Technologie AI dla elektroników, na które warto zwrócić uwagę

Czwartek, 01 Czerwiec 2023

W ostatnich miesiącach bardzo wiele mówi się o technologiach korzystających ze sztucznej inteligencji. Na topie są generatywne algorytmy, takie DALL-E, który potrafi generować obrazy z prostego opisu czy ChatGPT – algorytm o szerokiej wiedzy, z którym możemy swobodnie konwersować, używając języka naturalnego i dowiadywać się niemal dowolnych faktów. Tego rodzaju narzędzia będą coraz popularniejsze, a technologia AI z pewnością w pewnym momencie trafi szeroko do elektroników. Najlepiej już teraz się na to przygotować i poznać zasady korzystania z tych narzędzi i ich potencjalne możliwości.

Rozwój sztucznej inteligencji (AI) czy uczenia maszynowego (ML) ma ogromny wpływ na dzisiejszy świat. Technologie te wprowadzają rewolucyjne zmiany w wielu dziedzinach życia, w tym również w branży elektronicznej. Dzięki tym rozwiązaniom inżynierowie i projektanci mają dostęp do narzędzi i technologii, które pomagają w tworzeniu innowacyjnych rozwiązań i udoskonalaniu istniejących produktów. W zaprezentowanym artykule zostaną opisane możliwości AI w zakresie elektroniki oraz przeanalizowane zostaną korzyści, jakie mogą z nich wynikać dla producentów i użytkowników urządzeń elektronicznych. Zanim jednak przejdziemy do przeglądu przykładowych narzędzi korzystających ze sztucznej inteligencji, spróbujmy odpowiedzieć na pytanie, co to w ogóle jest AI.

Co to jest AI

AI to skrót od angielskiego terminu Artificial Intelligence, czyli sztucznej inteligencji. Jest to dziedzina informatyki, która zajmuje się tworzeniem systemów i algorytmów komputerowych, które w założeniu mają naśladować inteligencję człowieka. Ogólnym celem AI jest umożliwienie maszynom podejmowania decyzji, rozwiązywanie problemów, przetwarzanie informacji, rozpoznawanie wzorców i uczenie się.

Algorytmy AI zawierają różne technologie i narzędzia, takie jak uczenie maszynowe, sieci neuronowe, algorytmy genetyczne, przetwarzanie języka naturalnego i inne, aby umożliwić maszynom rozumienie i korzystanie z informacji w sposób zbliżony do ludzkiego myślenia. A przynajmniej – co istotne – w sposób, który z perspektywy użytkownika sprawia takie wrażenie.

Tworzenie algorytmu to proces iteratywny, mocno zróżnicowany i uzależniony od tego, co to dokładnie za algorytm. Istnieje jednak kilka ogólnych kroków, które można wyróżnić w procesie opracowywania takiego systemu. Algorytmy sztucznej inteligencji tworzone są zazwyczaj poprzez zastosowanie technik uczenia maszynowego lub uczenia głębokiego. Uczenie maszynowe polega na trenowaniu algorytmów na dużych zbiorach danych, aby nauczyły się rozpoznawać wzorce i podejmować decyzje na podstawie tych wzorców. Uczenie głębokie jest rodzajem uczenia maszynowego, które zawiera sieci neuronowe do przetwarzania danych i generowania wyników (mówimy tutaj też o sieciach generatywnych).

Proces tworzenia algorytmów AI obejmuje zazwyczaj kilka etapów, takich jak:

Zdefiniowanie problemu – należy jasno określić, jakie zadanie chcemy, aby algorytm wykonywał (tj. jakie dane prezentował na wyjściu) i jakie dane będziemy mu dostarczać.
Zbieranie i przetwarzanie danych – algorytmy AI wymagają dużej ilości danych, aby nauczyć się rozpoznawać wzorce. Należy więc zbierać dane z różnych źródeł i przetwarzać je w odpowiedni sposób.
Wybór i dopasowanie modelu – istnieje wiele rodzajów algorytmów AI i konieczne jest wybranie, który z nich będzie najlepiej nadawał się do rozwiązania danego problemu. Wybrany model należy dostosować do konkretnych danych. Istnieje szeroki wachlarz algorytmów, jednak ich wybór na ogół jest prosty z uwagi na to, że poszczególne algorytmy przeznaczone są do stosowania w pewnej klasie problemów – inne algorytmy stosuje się do analizy obrazów, inne do zrozumienia języka, a jeszcze inne do sterowania procesami czy generowania zdjęć. Na ogół wybór typowego modelu dla danego zagadnienia zapewnia poprawnie działający model.
Trenowanie modelu – przeprowadzamy proces uczenia algorytmu na naszych danych, aby nauczył się rozpoznawać wzorce. Zebrane dane dzieli się na trzy grupy – dane treningowe, dane testowe i dane walidacyjne. Dane treningowe są używane do trenowania modelu – na nich model jest uczony zależności między wejściem (dane wejściowe) a wyjściem (dane wyjściowe). W przypadku uczenia nadzorowanego dane treningowe zawierają zarówno dane wejściowe, jak i odpowiadające im etykiety lub wartości wyjściowe. Dane walidacyjne są używane do dostrojenia parametrów modelu. Po przeprowadzeniu każdej iteracji uczenia na danych treningowych, model jest testowany na danych walidacyjnych, aby sprawdzić, jak dobrze się generalizuje. W zależności od wyników testów parametry modelu są dostrajane.
Testowanie i optymalizacja – finalnie dane testowe są używane do ostatecznej oceny wydajności modelu. Są to dane, na których model nie był trenowany ani dostrajany – służą one do określenia, jak dobrze model generalizuje na nowych, nieznanych danych. Ważne jest, aby dane treningowe, walidacyjne i testowe były niezależne od siebie, ale pochodziły z tego samego rozkładu.
Wdrożenie – po zakończeniu procesu tworzenia algorytmu AI można go wdrożyć w środowisku produkcyjnym, aby wykonywał swoje zadanie.

Jak widać z powyższych punktów, dwa kluczowe kroki to zbieranie danych i używanie ich do trenowania sieci. Dzięki zebraniu odpowiedniego zestawu danych uczących model będzie miał zdolność do generalizacji na nowe dane – unika się nadmiernego dopasowania modelu do danych – overfittingu. Również ważne jest, aby próbki były reprezentatywne dla całego zbioru danych, żeby zapobiec z kolei przesadnej generalizacji.

AI znajduje zastosowanie w wielu dziedzinach, takich jak przemysł, medycyna, finanse, edukacja, a także w codziennym życiu, w postaci asystentów głosowych, systemów rekomendacji czy też rozpoznawania twarzy. Znajduje także swoje miejsce wśród narzędzi stosowanych przez elektroników. Część z nich trafia do narzędzi EDA, a część to ogólne narzędzia i usługi, których można użyć również w pracy elektronika. W dalszej części artykułu przyjrzymy się, jak mogą być zastosowane poszczególne narzędzia.

AI dla elektroników – nowe narzędzia

Tak jak napisaliśmy we wstępnie, algorytmy uczenia maszynowego stosowane są w wielu systemach i programach. Trafiły także do specjalnych narzędzi dla elektroników, jednak nie oznacza to, że elektronicy nie mogą korzystać z uniwersalnych narzędzi AI. Przyjrzyjmy się, jakiego rodzaju – uniwersalne i specjalizowane – narzędzia korzystające z AI mogą przydać się w warsztacie elektronika.

ChatGPT – jak może pomóc elektronikowi

ChatGPT to zaawansowany algorytm generatywny bazujący na uczeniu maszynowym z rodziny modeli GPT (Generative Pre-trained Transformer). ChatGPT został opracowany przez OpenAI i jest zdolny do generowania naturalnie brzmiących odpowiedzi na różnego rodzaju pytania i wypowiedzi użytkowników. Dzięki treningowi na ogromnych zbiorach danych tekstowych, ChatGPT potrafi analizować kontekst i generować dalsze wypowiedzi, co czyni go jednym z najbardziej zaawansowanych algorytmów tego rodzaju, jaki jest obecnie dostępny. Znajduje on swoje zastosowanie w chatbotach, systemach rekomendacyjnych, analizie sentymentu (metoda przetwarzania języka naturalnego, stosowana do identyfikacji i ekstrakcji subiektywnych opinii i uczuć) oraz w wielu innych dziedzinach, gdzie konieczna jest automatyczna generacja tekstu.

