2021. június 25.
Széles spektrumú műegyetemi és ipari fejlesztések mutatkoztak be az MI Koalíció szakmai rendezvényén.
Kétnapos szakmai rendezvény helyszíne volt a BME Q épület aulája, ahol a Mesterséges Intelligencia Koalíció eddigi eredményeiről és terveiről számoltak be a szakminisztériumok és az iparági szereplők képviselői. Az MI alkalmazásokat használó vállalatok, valamint a BME szakmai műhelyei bemutatták széles körű kutatásaikat, fejlesztéseiket, amelyeket a második napon a nagyközönség is megtekinthetett. Az alábbiakban a teljesség igénye nélkül mutatunk be néhány ígéretes, műegyetemi kapcsolódású fejlesztést.
|
„A tervezettnél is gyorsabban zajlik Magyarország Mesterséges Intelligencia (MI) Stratégiájának végrehajtása” - mondta Palkovics László innovációs és technológiai miniszter a Mesterséges Intelligencia Koalíció eredményértékelő sajtótájékoztatóján és szakmai napján a Műegyetem Q épületében. Hozzátette: a kormány, a tárca és a koalíció szakemberei egyaránt azon dolgoznak, hogy a stratégiában lefektetett intézkedési terv menetrend szerint és maradéktalanul megvalósuljon. Felidézte, hogy tavaly szeptemberben jelentették be az ország 2030-ig szóló MI stratégiáját, ami a ma már 330 szervezetet tömörítő MI Koalíció több mint ezer szakértőjének bevonásával készült.
A tárcavezető az elért eredmények között kiemelte: a stratégia alapján felállt a magyarországi MI ökoszisztéma saját intézményrendszere. Megkezdte a működését a magyar adatvagyon kezeléséért felelős Nemzeti Adatvagyon Ügynökség (NAVÜ), év végére pedig elindult az MI Nemzeti Laboratórium, röviden MILAB. Ez utóbbi a mesterséges intelligenciával kapcsolatos K+F-fel és innovációval, valamint adatelemzéssel foglalkozik. Ezeknek az intézményeknek a tevékenységét egészíti ki az MI Innovációs Központ. Megnyílt a budapesti MI Innovációs Központ részeként két újabb vidéki akcelerátor intézmény is. Az MI stratégia kiemelt eleme a társadalmi tudatosítás, ennek részeként tavaly decemberben elindult az MI Kihívás kampánya. Ennek keretében már több mint egymillió érdeklődő ismerkedett meg a mesterséges intelligencia fontosságával. A miniszter mindenkit arra bátorított, hogy látogasson el az mikihivas.hu oldalra, és végezze el az ott elérhető kurzust. Az MI stratégia célul tűzte ki azt is, hogy 2030-ig egymillióan jussanak jobban fizető álláshoz a mesterséges intelligencia segítségével. Jakab Roland, az MI Koalíció elnöke elmondta: az MI akcelerátor központok célja, hogy a KKV-kat megismertessék az MI technológiákkal, illetve segítsék őket a számukra legkedvezőbb beszállítók kiválasztásában. Kitért arra, hogy eddig 14 iparági projektet határoztak meg, a legnagyobb számban az energetika és az agrár szegmensben. Gál András Levente, a Digitális Jólét Program szakmai vezetője arról tájékoztatott, hogy az MI szakmai napon és kiállításon a BME-n bemutatják, hol tartanak Magyarországon a mesterséges intelligencia fejlesztések, és áttekintést nyújtanak arról, hogy a MI mely területek számára kecsegtet a legnagyobb ígéretekkel. Charaf Hassan, a BME VIK dékánja, a MI koalíció elnökségi tagja örömet fejezte ki hogy a BME ad otthont a kiállításnak, bemutatva az intézménynek a témakörben zajló sokszínű kutató-fejlesztő tevékenységét.
|
„Egy modellautó segítségével bemutatjuk, hogyan lehet 5G hálózaton keresztül távolról, immerzív módon felügyelni, vagy akár vezérelni egy ilyen járművet. Az autó számos szenzorral – pl. lézeres távolságszkenner (LIDAR), vagy ultrahangos szenzor – pásztázza a környezetét, és képes szabad parkolóhelyek felismerésére, valamint autonóm parkolás végrehajtására. Az autóra szerelt kamera segítségével egy vezetőülésből valós időben követhetők az események” – fogalmazott egy aktuális műegyetemi kutatásról Kiss Domokos, a BME Automatizálási és Alkalmazott Informatikai Tanszék (VIK) tanársegéde, az „Intelligens járművek 5G alapú távfelügyelete” projekt vezetője, ismertetve, hogy e fejlesztés eredményeképpen az MI és az 5G eredményei ötvöződnek.
