Na ovogodišnjem WiDS-u otkrili smo kako se Gideonov Škaro snalazi u skladištima Atlantica i Tokića

Uoči Međunarodnog dana žena održano je drugo hrvatsko izdanje globalne konferencije Women in Data Science. Ove godine, umjesto u Zagrebu, konferencija je svoje mjesto našla u Osijeku gdje su se mnoge znanstvenice i stručnjakinje s područja podatkovnih znanosti okupile kako bi educirale sve zainteresirane.

Jedna od njih je i Ana Leko, inženjerka strojnog učenja koja radi za Gideon Brothers, hrvatsku startup tvrtku za robotiku i umjetnu inteligenciju, a koji su krajem prošle godine predstavili svoj prvi komercijalni proizvod – autonomni logistički robot.

Škaro, kako su ga nazvali, prvi je hrvatski industrijski robot koji služi za prijenos tereta na euro-paletama, a trebao bi označiti ogroman napredak u olakšavanju i automatizaciji poslova u skladištima. Ovaj projekt privukao je pažnju mnogih svjetskih investitora pa je u kratko vrijeme dobio više od 16 milijuna kuna za svoju realizaciju. Zadnjih nekoliko mjeseci tri hrvatske tvrtke – Atlantic Grupa, Orbico i Tokić imale su priliku koristiti i testirati ga u svojim skladištima.

Ovogodišnji WiDS, Ana je iskoristila kako bi široj publici prikazala Škarinu impresivnu strukturu, načine na koji on vidi i razumije svijet te probleme s kojima su se do sada susretali, a mi donosimo i izvještaj o Škarinim prezentiranim sposobnostima.

Naučiti robota što i kako treba napraviti

Iako ne izgleda previše impresivno, Škaro je samovozni robot koji može dići teret težine do 800 kilograma, a dizajniran je tako da se može kretati oko ljudi te drugih stacionarnih objekata i pokretnih strojeva.

Ono što mu omogućuje takvu svjesnost je sustav autonomije koji se temelji na vizualnoj percepciji, tj. stereoskopske kamere koje su kombinirane s tehnikama dubokog učenja. Putem njih Škaro ima mogućnost raspoznavanja prostora u kojem se nalazi kao i predmeta koji se nalaze u tom prostoru.

To znači da ako nekoliko mjeseci provede prilagođavajući se određenom prostoru, kada bude stavljen u novi prostor to će odmah prepoznati i krenuti u učenje tog prostora, umjesto da nastavi po starom planu. No, proces kroz koji treba proći kako bi se to ostvarilo znatno je kompliciraniji nego što se na prvu čini.

Je li i Skynet ovako započeo?

Prvi korak je robotu dati razum kako bi bio svjestan svoje okoline i znao što treba napraviti. Kako bi se to ostvarilo primjenjuju se tehnike učenja, a u Škarinom slučaju to je tehnika dubokog učenja.

Za razliku od klasičnog ili strojnog učenja, primjenom dubokog učenja robotu se ne pružaju konkretne informacije o predmetu. On u ovom slučaju predmete raspoznaje pomoću primjera i posebnih algoritama. Ako je potrebno raspoznati čovjeka od ostalih predmeta u skladištu pružaju mu se tisuće slika na kojima su označeni ljudi i tisuće slika na kojima su bilo koji predmeti ili životinje koje imaju karakteristike različite čovjeku.

Robot tada analizira sve vizualne karakteristike koje se ponavljaju i razlikuje ih od ostalih slika, tj. određuje sve ono što čovjeka čini čovjekom. Prikupljanjem i grupiranjem tih informacija nije mu striktno određeno kako čovjek treba izgledati, on postaje sposoban sam odlučiti što je čovjek, a što nije.

Ovaj način učenja primjenjuje se zbog devijacija koje se mogu pojaviti u svakodnevnim situacijama koje uzrokuju probleme kod klasičnog i strojnog učenja. Nakon što se čovjek definira određenim parametrima, ako dođe do promjene tih parametara – npr. čovjek raširi ruke – robot prestaje biti sposoban prepoznati ga. U tom slučaju uvijek postoji mogućnost nastanka različitih opasnih situacija i nezgoda ili posao jednostavno neće biti odrađen.

Ukratko rečeno, klasično i strojno učenje ne dopuštaju prilagođavanje dok duboko učenje pruža upravo aktivno učenje u pokretu i sigurnost u dinamičnim okruženjima.

