Penerapan Kecerdasan Buatan (AI) Di Bidang Pengendalian Pengukuran
Monday, October 23, 2023
Dalam beberapa tahun terakhir, kesadaran akan AI telah meluas dan dimanfaatkan oleh perusahaan-perusahaan di banyak industri. Ada harapan bahwa AI akan digunakan di bidang manufaktur untuk memecahkan berbagai masalah, seperti meningkatkan produktivitas melalui otomatisasi.
Pada postingan blog kali ini, kami akan menjelaskan penerapan AI di bidang kontrol pengukuran, dengan menggunakan contoh program sebagai contoh.
Apa itu Kecerdasan Buatan (AI)?
Tidak ada definisi yang jelas tentang AI, namun secara umum AI diakui sebagai konsep luas yang mencakup teknologi dan proses yang menerapkan sistem buatan yang tampak cerdas.
Pembelajaran mesin dan pembelajaran mendalam, yang sering dikaitkan dengan AI, adalah bagian dari teknologi AI, seperti yang ditunjukkan pada Gambar 1.
Apa itu Pembelajaran Mendalam?
Pembelajaran mendalam mengacu pada kemampuan untuk secara otomatis mengidentifikasi nilai fitur, seperti kesamaan dan keteraturan, dengan belajar dari sejumlah besar data.
Komputer kini dapat secara otomatis menentukan nilai fitur yang sebelumnya memerlukan masukan manusia, selama data yang dipersiapkan dengan baik tersedia. Hal ini memungkinkan dilakukannya proses kompleks seperti pengenalan wajah dan penghilangan kebisingan, yang sulit dicapai dengan pembelajaran mesin konvensional.
>Baca Lebih Lanjut - Istilah Penting AI: Tips untuk Mengikuti Perkembangan DX Industri
Dalam postingan kali ini, kami akan memperkenalkan pembelajaran tanpa pengawasan menggunakan autoencoder, yang merupakan bentuk pembelajaran mendalam paling sederhana, dan program penghilang kebisingan menggunakan Python yang memiliki banyak perpustakaan terkait pembelajaran mesin.
Apa itu Autoencoder?
Autoencoder adalah metode pembelajaran mesin yang memanfaatkan jaringan saraf. Ini dikembangkan untuk memfasilitasi pengurangan dimensi dan ekstraksi fitur untuk menghilangkan informasi yang tidak perlu, namun dalam beberapa tahun terakhir ini telah digunakan sebagai model generatif untuk deteksi anomali dan aplikasi lainnya.
Selain itu, meskipun pembelajaran yang diawasi juga dapat dilakukan, pembelajaran autoencoder pada dasarnya adalah pembelajaran tanpa pengawasan dengan tujuan menghasilkan data yang sesuai dengan data masukan.
Gambar 3: Diagram Konseptual Autoencoder
Autoencoder memiliki struktur yang ditunjukkan pada gambar dan belajar dengan menyandikan/mendekode dari kiri ke kanan. Lingkaran pada gambar disebut simpul dan anak panah disebut tepi.
Data diterima dari node-node di lapisan masukan, setiap sisi diberi bobot satu per satu, dan nilai akhirnya adalah jumlah dari bobot tersebut.
Fungsi yang melakukan reduksi dimensi dan ekstraksi fitur pada paruh pertama proses tersebut disebut encoder, dan fungsi yang menghasilkan data berdasarkan data dimensi tereduksi pada paruh kedua disebut decoder.
Jaringan autoencoder dirancang untuk mengurangi dimensi data masukan, mengembalikan data ke bentuk aslinya, dan kemudian mengeluarkan data. Dimungkinkan juga untuk menggunakan fungsi encoder dan decoder secara terpisah.
Program Penghapusan Kebisingan Menggunakan Autoencoder
Dalam postingan ini, kita akan menggunakan contoh kumpulan data dengan pseudo-noise yang ditambahkan ke data gelombang sinus yang diambil sampelnya dalam konfigurasi berikut untuk membuat program Python yang mengimplementasikan pembelajaran tanpa pengawasan dengan autoencoder yang akan menghilangkan noise tambahan.
Kode sumber untuk contoh program dalam artikel ini telah dijadikan sumber terbuka. Anda dapat mengunduhnya dari tautan berikut.
Contoh program: Program untuk menghilangkan noise menggunakan autoencoder
* Pendaftaran sebagai anggota myCONTEC (gratis) diperlukan untuk mengunduh kode.
Target device: DX-U1100P1-2E0211 edge AI computer + AI-1616L-LPE analog input card
Language used: Python 3.10
Libraries used: tensorflow, keras, etc.
* Referensi: https://www.tensorflow.org/api_docs/python/tf/keras
Mengimpor Perpustakaan
Pertama, impor perpustakaan yang diperlukan.