Inżynierowie elektronicy mogą korzystać z ChatGPT na różne sposoby w trakcie swojej pracy. Na przykład, można użyć ChatGPT do uzyskania odpowiedzi na pytania związane z projektowaniem urządzeń elektronicznych, itd. Dzięki swojej zdolności do generowania naturalnie brzmiących odpowiedzi, ChatGPT może być przydatny do rozwiązywania problemów, których nie można łatwo znaleźć w dokumentacji lub innych źródłach informacji – rysunki 1 i 2.

Rysunek 1. ChatGPT odpowiada na pytania dotyczące elektroniki

Rysunek 2. ChatGPT pomaga analizować kartę katalogową przetwornika DAC AD1852

Jeśli jednak spojrzymy, co o tym myślą inżynierowie, ich zdania będą skrajnie odmienne od tego, co można pomyśleć, widząc rezultaty działania algorytmu. „Pomylił wszystkie cechy dla wszystkich urządzeń. Wie, że musi wystąpić jakaś liczba i wprowadza losową wartość”, „To niesamowite, że może generować spójny tekst, ale wątpię, że byłoby to przydatne w praktyce”, „To jest problem. Jest bardzo dobry w kreowaniu bzdur, i niestety jest bardzo trudno stwierdzić, kiedy jest źle, chyba że zna się temat bardzo dobrze. Na przykład, można poprosić o porównanie Zynqa [SoC z rdzeniem ARM i układem programowalnym FPGA – przyp.red.] z iPhone’em i przynajmniej w moim przypadku algorytm powiedział, że jedną z zalet Zynq był SPI, podczas gdy iPhone miał kamerę, a kamera nie jest tak dobra jak interfejs szeregowy. Ale to dość fajne do zabawy. I ma bardzo interesujące implikacje dla przyszłości sztucznej inteligencji”.

Pisząc o AI, w szczególności o algorytmach takich jak ChatGPT, za rzadko podkreśla się jedną rzecz – jest to przede wszystkim algorytm do generowania tekstu. Oczywiście – jest on wytrenowany na ogromnej ilości tekstu (w przypadku ChatGPT-3 było to 570 GB tekstu, co odpowiada 300 miliardom słów), więc ma całkiem sporą wiedzę i całkiem nieźle radzi sobie z jej używaniem, jednak, gdy jej nie ma, to nie jest świadomy swojej niewiedzy i konstruuje tekst tak, aby był on poprawny i spójny z naszymi oczekiwaniami… a nie zawsze prawdziwy. Jeśli spojrzymy na rysunek 1a, to odpowiedź jest w 100% prawdziwa i poprawna, a już na pytanie na rysunku 1b nie udzielił on w pełni poprawnej odpowiedzi, chociaż na pierwszy rzut oka wydaje się ona poprawna i zasadniczo daleka od prawdy nie jest. Z kolei na rysunku 2, o ile odpowiedzi na pytania są poprawne, o tyle chatbot uparcie (autor konwersował z ChatGPT dalej na temat AD1852) nazywał ten przetwornik ADC, mimo że w rzeczywistości jest to DAC. Tego typu artefakty nazywane są zbiorczo halucynacjami i są jednym z podstawowych problemów dużych modeli językowych (LLM).

Podsumowując – ChatGPT doskonale radzi sobie z syntezowaniem wypowiedzi, jednak nie zawsze to, co pisze, jest prawdziwe, chociaż brzmi przekonująco. Zatem korzystajmy z ChatGPT rozważnie i nie wierzmy ślepo we wszystko, co zostaje napisane w Internecie.