Škarina prostorna svijest trenutno je bez premca

Idući korak u Škarinoj percepciji obavljaju ugrađene stereoskopske kamere. Nakon što je stavljen u određeni prostor, prvi zadatak robota je “definirati” taj prostor, a upravo stereoskopske kamere snimaju prostor i stvaraju obrise predmeta koji se nalaze oko robota.

Ti obrisi se, na temelju udaljenosti predmeta od robota, kodiraju slojevima boja gdje toplina boje određuje njihovu blizinu. Na spektru boja plava-zelena-crvena hladnije boje označavaju bliže predmete dok toplije označavaju one udaljene.

Pomoću tih kodiranih obrisa Škaro ima mogućnost lakšeg određivanja svog položaja i položaja predmeta oko sebe što vodi do točnijeg lociranja predmeta, a nakon toga i lokaliziranja, identificiranja i klasificiranja istih.

Na kraju, glavni modul nazvan “mozak” sintetizira i obrađuje sve prikupljene informacije kako bi stvorio mapu prolaznosti – najefikasniji put kojim će se Škaro kretati kako bi došao do svog cilja. Taj proces se može opisati kao stvaranje tlocrta prostora koji uključuje sve “prepreke u radu”, a ažurira se u pokretu. Zahvaljujući tome Škaro svaki trenutak, ovisno o trenutnom položaju i kretanju ljudi i strojeva u skladištu, zna kojim se putem može, a kojim ne može kretati.

Budućnost je svijetla, ali sada još ovisi o broju i kvaliteti podataka

Želja za unaprjeđenjem trenutno postojećeg sustava uvijek je prisutna, ali i popraćena velikim izazovima. Trenutno dostupna količina podataka i algoritama za obradu slika nije zanemariva, ali za ovu industriju gotovo je neupotrebljiva. Od gotovo sto tisuća slika koje se ponude za učenje iskoristivo ih je samo stotinjak što znatno usporava proces učenja robota i cjelokupan razvoj tehnologije.

Uz to, algoritmi još uvijek nisu sposobni filtrirati pretamne i presvijetle slike ili automatski zamutiti prostor oko željenog predmeta kako bi se robot mogao fokusirati samo na njega. Stoga prijelaz s ljudskog postupka na automatiziranje procesa algoritmima još uvijek nije moguć.

Veliki izazov predstavlja i trenutna arhitektura mreže kodiranih slojeva koji robotu pomažu pri određivanju položaja predmeta. Još uvijek nije prošlo dosta vremena kako bi se odredio broj slojeva prikladan za najkvalitetnije obavljanje posla, što uzrokuje dodatne probleme pri stvaranju mape prolaznosti i određivanju zauzetosti određenih podloga.

No, ovo je ipak mlada industrija, područje koje još uvijek nije u potpunosti istraženo tako da još uvijek postoji dosta vremena i prostora za rast i optimizaciju cjelokupnog sustava.

Energetska učinkovitost i strojno učenje

Osim Ane, vrlo zanimljivo predavanje održala je i Marijana Zekić-Sušac, profesorica informacijskih znanosti na Ekonomskom fakultetu u Osijeku. Iako mnoge zemlje Europske unije imaju posebne energetske planove kojima žele smanjiti potrošnju energije, njihovi podatci se nedovoljno znanstveno analiziraju.

Marijana je svojim predavanjem objasnila kako se uporabom podatkovne analitike može razviti metodološki okvir koji služi predviđanju i analizi pojedinih varijabli koje imaju utjecaj na potrošnju energije, a daljnje analitičke metode procjenjuju financijsku isplativost i učinak koji će nove metode energetske učinkovitosti imati.

Sve polaznike naučila je i kako pravilno prikupiti energetske podatke vlastite kuće ili stana te kako se poigrati s navedenim metodama strojnog učenja kako bi poboljšali i vlastitu energetsku potrošnju.

Od konvencionalnih novina prema digitalnima

Kako je konferencija održana u Arheološkom muzeju u Osijeku, knjižničarska savjetnica Muzeja Slavonije, Marina Vinaj, ovu je priliku iskoristila kako bi prikazala bogatu zbirku osječkih novina koje su se objavljivale od polovice 19. stoljeća sve do kraja Drugog svjetskog rata.

Zbirka trenutno broji više od 60 naslova, a posebno su se izdvojili naslovi na njemačkom jeziku koji su nedavno dobili svoj digitalni oblik i postali dostupni svim korisnicima. Marina kaže kako ove novine otkrivaju dosad nepoznatu, ali vrlo zanimljivu prošlost i priču grada Osijeka.