Цифровые двойники, Big data & AI

1. Цифровые двойники, Big data & AI.

Цифровые двойники, Big data & AI.
К.т.н., доцент Буленков Евгений Александрович

2. Цифровые двойники

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

13.

14.

15.

16.

17.

18.

19.

20.

21. Искусственный интеллект

22. Что такое AI?

• Иску́сственный интелле́кт (ИИ; англ. artificial intelligence, AI) —
свойство интеллектуальных систем выполнять творческие функции,
которые традиционно считаются прерогативой человека; наука и
технология создания интеллектуальных машин, особенно
интеллектуальных компьютерных программ.
• Машинное обучение (англ. machine learning, ML) — класс методов
искусственного интеллекта, характерной чертой которых является не
прямое решение задачи, а обучение в процессе применения решений
множества сходных задач. Для построения таких методов
используются средства математической статистики, численных
методов, методов оптимизации, теории вероятностей, теории графов,
различные техники работы с данными в цифровой форме.

23.

Предпосылки появления
• Развитие аппаратных средств – современных
высокопроизводительных процессоров.
• Развитие методов обработки больших массивов информации,
включая задачи автономной навигации и распознавания.
• Развитие методов управления многомерными объектами в
сложных, неопределенных условиях, условиях дезинформации и
конфликта.
• Жесткая необходимость улучшения качества управления.

24.

Предпосылки появления
• Неприемлемо плохие характеристики человека как элемента
системы управления
• Низкая скорость обработки информации, высокие задержки.
• Крайне низкая скорость обмена информацией.
• Низкая скорость принятия решений, их шаблонность.
• Низкая надежность.
• Нестабильность параметров.
• Низкая устойчивость к различным факторам (температура,
перегрузки, вибрация, радиация, химическое заражение и т.д. и
т.п.)
• Невозможность функционирования в режиме 24/7.

25.

От телеуправления к автономности
Проблемы телеуправления
• Ограниченный радиус действия
• Подавление командных радиолиний управления.
• Подавление радиолиний передачи телеметрической
информации.
• Подавление радиолиний передачи видовой информации.
• Использование зрительного канала обработки
информации, который обеспечивает очень большие
задержки.

26.

От телеуправления к автономности
• Отсутствие более быстрых сенсорных каналов (восприятие
шума и вибраций корпуса, шума и вибрации двигателей, шума
и вибраций обтекающего потока воздуха, линейных и угловых
ускорений и т.д.). Вследствие чего пилот, находящийся в
кабине самолета в процессе воздушного боя всегда выйдет
победителем в бое с телеуправляемым самолетом.
Решение проблем – создание систем встроенного автономного
искусственного интеллекта для управления мобильными
системами, функционирующими во всех средах

27.

Методы
ИИ
Тем не менее, этих самых 4-5%, в общем, достаточно для по крайней мере начального периода
создания систем встроенного автономного интеллекта.
Проблемы:
• Совершенно недостаточное развитие теории и практики рефлексивного управления
(дезинформация, имитация, провокация, блеф и т.д.).
• Принципиальная ограниченность современных методов подготовки информационного и
алгоритмического обеспечения, в которых промежуточным звеном является человек.
Решение - самообучение и взаимное обучение систем ИИ.

28.

Области применения

29. Применение в промышленности - 8:10

30.

31.

32.

33.

34.

35.

36.

37. Пример применения ИИ – 1:46

38. Компоненты системы ИИ

39. Структура экспертной системы

40. Структура интеллектуальной системы управления ГПС

41. Технологии ИИ – 4:30

42. Искусственный интеллект

• Создание технических систем, способных самостоятельно решать
задачи управления с априорно неизвестной для данного
устройства схемой решения, а также способных к обучению и
самообучению. В настоящее время построение таких систем
предполагает использование нейронных сетей, алгоритмов на основе
не чёткой логики.
Распознавание образов – один из разделов искусственного
интеллекта.
Одна из задач, которая может быть решена на основе
искусственного интеллекта – организация управления рукой робота,
выполняющего достаточно сложные операции в среде с
изменяющимися условиями, в том числе и по информации от
сенсоров.
29

43. Самообучение роботов – 1:26

44. Будущее ИИ – 4:12

45. Большие данные

46. Больши́е да́нные (англ. big data)

• — обозначение структурированных и
неструктурированных данных огромных объёмов и
значительного многообразия, эффективно
обрабатываемых горизонтально масштабируемыми
программными инструментами, появившимися в конце
2000-х годов и альтернативных традиционным системам
управления базами данных и решениям класса Business
Intelligence.

