Kraftige grafikkort gjenoppliver gamle algoritmer

Tungt, kompleks og dyrt. Det er tre ord som ofte går igjen når det snakkes om visjonssystemer for kvalitetskontroll i industrien. Dette gjelder uavhengig av om man skal finne feil på små metalkomponenter til bilindustrien eller insulinpenner til diabetespasienter. Alle tenkelige feil skal finnes og sorteres ut før produktet sendes ut til sluttbrukerne.

Den teknologibeskrivelsen blir i disse tider kraftig utfordret av nye visjonssystemer som er basert på dyp læring i stedet for de mer tradisjonelle regelbaserte datavisjon-algoritmene.

Ett av disse systemene er utviklet av den danske programvare-bedriften Criterion AI, som jobber innen farmasøytisk industri, og blant annet hjelper legemiddelbedriften Novo Nordisk med å effektivisere kvalitetskontrollen med bildegjenkjenning.

«I dag mater man emnene inn i store visjon-maskiner hvor det sitter 5–6 kameraer som tar bilder, som deretter kjøres inn i tradisjonelle datavisjon-algoritmer. De er ikke alltid kraftige nok, og det prøver man å kompensere for med veldig kostbare objektiver og ved å bruke mange ressurser på å få best mulig lyssetting. Målet er å kontrollere bildeprosessen, slik at bildene blir knivskarpe, og dermed enklere å kjenne igjen for algoritmene», fortalte Sebastian Brandes, som er medstifter av Criterion AI, på konferansen Big Data, AI & Analytics - Hva skal vi med alle disse dataene, som Dansk Automationsselskab arrangerte tidligere i mai.

Dette gjør industrielle visjonssystemer komplekse og dyre. Men hvis man kan forbedre algoritmene som kjenner igjen bilder, trenger man kanskje ikke dyre objektiver til kameraer og perfekt lyssetting på fabrikkgulvet.

«Vi jobber med en mer datapreget tilnærming, der algoritmene er kraftigere, og da får vi ikke de samme høye kravene til bildene. Det innebærer at man kan bruke billigere og mindre kameraer, som kan settes opp i selve produksjonsmiljøet», sa Sebastian Brandes.

Criterion AI bruker dyp læring; en serie med algoritmer som er bedre i stand til å lære mønstre ut fra rådata enn mer konvensjonelle maskinlærings-algoritmer, hvor algoritmene må trenes inn manuelt på forhånd.

Men det låter nesten som et litt for godt salgsargument når man vil øke kvaliteten ved bruk av færre ressurser.

Kraftige grafikkort gjenoppliver gamle algoritmer

Dette skjer ikke fordi Criterion AI eller andre bedrifter som utvikler nye løsninger basert på kunstig intelligens, har utviklet vidunder-algoritmer fra den ene dagen til den andre. Faktisk er det snarere en rekke teknologiske framskritt innen maskinvare som har revitalisert metodene for dyp læring.

De matematiske modellene som ligger bak dyp læring-algoritmene, ble nemlig utviklet for over 30 år siden. Men mangel på prosessorkraft og datasett satte en stopper for utbredelsen av algoritmene.

«På slutten av 1980-tallet hadde man ikke den nødvendige datakraften og digitale data til å kjøre algoritmene, og begeistringen rundt dyp læring døde delvis på 1990-tallet. Det var først da brikkeprodusenten Nvidia lanserte et nytt grafikkort og utviklerverktøyet Cuda i 2007, at dyp læring fikk et nytt gjennombrudd», fortalte Sebastian Brandes.

Det er altså ny maskinvare, i form av databrikker, som har satt fart på bruken av dyp læring.

«Grafikkort har blitt så sterke at selv om vi banker inn 3000 bilder i minuttet på en server, kommer grafikkortet ikke over 52 grader. For selv om de kraftige grafikkortene ikke kan så mye som en tradisjonell CPU, er de er vanvittig gode til å utføre matrix-operasjoner parallelt, så man kan trene nevrale nettverk på svært kort tid. Og det er viktig for bildeanalyser i industrien», fortalte Sebastian Brandes.

Den store forskjellen på tradisjonell maskinlæring og dyp læring er at man med maskinlæring må bruke mer tid på å forberede produksjonsdataene sine før de kan legges inn i en algoritme som kan avgjøre om produktet er godkjent eller må kasseres.

«Med dyp læring må man foreta langt mindre pre-prosessering, og vi kan mate inn rådata uten å vise algoritmen hva sammenhengen er», sa Sebastian Brandes.

Flere hundre emner i minuttet

Criterion AI har hjulpet Novo Nordisk med å endre visjonssystemene sine, slik at det bare er de dårlige produktene som reelt blir sortert ut. For kombinasjonen av mange emner og ekstreme kvalitetskrav gjør at visjonssystemer blir sentrale i produksjonen.

«En farmasøytisk bedrift må kunne identifisere alle produktene sine. Man kan ganske enkelt ikke sende et produkt ut på markedet uten at det er gjennomtestet for eventuelle feil», sa Sebastian Brandes.

Novo Nordisk har jobbet med automatisering av kvalitetskontroller ved hjelp av klassiske regelbaserte algoritmer i over 25 år.

«Nå har man kommet til et punkt hvor det er vanskelig å vri mer ut av den teknologien. Vi har hjulpet Novo Nordisk med å se på dyp læring som et nytt skritt til raskere og bedre visjon. Som en bonus har vi senket antallet produkter som kasseres på grunn av feil», sa Sebastian Brandes.

Bruker eksisterende teknologier

Criterion AI bruker de eksisterende visjon-kameraene som allerede er i drift hos Novo Nordisk, og tar deretter bildene og mater dem inn i sin dyp lærings-algoritme som vurderer kvaliteten på produktet. Selve algoritmen jobber lokalt i produksjonen for å sikre hastigheten.

«Når man kjører partier med 500.000 emner av gangen, hvor det tas fem bilder av hvert emne, og hvert bilde fyller 2 Mb, er det ikke lønnsomt å sende det til skyen.»

Der mange av de tradisjonelle industrielle visjonssystemene er spesialproduserte til den konkrete produksjonen, bruker Criterion AI stort sett bare hyllevarer i sine systemer for dyp læring.

De bruker for eksempel en SaaS-platform fra bedriften Bigfinite, som kjører på AWS, mens selve algoritmene kjøres gjennom Googles åpen kildekode-bibliotek TensorFlow.

«Vi har lagd et enkelt grensesnitt, slik at operatører i produksjonen ikke må ha erfaring med Python eller andre programmeringsspråk», sa Sebastian Brandes.

Saken ble først publisert på danske Datatech, og gjøres tilgjengelig på norsk for abonnenter av Digi Ekstra gjennom vår samarbeidsavtale med Teknologiens mediehus/Ingeniøren.