A vezető egy VR-sisakot visel, amely a valósidejű kameraképet mutatja, miközben érzékeli a fejmozgást, és azzal szinkronban mozgatja az autón lévő kamerát. Így a VR-sisak és az alacsony késleltetésű videóátvitel segítségével a járműkezelő úgy érezheti, mintha benne ülne az autóban. A fejlesztés jelentősége az lehet a gyakorlatban, hogyha az önvezető autó döntésképtelenné válik, át tudja adni az irányítást az – adott esetben – távoli operátornak, aki így a virtuális vezetőfülkében navigálja a járművet.„Minden félévben vannak TDK-zóink, mesterszakos hallgatóink és doktoranduszaink, akik bekapcsolódnak ezekbe az izgalmas fejlesztésekbe” – világított rá a projekt oktatási lehetőségeire a szakember.
Szintén az 5G labor fejlesztésében, a FIEK támogatásával készült el az a három projekt, demo alkalmazás (VIK AUT tanszék, projektvezetők: Ekler Péter, a VIK AUT tanszék egyetemi docense és Sik Dávid doktorandusz), amelyeket Sik Dávid mutatott be az érdeklődőknek.
Az 5G videokonferencia szolgáltatás célja olyan többszereplős video hívás rendszer kialakítása, amely kihasználja az 5G hálózat előnyeit a sebesség és a minőség szempontjából. A megoldás az elérhető legnagyobb sebességet képes biztosítani, így erre építve hatékonyan lehet fejleszteni és üzemeltetni mesterséges intelligenciát és gépi látást használó alkalmazásokat, legyen szó akár valós idejű 5G-s objektum felismerésről, arcelemzésről, igazolvány-kezelésről, vagy más hasonló megoldásról.
A gépjárműhasználat és nyomkövetés során különösen fontos a hálózat minősége és a minél alacsonyabb késleltetés, hiszen csak így valósítható meg valós idejű nyomkövetés és bármilyen erre épülő szolgáltatás: utóbbi fejlesztése zajlik a „Jármű nyomkövetés és konvoj funkciók 5G hálózaton” projektben. A megoldás az 5G hálózat előnyeit biztosítva tud ilyen szolgáltatást nyújtani bármilyen vállalkozás számára, ahol a flottakövetés és a logisztika kulcsfontosságú terület. A fejlesztés a nyomkövetés mellett konvoj-szolgáltatást is biztosít, valamint alakzat-, objektum felismerést és a detektált esemény gyors szétosztását a virtuális flotta, konvoj számára, így mindenki akár valós időben értesülhet az egyes autók által észlelt eseményekről.
„A konvoj tagjainak mindegyikében szükséges az alkalmazással ellátott okostelefon, amely GPS-, gyorsulási- stb. adatokat detektál. Ha például a konvoj első tagja hirtelen fékezésre kényszerül, vagy dugóba kerül, a többiek is értesítést kaphatnak erről. Az 5G hálózat révén tehát a reakcióidő is javulhat” – emelte ki Sik Dávid. Játékosabb fejlesztéseket is bemutatnak a rendezvényen: ilyen a „virtuális ping-pong,” ami az 5G technológia és a mesterséges intelligencia kölcsönös támogatásának egyik szép példája.