47. Как и где формируются потоки Big Data

• Внутреннее состояние устройств и компонентов:
• внутренние режимы
• коды (в случае локомотива)
• сохраненную в памяти информацию и метаданные
• Внешнее состояние, собираемое через датчики:
• температуру
• вибропараметры и данные с гироскопов
• фото и видео
• аудио

48. Как и где формируются потоки Big Data

• Местоположение
• Информацию о действиях и взаимодействиях
систем:
• системные логи
• время между действиями одной системы
• время ответа систем
• внутренние запросы
• Производные данные:
• результаты виртуального тестирования
• агрегированные метрики

49. Большие данные сейчас

• Сегодня самой “генерирующей данные” отраслью
является авиационная, но остальные тоже
подтягиваются. Современные самолеты имеют на борту
тысячи датчиков и генерируют свыше 10 ГБ (гигабайт)
данных в секунду и сотни терабайт данных за полет.

50. Для чего в промышленности используются большие данные

• Своевременное выявление и устранение потерь в
производственных процессах
• Повышение стабильности технологических процессов
• Оптимизация расхода энергии
• Оптимизация сетевого планирования
• Оптимизация ТОиР
• Прогнозирование отказов оборудования (Предиктивная
аналитика)

51. Жизненный цикл данных

1. Собрать данные;
2. Преобразовать данные в формат,
подходящий для их хранения;
3. Произвести очистку данных;
4. Проанализировать данные;
5. Использовать результаты анализа;
6. Хранить данные;
7. Уничтожить данные;
8. Вновь начать с шага 1.

52. Признаки Больших данных

• Набор признаков VVV (volume - объем, velocity - скорость,
variety - разнообразие)
• «четыре V»: 3V + veracity — достоверность,
• «пять V»: 4V + viability — жизнеспособность, и value —
ценность,
• и даже «семь V»: 5V + variability — переменчивость, и
visualization - визуализация.

53.

54.

Подходы к проблеме:
Управление объёмом данных;
Вложения в хранилища;
Разработка специализированного ПО и АО;
Использование специализированного ПО от других
разработчиков.

55.

56.

Пути решения проблемы:
Kafka, Flume и Logstash дают
возможность потокового сбора
данных и совместимы с
множеством разных источников
и приёмников данных.

57.

58.

Подходы к проблеме:
Обработка естественного языка;
Текст-в-речь;
Классификация изображений;
Machine Learning-классификация всего;
Семантические технологии, Web 2.0;
NoSQL.
Универсального решения не существует, каждая
предметная область требует своего подхода.

59.

60. Технологии

• Технологии, используемые для сбора и обработки Больших
Данных, можно разделить на 3 группы:
Программное обеспечение;
• Оборудование;
• Сервисные услуги.

61. Технологии

• К технологическому оборудованию относят:
серверы;
• инфраструктурное оборудование.
Серверы включают в себя хранилища данных.
К инфраструктурному оборудованию относят средства ускорения
платформ, источники бесперебойного питания, комплекты
серверных консолей и др.

62. Технологии

• Сервисные услуги.
Сервисные услуги включают в себя услуги по построению
архитектуры системы базы данных, обустройству и оптимизации
инфраструктуры и обеспечению безопасности хранения данных.
Программное обеспечение, оборудование, а также сервисные
услуги вместе образуют комплексные платформы для хранения и
анализа данных. Такие компании, как Microsoft, HP, EMC
предлагают услуги по разработке, развертыванию решений
Больших Данных и управления ими.

63. Технологии – 6:12