Pemrosesan Awal Data
Pra-proses kumpulan data agar dapat diproses dengan benar untuk ekstraksi data fitur.
Data yang disiapkan akan diubah menjadi array satu dimensi untuk menghasilkan data untuk pelatihan.
Model Pembelajaran
Pelatihan dilakukan pada model autoencoder yang dibuat.
Pertama, metode kompilasi harus digunakan untuk mengatur proses pembelajaran.
Selanjutnya, data pelatihan dan data lainnya harus ditentukan dalam metode fit agar pelatihan dapat dijalankan.
Autoencoder dapat menggunakan pembelajaran tanpa pengawasan atau pembelajaran yang diawasi, tetapi karena pembelajaran tanpa pengawasan digunakan dalam kasus ini, data pelatihan juga ditentukan untuk data pengajaran (data jawaban yang benar).
Setiap parameter dijelaskan di bawah ini.
* Untuk detailnya, lihat Keras official site — compile
- Pengoptimal: Menentukan algoritma pengoptimalan yang akan digunakan.
- Loss: Menentukan fungsi kerugian (fungsi untuk menghitung deviasi antara nilai model yang benar dan nilai prediksi).
- Metrik: Menentukan fungsi evaluasi (fungsi untuk mengukur keakuratan model).
Hasil Pembelajaran
Model yang dihasilkan diterapkan untuk menguji data noise untuk mengevaluasi model.
Sekarang mari kita konfirmasikan hasil pembelajaran dengan grafik keluaran.
Garis oranye adalah data uji (data dengan tambahan noise) dan garis biru adalah data yang diterapkan filter yang dihasilkan dari model pembelajaran.
Umumnya, noise dihilangkan dan gelombang sinus murni dikeluarkan.
Gambar 4: Menerapkan Filter pada Data Uji
Seperti yang Anda lihat, Python relatif memudahkan pembuatan program penghilang kebisingan menggunakan pembelajaran mendalam. Penjelasan ini terbatas pada data gelombang sinus sederhana. Namun, dengan memahami karakteristik masing-masing metode dan memilih parameter dan data yang sesuai, sinyal tidak beraturan yang tidak dapat ditangani oleh sistem dapat ditangani oleh pemrosesan penghilangan kebisingan konvensional.
Komputer AI Edge Seri DX
Transformasi digital (DX) memperkaya kehidupan masyarakat dengan bertransformasi seiring dengan evolusi teknologi digital. Salah satu solusi Contec untuk mencapai hal ini adalah seri DX. DX-U1100P1-2E0211 yang digunakan dalam program pengurangan kebisingan ini adalah komputer AI edge industri serba guna yang menekankan kepraktisan dan dilengkapi dengan modul NVIDIA® Jetson Nano™. Dilengkapi slot PCI Express, dua port Gigabit LAN, port HDMI, dua port USB, port I/O umum, dan RTC (kalender/jam real-time) untuk pemasangan fleksibel dan kinerja ramah lingkungan.
Seri DX bertujuan untuk menyediakan teknologi baru seperti AI, IoT, dan 5G kepada pelanggan, yang sangat diperlukan untuk mewujudkan transformasi digital, dengan cara yang lebih akrab dan mudah digunakan.
Komputer Industrial Edge AI serba guna ini dilengkapi dengan modul NVIDIA® Jetson™ dan mengutamakan penggunaan praktis. Anda dapat menggunakannya sebagai lingkungan inferensi di tempat di berbagai lingkungan.
Sumber : https://www.contec.com/support/blog/2023/230522_python-ai/
Tentang ACA Pacific
ACA Pacific Indonesia Merupakan Distributor Resmi Contec di Indonesia. ACA Pacific adalah Perusahaan Distribusi Nilai Tambah Regional yang didirikan sejak 1986. Melayani wilayah Asia-Pasifik selama lebih dari 30 tahun, keahlian kami adalah dalam memilih dan mengintegrasikan perangkat lunak dan perangkat keras “Best-of-Breed” untuk memenuhi dinamika bisnis yang terus berubah.
Di ACA Pacific, kami menawarkan produk dengan teknologi canggih untuk memberikan hasil terbaik bagi pelanggan kami. Dari kecerdasan buatan, perangkat lunak desain, jaringan dan server, penyimpanan dan cadangan, komunikasi terpadu, hingga komputasi awan, kami mencakup sebagian besar kebutuhan bisnis dengan solusi yang tepat. Untuk informasi lebih lanjut, silakan kunjungi aca-apac.com/id atau hubungi sales@acapacific.co.id
Informasi lanjut dapat menghubungi :
cadteam@acapacific.co.id Atau +6221 2598 110