Elektronicafabrikant E.D.&A. maakt machines en apparaten slimmer met Artificiële Intelligentie (AI)

– Elektronicafabrikant E.D.&A. zet ‘neurale netwerken’ in om hun elektronische besturingen slimmer te maken. (Binaire) neurale netwerken zijn sterk in het herkennen van patronen en kunnen dus perfect ingezet worden om problemen anders aan te pakken.

Voorspellen vs echt gedrag

Elektronicafabrikant E.D.&A. zocht uit hoe goed een neuraal netwerk getraind kan worden. Neem bijvoorbeeld kookplaatventilatie waarbij de besturing bediend wordt met capacitive touch sensoren. Deze sensoren zitten onder een dikke glasplaat met daarnaast vocht, vuil en de storingen van de inductiekookplaat zelf.

E.D.&A. trainde het neuraal netwerk om tussen al deze ‘ruis’ het juiste signaal (bv. inschakelen) te herkennen. De benodigde grote hoeveelheid aan trainingsvoorbeelden werd verkregen door een ‘artificiële vinger’, die met perslucht de sensor bedient en zo het vergaren van data automatiseerde. De binaire variant van neurale netwerken werd ook verder geëvalueerd door E.D.&A. voor het gebruik bij hun elektronische besturingen (microcontrollers). (Binaire) neurale netwerken zijn sterk in het herkennen van patronen en kunnen dus perfect ingezet worden om problemen anders aan te pakken.

Ter illustratie voor machine-en apparatenbouwers implementeerde E.D.&A. een demo van een eigen embedded AI (Artifcial Intelligence) framework. Je tekent een cijfer van 0 tot 9 op een touchscreen en het wordt achterliggend aangeboden aan een binair neuraal netwerk. Dit achterhaalt welk cijfer je bedoelt en laat het resultaat zien.

Wat is een ‘neuraal netwerk’ en hoe werkt het?

Een artificieel of kunstmatig neuraal netwerk is zowel in opbouw als in werking een imitatie van onze hersenen (biologisch neuraal netwerk). Het wordt o.a. gebruikt bij fotoherkenning. We kunnen bijv. een systeem ‘slim’ maken, zodat het kan bepalen of het al dan niet om een foto van een hond gaat. Een neuraal netwerk bekom je door het te trainen met een lange reeks voorbeelden. Onderliggend gaat het om een lange, eenvoudige rekensom die bijgesteld wordt op basis van voorbeelden tot het voor alle invoerwaarden een juiste uitkomst geeft. Neurale netwerken zijn best sterk in het herkennen van patronen. Na training kunnen zelfs nieuwe foto’s juist beoordeeld worden.

Bron: persbericht E.D.&A.