A gyors és késleltetés nélküli adatátvitel kiemelten fontos a mesterséges intelligencia módszereket alkalmazó megoldások adatfeldolgozási és döntéshozatali képességei szempontjából. Egy tipikus felhasználási eset, amikor képi és szenzoriális információk alapján kell döntést hozni és vezérelni akár egy beavatkozást vagy egy robotkart. A technológia színvonalának tesztelésére egy virtuális 3D-s környezetben működő ping-pong megoldást fejlesztettek ki, ahol az ütőket mobiltelefonok jelképezik és azok mozgásával lehet a játékot irányítani úgy, hogy az adatátvitel 5G hálózaton történik. Az eredmények és a tapasztalatok alapján elmondható, hogy a technológia készen áll a fent említett szolgáltatások biztonságos kiszolgálására, míg rosszabb hálózat esetén a játék élvezhetetlenné válik.
A VIK Méréstechnika és Informatikai Tanszék (MIT) Intelligens rendszerek kutatócsoportja két projektet mutatott be a rendezvényen.
„Az emberek és a gépi intelligenciák együttműködése számos kérdést felvet: azzal foglalkozunk, hogyan használhatjuk fel az MI-t a biztonságos autonóm rendszerek tervezésénél. Ezek az eszközök napjainkra kezdenek kilépni a laboratóriumi körülmények közül: az önvezető járművek használata például korábban át nem gondolt etikai kérdéseket is felvet” – jellemezte Alekszejenkó Levente doktorandusz a bemutatott kutatások egyik izgalmas aspektusát.
Az egészségügy és az élettudományok területén a mesterséges intelligencia alkalmazások még hangsúlyosabban vetik fel az etikus mesterséges intelligencia kérdéseit, továbbá a hatékony együttműködés biztosítását emberek és gépek sokasága esetén.
„A genetikai háttér befolyásolja a fehérjék elkészítését, amelyek állapota viszont meghatározza az egészséget és a betegségeket. Ebben a nagy, rengeteg kapcsolattal rendelkező interaktív hálózatban sok minden elromolhat. A fehérjék termelődését azonban ’kívülről’ befolyásolni lehet: a kutatásaink során MI eszközökkel próbáljuk megtalálni azokat az anyagokat, gyógyszercélpontokat és hatóanyagjelölteket, amelyeknek előnyös hatásuk lehet a gyógyításban” – emelte ki a másik projekt kapcsán Bruncsics Bence doktorandusz.
„Terveink szerint egy-két éven belül a piacra kerül a szőlőben megjelenő kártevő madarak elriasztását segítő madárhang-azonosító eljárás” – mutatta be a VIK Távközlési és Médiainformatikai Tanszék (TMIT) HSN Lab által bemutatott demók egyikét Torma Kristóf MSc-hallgató. (A bemutatott két projekt koordinátora Simon Csaba egyetemi docens, VIK TMIT.)
A madárhangok azonosítására szolgáló mintaalkalmazás a szőlőbirtok automatikus monitorozását végzi, valamint kártevők (jelen esetben seregélyek) észlelése esetén emberi felügyelet igénylése nélküli riasztást ad ki.
A megvalósítás alapja kis teljesítményű, olcsó audio szenzorok kidolgozása volt, amelyek a szőlőbe telepítve figyelik környezetüket. Mivel a mesterséges intelligencia alapú azonosítás nagy számítási kapacitást igényel, a kutatók egy kétlépéses megoldást választottak: egy viszonylag egyszerű algoritmus dönt arról, hogy mely esetben lesz szükség alaposabb elemzésre. Előbb tehát a szenzoron történik meg az érzékelt hangmintáknak a tartó-vektor gép (SVM) alapú osztályozása gyors és alacsony erőforrásigénnyel, valamint nagy pontossággal. Potenciális seregélyhang érzékelésekor a szenzor tovább küldi a hangmintát 5G hálózaton a felhőbe. Ott második lépésként előbb elkészítik a hangminta mel-frekvencia spektrogramját (MFCC), majd azt mély konvolúciós neurális háló (DCNN) segítségével osztályozzák, és azonosítják a pontos madárhangot. Ennek a második lépésnek már nagyobb az erőforrásigénye, ugyanakkor a pontossága is. Ha a rendszer végül detektálja a kártevő seregélyt, valós időben, automatikusan indítja a riasztást.
Az „MI-val támogatott drónvezérlés” demo projekt drónokat használ a környezet felügyeletére, ennek részeként valós idejű, mesterséges intelligencia alapú lokalizációt és objektumazonosítást végez.
