Algoritma AI anti-kesalahan

Gangguan dengan kamera penglihatan mesin, sensor yang tidak dikalibrasi, atau bayangan yang tidak terduga dapat menyebabkan kesalahan yang berpotensi mahal dan berbahaya dalam sistem AI industri. Namun, para peneliti sedang mengembangkan algoritme pemeriksaan kesalahan serta tindakan sederhana yang dapat diambil untuk mengurangi kemungkinan kesalahan.

Kecerdasan buatan telah berkembang jauh melampaui jaringan saraf tiruan perceptron dasar, tetapi kesalahan tetap menjadi masalah. Gambar yang digunakan milik Pixabay

Aplikasi Industri untuk Kecerdasan Buatan

Ada banyak aplikasi industri untuk AI (kecerdasan buatan), seperti platform robotika, penanganan material, pengemasan, perawatan mesin, perakitan, inspeksi, dan BAS (sistem otomasi bangunan). Contoh yang lebih spesifik termasuk teknologi drone dan swarm untuk menyortir, memindahkan, dan mengangkut item atau mendeteksi anomali dalam proses produksi.

AI telah menjadi aspek penting namun sering dilupakan dari otomasi industri yang bergantung pada visi mesin, lengan robot, penginderaan jauh, dan kontrol proses.

Namun, alat AI bukanlah kotak hitam sederhana di mana data diberikan sebagai input dan diubah menjadi output yang akurat. Terkadang hasilnya salah, dan itu menjadi sumber kekhawatiran.

Jenis Kesalahan dalam Aplikasi Industri

Komputer melakukan apa yang diperintahkan, jadi manusia adalah akar dari setiap kesalahan. Ini mungkin kesalahan desain, kesalahan algoritme, kesalahan teknik, atau data yang buruk, tetapi akan ada manusia di akarnya.

Ini juga berlaku untuk AI, termasuk AI industri. Kesalahan dalam AI industri dapat digolongkan ke dalam salah satu dari dua kategori:bias algoritmik dan bias mesin.

Bias algoritma melibatkan kesalahan yang berulang dan sistemik. Kesalahan tersebut dapat bermanifestasi dalam beberapa cara berbeda:kesalahan bawaan dalam logika algoritme, penggunaan keluaran algoritme yang tidak terduga, atau masalah dengan data yang diberikan ke sistem AI.

Bias mesin terjadi ketika kumpulan data terbatas digunakan untuk melatih sistem, yang menyebabkan keluaran yang salah.

Pentingnya Mengontrol Kesalahan AI

Sebagai contoh bias algoritme, pertimbangkan sistem visi mesin yang diberdayakan AI yang digunakan untuk sistem kontrol kualitas otomatis. Aplikasi semacam itu sangat bergantung pada pengukuran akurat yang diberikan sebagai data ke AI, menentukan apakah bagian tersebut berada dalam toleransi. Jika pengukuran yang tidak akurat diberikan ke AI, itu akan menghasilkan pelabelan komponen yang salah.

Algoritme di balik machine vision AI bisa 100% benar, tetapi data yang buruk berarti keluaran yang buruk. Suku cadang yang dapat diterima dapat dibuang, sedangkan suku cadang berkualitas buruk dapat dikirim ke pelanggan. Hal ini menyebabkan biaya dan waktu henti yang tidak perlu karena sumber masalahnya telah dilacak.

iRVision 3DL FANUC menggunakan laser dan AI untuk memeriksa kondisi permukaan suatu komponen. Gambar digunakan atas izin FANUC

Beberapa sistem AI yang memerlukan pelatihan sebelum digunakan di lingkungan atau aplikasi tertentu. Dalam kasus seperti itu, data pelatihan yang diberikan ke sistem sangat penting. Misalnya, jika sistem menerima pelatihan terbatas pada kondisi di area yang terang, akan ada masalah saat sistem harus bekerja tanpa cahaya.

AI anti-kesalahan (AI Pelatihan)

Karena ada elemen manusia di balik AI dan pembelajaran mesin, itu tidak dapat dibuktikan kesalahannya. Namun, ada cara untuk meminimalkan kesalahan dalam sistem AI. Contohnya termasuk CARRL (Certified Adversarial Robustness for Deep Reinforcement Learning), sebuah algoritma pembelajaran mendalam yang dikembangkan di MIT yang tujuannya adalah untuk membantu sistem otonom dengan mendorong tingkat skeptisisme tentang data yang diperhitungkan, seperti kebisingan dalam data dan upaya permusuhan untuk mengacaukan sistem.

