технология за машинно обучение за прогнозиране на грешки при адитивно производство