A drónok rugalmas, nagy területet lefedő megfigyelést biztosítanak a levegőből. Ám ezeken az eszközökön nem áll rendelkezésre az a számítási kapacitás, ami a nagyobb teljesítményű mesterséges intelligencia algoritmusokat futtatni tudja. Emiatt a bonyolult, számításigényes, képelemzést igénylő feladatot nem a berendezésen, hanem egy távoli felhő rendszerben oldják meg a szakemberek. A drón és a felhő rendszer között a gyors és alacsony késleltetésű 5G kapcsolat biztosítja a valós idejű összeköttetést. E megoldás segítségével a drón képességei növekednek, energiafelhasználása alacsonyabb lesz, így végül mérete és súlya is csökkenhet. A felhőben lévő szerverek a drón kameraképét mesterséges intelligencia segítségével vizsgálják. Az elemzés eredményeképpen azonosíthatóak a kártevők, illetve a képfeldolgozás a drón navigációját is segíti.
A BME TMIT hosszú ideje folytat automatizált beszédtechnológiai kutatásokat is. Az Infokommunikációs és Információtechnológiai Nemzeti Laboratórium keretében az Idomsoft és a BME VIK együttműködésében készült, beszédtechnológián alapuló ügyfélszolgálat automatizálási megoldásokat mutattak be a Belügyminisztérium standján. (Projektvezető Németh Géza egyetemi docens, VIK TMIT.)
„A logisztikai központok hatékony működése azon múlik, hogy az árumozgatási műveletek mennyisége és ideje a lehető legrövidebb legyen. A mesterséges intelligencián alapuló megoldásunk képes megtanulni az egyes árucikkek beérkezési és kiadási jellemzőit, és így megbecsülni azok raktározási idejét” – hangsúlyozta Huszák Árpád, a VIK Hálózati Rendszerek és Szolgáltatások Tanszék (HIT) adjunktusa, aki az „MI alkalmazása logisztikai központok működésének optimalizálására” nevű projektről osztott meg információkat. Hozzátette, kihasználva a gépi tanulásban rejlő lehetőségeket, olyan raktárirányítási rendszert (WMS, Warehouse Management System) fejlesztettek, amely a termékek optimális elhelyezését biztosítja, ezáltal is csökkentve az üzemeltetés költségeit.
A BME KJK Közlekedés- és Járműirányítási Tanszék három projektjét mutatta be a rendezvényen. Kővári Bálint doktorandusz a megerősítéses tanulás alapú sávtartást: véletlenszerűen generált trajektóriákon betanítanak egy ágenst, majd véletlenszerűen generált, még nem ismert trajektóriákon ki is próbálják a betanítást. Ennek lényege, hogy egy Monte Carlo keresőalgoritmust és egy policy-gradientes módszert kombinálnak ahhoz, hogy felülmúlják a már létező megerősítéses tanulásos módszereket.
Szőke László doktorandusz a highway pilot fejlesztést mutatta be: megerősítéses tanulással alapképességeket tanítanak meg az ágenseknek, például hogyan végezze a sávváltásokat, vagy hogyan fékezzen és kerülje ki az ütközést. Ezeket a képességeket később kombinálják a komplex viselkedés kialakulására, hasonlóan a gyermekek tanulásához, akiket először olvasni, majd írni stb. tanítanak.
A harmadik demonstrált téma forgalomfüggő jelzőlámpás irányítási rendszer fejlesztése volt, amely szintén a megerősítéses tanulásra épül. A kutatók olyan optimalizálási célt állítanak be, aminek eredményeképpen csökken a plusz várakozási idő a forgalomban részt vevő járművek számára. A szakemberek ugyanakkor be tudnak vezetni a rendszerben további optimalizálási célokat: ilyen lehet például a szén-dioxid-kibocsátás csökkentése.
