Uczenie Maszynowe

Kiedy mamy do czynienia z ogromną ilością danych pochodzących od Zmysłów Robotów (ang. Robotic Senses) (np. obrazy z kamery, filmy w podczerwieni, nagrania dźwiękowe itp.), w celu ich skutecznego przetworzenia, rozpoczyna się proces Uczenia Maszynowego (ang. Machine Learning). Oznacza to, że dane są oceniane na podstawie modeli statystycznych w celu wykrycia wzorców i reguł, a następnie „cyfrowy mózg” systemu jest „edukowany” w zakresie wyników tego procesu.

Po fazie nauki system może nie tylko podejmować prawidłowe decyzje na podstawie „doświadczenia cyfrowego”, ale także dopracowywać zasady, aby były jeszcze bardziej dokładne w przyszłości

Przykłady

Poniższe przykłady przedstawiają obszary, w których można skutecznie zastosować uczenie maszynowe:

  • W kolekcji filmów z mikroskopu cyfrowego system może identyfikować gatunki bakterii i rozpoznawać, czy określone organizmy żyją.
  • System może ocenić wiek i nastrój osoby na zdjęciu.
  • Na podstawie danych wejściowych z kamery umieszczonej nad taśmą przenośnikową system może zidentyfikować uszkodzoną paczkę i nakazać robotowi wyjęcie jej z taśmy.
  • Mając wiedzę na temat dźwięku prawidłowo działającego urządzenia mechanicznego (np. wirnika wentylatora), system może ocenić dźwięk dochodzący z czujnika i wykryć awarię urządzenia.