Inne, podobne narzędzia, to np. wyszukiwarka Bing od Microsoftu, która została wzbogacona o chatbota zawierającego podobny model LLM, jak ChatGPT. Dzięki temu, że Bingowe AI jest przede wszystkim wsparciem dla wyszukiwarki, radzi sobie lepiej w serwowaniu informacji (rysunek 3) – są one pełniejsze i dokładniejsze, za to ma większy problem ze zrozumieniem bardziej skomplikowanych zapytań (rysunek 4). Dodatkową zaletą tego narzędzia jest to, że podaje ono źródło (linki) swoich informacji.

Rysunek 3. Bing udziela informacji na to samo pytanie, które postawiono ChatGPT na rysunku 1a. Odpowiedź jest pełniejsza, zawiera dodatkowe informacje, uwagi o zależności prądu wyjściowego i odnośniki do karty katalogowej – link do niej oraz wskazanie miejsca, skąd informacja została uzyskana

Rysunek 4. Bing poszukujący stabilizatorów LDO w wybranym sklepie internetowym, które spełniać mają określone parametry. Należy zwrócić uwagę, że żaden z trzech wytypowanych układów nie obsługuje zakresu 1...10 V napięcia wejściowego

Projektowanie płytek drukowanych

Zautomatyzowane projektowanie płytek drukowanych to technologia znana od dawna. Implementowano wiele rodzajów algorytmów, które wspierają elektroników. Historia auto-routerów sięga w zasadzie samych początków oprogramowania EDA (oprogramowanie do projektowania elektroniki, czasami nazywane ECAD), a same algorytmy stosowane do automatycznego projektowania przebiegu ścieżek znane są nawet od lat 60. XX wieku.

Mimo wszystko, auto-routery z rzadka, o ile w ogóle, były stosowane przez elektroników. Wynika to z problemami z brakiem kontroli jakości takiego projektu i brakiem elastyczności auto-routerów. Sporym ograniczeniem jest także czas, potrzebny na korzystanie z takiego oprogramowania. Z jednej strony, sam auto-router generuje projekty szybciej niż człowiek, ale czas potrzebny na naukę korzystania z systemu oraz kontrolę wyników jest znacznie większy, niż narysowanie PCB ręcznie.

Narzędzia AI mają to zmienić. AI PCB designer to termin, który odnosi się do różnych narzędzi komputerowych korzystających ze sztucznej inteligencji pomagających inżynierom w projektowaniu płytek drukowanych (PCB). Przykłady narzędzi AI do projektowania elektroniki to:

DeepPCB – narzędzie, które jest w stanie zaprojektować złożone płytki drukowane – tak przynajmniej twierdzi jego producent. Dostarczamy do aplikacji schematy i inne niezbędne informacje i w ciągu mniej niż 24 godziny uzyskujemy płytkę drukowaną, korzystając wyłącznie z AI i obliczeń w chmurze. Na moment pisania artykułu niestety nigdzie nie udało się odnaleźć przykładu takiej płytki… poza tym w materiałach dotyczących systemu czytamy, że obsługuje płytki mające do 150 par łączonych punktów i maksymalnie dwie warstwy. Należy jednak pamiętać, na razie jest to wersja beta tego i tak całkiem zaawansowanego narzędzia.
Flux – jest to asystent AI copilot, który zapewnia w czasie rzeczywistym istotne informacje czy wskazówki, pozwalające na łatwiejsze podejmowanie decyzji projektowych. Dodatkowo Flux eliminuje powtarzające się zadania i zapewnia bibliotekę komponentów i szablonów. Copilot ma dostęp do informacji o projekcie, ale obecnie nie może aktywnie go modyfikować. Wykorzystuje informacje projektowe, takie jak opis projektu, lista komponentów, lista połączeń i karty katalogowe, aby zrozumieć pełny kontekst urządzenia. Dzięki tym informacjom Copilot może pomóc w procesie projektowania, przekazując informacje na temat kompatybilnych części, zidentyfikować błędy w projekcie i odpowiadać na konkretne pytania projektującego. Na rysunku 5 pokazano przykładowy ekran tego środowiska wraz z generowanymi poradami.
CELUS – to narzędzie generuje schematy, plany PCB i listę materiałową w formatach kompatybilnych z popularnymi narzędziami EDA. Wszystko to w jednym kliknięciu. Ma za zadanie zautomatyzować wszystkie ręczne kroki w procesie inżynieryjnym, stosując do tego swoje bogate bazy komponentów. Jak wskazują sami twórcy, ma on zmienić zupełnie metodologię projektowania urządzeń elektronicznych – „Myśl w kategoriach funkcji, nie komponentów”. Pakiet składa się z kilku modułów, które służą do definiowania funkcji układu, co pozwala na generację schematu, rozplanowywania PCB itd.