Carnegie Mellon juga telah mengerjakan algoritme AI untuk model pembelajaran mendalam. Disebut RATT (Randomly Assign, Train and Track), pendekatan ini menggunakan data pelatihan yang tidak berlabel dan berisik untuk menetapkan batas atas risiko kesalahan yang sebenarnya. Batas atas ini kemudian dapat menentukan seberapa baik model AI beradaptasi dengan data input baru. Selain itu, para peneliti di Princeton telah melihat algoritme yang memungkinkan sistem AI belajar secara efektif ketika ada kesalahan dalam data pelatihan.

Ada juga standar dalam pengembangan yang akan memengaruhi upaya pemeriksaan kesalahan. NIST (Institut Standar dan Teknologi Nasional) secara aktif berkontribusi pada standar AI yang mencakup fokus pada evaluasi keandalan teknologi AI. NIST juga telah mengusulkan pendekatan untuk mengurangi risiko bias dalam sistem AI.

CISA (Cybersecurity and Infrastructure Security Agency) Amerika Serikat sudah melihat standar untuk memeriksa algoritme AI dan pengumpulan data, seperti yang diungkapkan dalam panel tahun 2020 berjudul “Mesin Genius.” Upaya ini, bersama dengan NIST, menekankan akuntabilitas.

Mengatasi Kesalahan dalam Sistem AI

Meskipun pemeriksaan kesalahan pada sistem AI yang menjadi tanggung jawab Anda mungkin tidak dapat dilakukan karena elemen manusia yang terlibat, tentu ada cara untuk meminimalkan kemungkinan kesalahan.

Jika Anda menduga kesalahan berasal dari sistem AI Anda, jangan salahkan algoritme secara otomatis; alih-alih, pelajari kesalahan untuk mencari pola. Misalnya, jika robot pemungut sampah otonom membuat kesalahan, lihat apakah ada kesamaan yang dimiliki item yang diurutkan secara salah atau apakah ada perubahan di lingkungan robot (pencahayaan, bayangan, dll.) yang dapat memengaruhi kinerjanya. . Mungkin juga ada masalah dengan lensa kamera yang kotor di bagian penglihatan mesin pada sistem, seperti yang ditemukan di robot seluler otonom.

Banyak kamera machine vision memiliki sistem AI bawaan, seperti FLIR Firefly DL, tetapi sistem ini dapat menghasilkan kesalahan jika tidak dijaga kebersihannya dan dikonfigurasi dengan benar. Gambar digunakan atas izin FLIR

Aturan pemrograman yang sulit adalah input yang buruk akan selalu menghasilkan output yang buruk. Langkah pertama dalam meminimalkan kesalahan yang dihasilkan oleh sistem AI industri adalah memastikan bahwa datanya seakurat mungkin, dimulai dengan sensor. Sensor yang menyediakan data input ke sistem AI harus dikalibrasi secara teratur.

Alat dalam sistem AI yang memungkinkan pengguna untuk menetapkan rentang yang dapat diterima untuk data harus diterapkan setelah mempertimbangkan dengan cermat rentang yang dapat diterima:terlalu ketat, dan AI tidak akan memberikan banyak nilai; terlalu longgar, dan menghasilkan terlalu banyak kesalahan. Dan ingat, nilai ini dapat disesuaikan.

Juga, seperti yang disinggung sebelumnya, jaga kebersihan kamera. Meskipun sistem penglihatan mesin dirancang agar kuat dalam berbagai kondisi lingkungan, itu tidak berarti mereka akan tetap bekerja dengan baik ketika penglihatan terganggu oleh lensa yang kotor. Hal yang sama berlaku untuk sensor industri lainnya yang akurasinya dapat dikompromikan oleh peningkatan penskalaan, paparan lingkungan korosif, masalah mekanis, atau penuaan.

AI banyak digunakan di sektor industri untuk segala hal mulai dari kontrol proses hingga inspeksi kualitas. Dan karena faktor manusia yang terlibat, sistem AI ini juga dapat mengalami kesalahan. Algoritma pemeriksaan kesalahan sedang dikembangkan, tetapi metode ini belum sepenuhnya matang, juga belum diuji secara ekstensif pada aplikasi industri. Dan sementara organisasi seperti NIST dan CISA bekerja menuju standar pemeriksaan kesalahan, mereka masih dalam pengembangan. Namun, beberapa tindakan sederhana dapat mengurangi kemungkinan kesalahan dalam sistem AI Anda.