„Kutatásaink célja a vízhálózatok üzemeltetésének optimalizációja, amelyhez a mesterséges intelligencia nyújtotta lehetőségeket aknázzuk ki. A vízhálózatok fenntartására fordítódik világszerte a villamosenergia-felhasználás mintegy tíz százaléka: jelentős eredmény lenne a minél gazdaságosabb működtetés kialakítása” – villantotta fel kutatásai fő kérdéseit Hajgató Gergely, a BME Hidrodinamikai Rendszerek Tanszék (GPK) doktorandusza. Mint elmondta, munkatársaival két területet találtak, ahol az MI segítségével eredményeket értek el: az egyik az ivóvízhálózatot tápláló szivattyúk irányítása, amit egy megerősítéses tanuláson alapuló ágenssel oldottak meg, ami valós időben tudja irányítani ezeket az eszközöket.
„A fejlesztésünk által nincsen szükség az üzemeltetők által korábban használt időigényes és költséges optimalizációs módszerekre. A mi megoldásunkhoz ugyanakkor nyomásmérő szenzorok szükségesek a hálózatban. A második fejlesztésünk ehhez a problémához kapcsolódik: célunk volt, hogy a csomópontok mindössze öt százalékában elhelyezett szenzorokkal is el lehessen készíteni a nyomástérképet” – összegezte a fiatal kutató.
„A szagok, illetve gázok meghatározásához a szenzor fúzió alkalmazásával egy olyan eszközt építettünk, melyben 9 egyszerű, olcsó fémoxid alapú (MOx) gázérzékelő szenzort használunk. A MOx szenzorok a kémiai ellenállás változás elvén működnek. A szenzor gyakorlatilag egy fémoxid felület (például: alumínium-oxid, szelénium-oxid), melynek elektromos tulajdonsága (ellenállása) megváltozik, amennyiben arra különböző molekulák adszorbeálódnak. Adott molekulára a különböző szenzorok másként reagálnak, így egyfajta ujjlenyomat vehető a jelenlévő vegyületekről” – mutatta be az „elektronikus orr” fejlesztést az Ipar 4.0 Technológia Központ (FIEK) képviseletében Grad-Gyenge László, a VIK Automatizálási és Alkalmazott Informatikai Tanszék tudományos segédmunkatársa és Nenov Adrienn, a Központ munkatársa.
A megoldás érdekessége, hogy a szenzorok jeleit mesterséges intelligencia alkalmazásával elemzik. Különböző mintákon ún. deep learning alkalmazásával tanítják meg, melyik anyag milyen jeleket eredményez az egyes szenzorokon. A betanítás után a szenzor az ismert anyagokat nagy valószínűséggel már képes lesz beazonosítani.
A szenzor előnye a hagyományos, egy-egy gáz jelenlétét mérni képes érzékelővel szemben az, hogy univerzális, szinte bármilyen vegyület kimutatására alkalmas a tanulási folyamat után.
A szenzor gyakorlati alkalmazási lehetősége szinte határtalan – ipari környezetben alkalmas lehet veszélyes gázok detektálására, az élelmiszeriparban romlott termékek gyors beazonosítására, és képes lehet akár kábítószer vagy robbanóanyag jelenlétét is kimutatni. Már zajlanak a kutatások vírusok – pl. a COVID kimutatására is.
A szakemberek egy további fejlesztést is demonstráltak: a BME és a Knorr-Bremse Vasúti Járműrendszerek Kft-vel közös KFI projekt keretében a gyártási folyamatok monitorozására a Műegyetem egy képfelismerésen alapuló rendszert fejlesztett ki. A munkadarabokat kamerákkal monitorozzák, és MI segítségével detektálják egy-egy újabb alkatrész megjelenését a munkadarabon. A fejlesztéssel az egyes szerelési lépések végrehajtási ideje pontosan mérhető, az adatok alapján pedig optimalizálhatók a szerelősorok.
A rendszer előnye, hogy szinte tetszőleges munkadarabra gyorsan betanítható, így módosítás nélkül, nagyon rugalmasan alkalmazható szinte bármilyen gyártási környezetben. A rendszer olcsó eszközökből – pl. Raspberry Pi – épül fel, így a megoldás egy üzemben kis költséggel, akár sok helyre implementálható, valamint kisebb vállalkozások, KKV-k számára is elérhető modernizációs lehetőség.
HA-TZS
Fotó: Geberle B., SPOT Fotókör