Rysunek 5. Przykładowy ekran środowiska Flux z widoczną podpowiedzią, dotyczącą linii CS układu

Zaprezentowane przykłady to tylko część z dostępnych narzędzi (wybrana dosyć subiektywnie) dla elektroników, które bazują na algorytmach szeroko pojętej sztucznej inteligencji. Jak widać, różnią się one poziomem dopracowania i realnej użyteczności, ale wszystko to jest wynikiem faktu, że narzędzia te dopiero pojawiają się na rynku.

Trochę intencjonalnie w powyższym zestawieniu pominięto duże pakiety. Z jednej strony, wielu ich producentów jest dosyć konserwatywnych we wprowadzaniu tego rodzaju nowinek, a z drugiej strony, z uwagi na ceny tego rodzaju oprogramowania, ich zastosowanie jest znacznie węższe niż w przypadku otwartych czy darmowych narzędzi, takich jak DeepPCB czy Flux. „Potrzebna jest automatyzacja podobna do projektowania cyfrowych układów scalonych, aby wprowadzić bardzo potrzebne zmiany transformacyjne w sposobie projektowania płytek drukowanych”, powiedział Saugat Sen, wiceprezes ds. marketingu produktów w firmie Cadence, która w najnowszym wydaniu pakietu Allegro X dodała narzędzia AI. W tym wypadku narzędzia AI są może mniej spektakularne niż w powyższych przypadkach, ale z pewnością bardziej stabilne i niezawodne – tego należy się spodziewać za pakiet kosztujący około 3000 dolarów rocznie.

Rysunek 6. CELUS Supernova: a) ekran projektowania funkcjonalnego (do generacji schematu); b) ekran rozplanowywania PCB

AI w łańcuchu produkcji elektroniki

Sektor produkcyjny jest jednym z najbardziej otwartych na sztuczną inteligencję i uczenie maszynowe. Dlaczego producenci – zwłaszcza producenci elektroniki – są na czele wdrażania sztucznej inteligencji? Bez wątpienia technologia ta jest kluczem m.in. do przyszłości produkcji, a pierwsi, którzy z niej skorzystają, odniosą korzyści w zakresie optymalizacji procesów, oszczędności kosztów i generowania dalszych metod optymalizacji.

Wdrożenie AI ma w tym sektorze wiele zalet. Niedawne badania wykazały, że wartość produktów sztucznej inteligencji w przemyśle wytwórczym ma przekroczyć 16,7 miliarda dolarów do 2026 roku. Kluczowymi korzyściami w tym zakresie jest zwiększenie produktywności przy jednoczesnym obniżeniu kosztów produkcji. Badanie przeprowadzone przez Infosys wykazało, że większość respondentów wskazuje na zwiększenie produktywności poprzez automatyzację jako jeden z priorytetów wdrażania AI.

Predykcyjne modele na produkcji

Oczywiście nie oznacza to, że pracownicy znikną. Wiele firm dąży do zastosowania sztucznej inteligencji, aby usprawnić sposób wykonywania zadań przez pracowników, umożliwiając im wydajniejsze i skuteczniejsze działanie. Istnieje już kilka rozwiązań AI, które umożliwiają firmom obniżenie kosztów produkcji przy jednoczesnym zwiększeniu wydajności, takie jak Vanti, które usuwa wadliwe jednostki z procesu.

Celem wdrażania AI jest także zmniejszenie kosztów materiałowych. Dopuszczenie wadliwej jednostki do dalszego procesu produkcyjnego oznacza jej dalsze przetwarzanie, zużycie większej ilości materiałów i zajęcie miejsca na linii montażowej, które mogłoby należeć do działającego modułu.

Algorytmy uczenia maszynowego używane są do realizacji żmudnych, powtarzalnych zadań, takich jak kontrola jakości. Systemy te współpracują z czujnikami w celu jak najszybszej eliminacji wadliwych elementów. Uzbrojona w strumień danych pochodzących z wielu źródeł, AI może namierzyć wadliwą jednostkę wcześniej i łatwiej niż jej ludzki odpowiednik. Drobne usterki w elektronice mogą być łatwo przeoczone przez człowieka, który może być zmęczony lub po prostu nie być w stanie dostrzec drobnej usterki. Dodatkowo, rozwiązania AI są w stanie przetwarzać dane z większej liczby czujników niż człowiek.

Kolejną zaletą zastosowania tych narzędzi jest ich elastyczność. Klasyczne algorytmy identyfikacji wadliwych jednostek, chociaż mogą być skuteczne, nie mogą uczyć się na nowych faktach, co może potencjalnie powodować wysoki odsetek wyników fałszywie dodatnich. Zamiast polegać na statycznych, sztywnych algorytmach w kontroli jakości, sztuczna inteligencja może analizować więcej informacji i podejmować decyzje bazujące na danych, które pomagają szybko wykrywać wadliwe jednostki.

Innym zastosowaniem AI w produkcji jest optymalizacja łańcucha dostaw w czasie rzeczywistym. Zwiększanie efektywności produkcji poprzez eliminację defektów jest wartościowe, ale kluczowe jednak jest móc produkować w ogóle – brak komponentów jest problemem, który nadal doskwiera całemu sektorowi produkcyjnemu. Zmniejszenie liczby niesprawnych urządzeń na liniach produkcyjnych czy szybsza ich eliminacja z łańcucha sprawia, że jest marnowanych mniej trudno dostępnych zasobów. Dodatkowo, predykcyjny model sztucznej inteligencji analizuje dane historyczne, aby dowiedzieć się, które anomalie na wczesnym etapie skutkują defektami na późnym etapie produkcji. W ten sposób system ostrzega użytkownika o określonych defektach, zanim one wystąpią. Użytkownik może następnie podjąć aktywne kroki, takie jak manipulacja jednostką lub ponowna kalibracja maszyny, aby upewnić się, że defekt nigdy nie wystąpi.

AI rewolucjonizuje fabryki poprzez paradygmat Przemysłu 4,0. Sam temat wykracza poza ramy tego artykułu, ale warto wiedzieć, że zawiera on sztuczną inteligencję do usprawnienia podejmowania decyzji na podstawie spostrzeżeń bazujących na danych, optymalizacji procesów, obniżenia kosztów operacyjnych, a nawet pomocy w zapewnieniu wysokiej jakości obsługi klienta. Sztuczna inteligencja przygotowuje branżę produkcji urządzeń elektronicznych do kolejnej rewolucji.

Firmy, takie jak Vanti, zapewniają producentom elektroniki modele do analizy predykcyjnej, które pozwalają wcześnie wykrywać wadliwe elementy na liniach produkcyjnych. Dostarczane przez nich modele wymagają jedynie niewielkiego doszkolenia i można je wdrażać w ciągu kilku godzin na dowolnej linii produkcyjnej.

Syntetyczne dane dla testerów

Algorytmy ML znajdują także swoje zastosowanie w zakresie wspomagania bardziej klasycznych systemów testowania elektroniki, na przykład systemy inspekcji wizyjnej itp. Stosuje się tutaj pewne algorytmy widzenia maszynowego, które sięgają czasami po AI do analizy obrazów. Jedną z kluczowych przeszkód w stosowaniu sztucznej inteligencji do kontroli np. PCB jest zależność od dużych, oznakowanych zestawów danych do szkolenia tych systemów. Budowa zbioru danych uczących może wymagać dużej ilości zasobów, zwłaszcza dlatego, że uzyskanie obrazów defektów komponentów – nazywanych czasem danymi negatywnymi – może być trudne i kosztowne. Co więcej, nie wszyscy producenci dysponują wymaganymi możliwościami obrazowania sprzętowego do gromadzenia danych w formacie odpowiednim dla aplikacji AI.

Generatywna sztuczna inteligencja może pozwolić na rozwiązanie tego problemu. Stosując tę technologię, możliwe jest tworzenie syntetycznych danych dotyczących np. płytek drukowanych i ich defektów z imponującą szczegółowością. Dane te można następnie używać do szkolenia algorytmów detekcji defektów, umożliwiając ich wykrywanie na PCB za pomocą systemów wizualnej kontroli jakości. Przekłada się to na skrócenie czasu inspekcji i zwiększenie przepustowości systemu.

Kluczowym aspektem jest tutaj zastosowanie danych syntetycznych do szkolenia AI. W tym przypadku możliwych jest wiele podejść, np. Transfer learning (transfer początkowych wartości wag). Jest to technika uczenia maszynowego, w której model, szkolony na danych syntetycznych, jest stosowany do wykonania zadania lub działania w innym, podobnym lub bardziej szczegółowym zadaniu. Zamiast rozpoczynać proces uczenia od zera, transfer learning pozwala modelowi przenieść wiedzę i wyuczone reprezentacje z wcześniejszego, ogólniejszego zadania na docelowy model, przyspieszając i poprawiając proces uczenia. W technice tej wstępnie wyuczony model służy jako punkt wyjścia lub tzw. ekstraktor cech. Ta metoda jest szczególnie przydatna, gdy dla zadania docelowego dostępne są ograniczone, etykietywane dane lub gdy trening modelu od podstaw na zadaniu docelowym byłby zbyt czasochłonny lub wymagał dużych zasobów danych. Przed taką dokładnie sytuacją stoimy w wizualnej analizie PCB – ogólny obraz PCB jest dosyć podobny do siebie, a pomiędzy poszczególnymi płytkami wystarczy tylko douczenie systemu.

Podsumowanie

Narzędzia stosujące algorytmy sztucznej inteligencji coraz częściej stosowane będą w przemyśle elektronicznym. W powyższym artykule zaprezentowaliśmy zaledwie ułamek tych, które dostępne są na rynku lub niebawem zostaną wprowadzone – duża część systemów AI jest obecnie w fazie beta-testów itd. Niebawem nie sposób będzie uciec od używania AI, jeśli będziemy chcieli zachować konkurencyjność na rynku pracy. Dlatego warto – już teraz – uczyć się stosować tego rodzaju narzędzia i, przede wszystkim, zrozumieć, w jaki sposób działa sztuczna inteligencja i jak można z niej korzystać w praktyce.

Wiedza ta pozwoli na dobieranie odpowiednich rozwiązań do naszych problemów, a jednocześnie zrozumienie ograniczeń tych algorytmów i tego, w jaki sposób można je sprytnie pokonywać.

Korzystając z tego rodzaju systemów, należy pamiętać, że odmiennie niż typowe algorytmy stosowane w tych zagadnieniach, odpowiedzi AI nie są ścisłe. Systemy uczenia maszynowego operują, w pewnym uproszczeniu, na prawdopodobieństwach. Oznacza to, z punktu widzenia użytkownika, że podają najprawdopodobniejszą odpowiedź, a nie taką, która jest w ścisły sposób prawdziwa. W pewnych wypadkach algorytmy te mogą się po prostu mylić, a czasami zwyczajnie zmyślać (sic! – tak robi ChatGPT, co pokazano na przykładzie halucynacji). O ile bardzo pomocne, to obecnie narzędzie tego rodzaju stosować należy z pewną dozą ostrożności.

Nikodem Czechowski, EP

Bibliografia: