Galavečer udílení Cen Wernera von Siemense za rok 2023 letos proběhl ve středu 13. března 2024. Jako každoročně byli v historických prostorách Betlémské kaple oceněni nadaní studenti, úspěšní vědci a pedagogové – letos již po šestadvacáté
Nebyla by to ale společnost Siemens, aby opět nepřichystala nějaké překvapení. Letos bylo opravdu velké. Poprvé v historii provázela diváky slavnostním večerem virtuální konferenciérka Jane, kterou vytvořila umělá inteligence (AI). A nejen to. V letošním roce se také umístil na předních příčkách rekordní počet prací, které se týkají některého z typů umělé inteligence anebo strojového učení. Je jisté, že jsme vstoupili do nové epochy, která bude jednou historiky označována za „éru AI“. Rozhodli jsme se proto podívat se letos na tuto soutěž optikou právě tohoto multidisciplinárního oboru, který v současnosti zažívá nebývalý boom, a to i s vědomím toho, že z hledáčku vypadnou mnohé zajímavé a vysoce hodnocené práce, které se věnují jiným tématům.
Od založení společnosti Siemens letos uběhne 177 let. Svět, ve kterém žil Werner von Siemens, a ten, v němž žijeme my, jsou úplně jiné. Ještě nikdy v historii se svět neměnil tak rychle a současně tak zásadním způsobem. Společnost Siemens dokázala nejen po celé toto období přetrvat, ale především udržet si svoji pozici na špici ve vývoji a uplatňování nových technologií. A nejinak je tomu dnes. Jednou z odpovědí na otázku, díky čemu se jí to dařilo a daří, bezesporu je, že aktuální výzkum a vývoj nejen pečlivě sleduje, ale také ho aktivně podporuje.
Mezi pracemi, které získaly Cenu Wernera von Siemense v některé z hlavních kategorií, jich bylo letos hned několik, jež se zabývaly aplikacemi strojového učení (ML) anebo jinými obory umělé inteligence.
Strojové učení v kvantovém světě
Vítězem kategorie Nejlepší diplomová práce 2023 se stala práce Mgr. Dominika Vašinky a RNDr. Miroslava Ježka, Ph.D., z Přírodovědecké fakulty Univerzity Palackého v Olomouci s názvem „Aplikace strojového učení v kvantovém měření“. V tomto případě se tedy postupy ML využívají k přesnému ovládání složitých fyzikálních systémů, zde navíc kvantových. Příkladem může být optimální nastavení elektrických ovládacích napětí pro dosažení konkrétní činnosti kvantových procesorů nebo maximální citlivosti kvantových senzorů.
Optimalizace řízení těchto zařízení je kritickým momentem nových technologií postavených na kvantových aplikacích. Dominik Vašinka ve své práci představil novou techniku postavenou na pokročilých metodách ML, která řeší konkrétní problém přesné manipulace se směrem kmitání světla na úrovni jednotlivých fotonů. Aplikační potenciál těchto výsledků je značný, především v oblasti metrologie a řízení složitých kvantových systémů.
Efektivnější výroba energií z odpadu
Strojové učení ale může například také pomoci zefektivnit výrobu tepla a elektřiny z odpadu, jak ukázal Ing. Marek Kollmann z Fakulty strojního inženýrství VUT v Brně. Za svou diplomovou práci s názvem „Plánování výroby tepla a elektřiny v zařízení na energetické využití odpadu s využitím strojového učení“získal první místo v kategorii Nejlepší absolventská práce zabývající se technologiemi spadajícími do konceptu Infrastruktura a energetika.
Marek Kollmann vyšel ve své práci z předpokladu, že výrobu energií z odpadních materiálů ovlivňuje řada faktorů, jako jsou vlastnosti odpadu, odběry ostré páry či vlastní spotřeba elektrické energie. Tyto údaje však není snadné získat a navíc řada podniků o svém provozu nesbírá žádná data nebo je jen málo využívá. Přitom právě přesnost plánu určuje, jak efektivní provoz zařízení na energetické využití odpadů (ZEVO) bude. Aplikace ML na krátkodobé plánování kombinované výroby tepla a elektrické energie v centrálním energetickém zdroji – ZEVO – je tím, co může tuto situaci dobře vyřešit.
Od Zemědělství 4.0 po Průmysl 4.0
Využitím metod strojového učení se zabývá i další z vysoce hodnocených diplomových prací, která se umístila na 9. místě. Tentokráte ale ve zcela jiném oboru, a to v zemědělství, konkrétně v detekci plevelů v plodinách. Autory této práce jsou Mgr. Ing. Adam Hruška a Ing. Pavel Hamouz, Ph.D., z Fakulty agrobiologie, potravinových a přírodních zdrojů České zemědělské univerzity v Praze.
Téma strojového učení se rovněž objevilo i v TOP 10 absolventských prací na téma Průmyslu 4.0. Na 6. příčku dosáhla práce Bc. Erika Pásztora a prof. Ing. Radislava Šmída, Ph.D., z Fakulty elektrotechnické ČVUT v Praze s názvem „Detekce poruch v průmyslu s použitím strojového učení v koncovém zařízení“.
Co je a co není umělá inteligence?
Definic umělé inteligence (AI) je mnoho. Téměř všechny se ale shodnou na tom, že AI je program anebo činnost vykonávaná strojem, která simuluje myšlení a konání lidí. Je to umělý systém, který je schopen vnímat a chápat své prostředí a samostatně podnikat kroky, které ho dovedou k vytčenému cíli. Z tohoto pohledu je zatím většina systémů, které jsou běžně označovány za AI, tomuto obrazu na hony vzdálená.
Mnohem realističtější je stále ještě strojové učení, anglicky Machine Learning (ML) – podoblast šířeji definované umělé inteligence, která se zabývá tvorbou programů, které mají tu vlastnost, že se umějí učit z dat. V praxi to vypadá tak, že ML zanalyzuje obrovské množství dat, která mu předem připraví člověk, a na jejich základě vytvoří příslušné algoritmy, které zjednodušeně popisují teoretický princip řešení daného problému. V tom se liší od počítačového programu, který je přesným zápisem zcela konkrétního řešení v některém z programovacích jazyků. Získané algoritmy potom slouží jako základ pro vytvoření modelů, s jejichž pomocí se následně řeší podobné problémy. Pouze stěží bychom dnes ještě našli obor, v kterém by se tyto přístupy ještě neuplatňovaly.
Další podoblastí umělé inteligence, který se v současnosti intenzivně rozvíjí, je vědní obor zaměřený na hluboké učení, anglicky Deep Learning (DL). Jeho předností je, že ještě více rozšiřuje možnosti ML, poněvadž ke své činnosti již využívá umělé neuronové sítě, díky čemuž se více přibližuje tomu, jak funguje lidský mozek. Tedy tomu, co se snaží napodobit umělá inteligence, a následně to přenést do strojů. Přidanou hodnotou, kterou DL dodává technikám ML, je, že umožňuje porozumění v kontextu.
Ještě o krok dál jde hluboké učení
Obohatit strojové učení o další prvky inteligence, podobné té lidské, umožňují umělé neuronové sítě. Jejich obrovským přínosem je, že pokud jsou vybaveny dostatečným množstvím dat a výpočetního výkonu, jsou schopny velmi přesně predikovat hodnoty v podstatě jakékoliv funkce. Neuronové sítě jsou schopné přijímat data v téměř libovolné podobně, a to strukturovaná i nestrukturovaná. V případě, že jsou vstupními strukturovanými daty grafy, se síť nazývá grafová neuronová síť.
Využít tento typ sítí v oboru částicové fyziky napadlo Ing. Jekatěrinu Jaroslavcevu z Fakulty elektrotechnické ČVUT v Praze, která spolu s prof. Mgr. Ondřejem Chumem, Ph.D., získala 2. místo v kategorii Nejlepší diplomová práce a současně Ocenění za vynikající kvalitu ženské vědecké práce za práci s názvem „Nový algoritmus pro spojování 3D energetických depozitů založený na grafových neuronových sítích pro experiment CMS na Velkém hadronovém urychlovači v CERNu“. Oceněná studentka vyvinula model využívající umělou inteligenci, který vědci v Evropské organizaci pro jaderný výzkum (CERN) používají k analýze částicových interakcí na Velkém hadronovém urychlovači (LHC). Tento model značně zvyšuje přesnost rekonstrukce částicových srážek a také umožňuje analýzu mnohem většího množství dat. To je klíčové pro objevování nových částic a pro hlubší porozumění částicím již známým.
Rozhodovací architektura, která umí zachraňovat životy
Cenu Wernera von Siemense za druhé místo v kategorii Nejlepší disertační práce získal Ing. Vojtěch Spurný, Ph.D., za práci s názvem „Komplexní systém pro rychlé a spolehlivé nasazení spolupracujících autonomních letounů“. Jak jinak, i zde se jedná o využití prvků umělé inteligence, která v tomto případě pomáhá řídit multirobotické týmy, skládající se z několika bezpilotních záchranářských helikoptér. Navržená rozhodovací architektura dokáže reagovat na chyby senzorů a aktivních prvků a také volit nejvhodnější strategii v závislosti na dostupnosti komunikace, a tím maximalizovat efektivitu multirobotického týmu, který může významně pomáhat záchranářským týmům v podmínkách se ztíženými možnostmi komunikace. Například v rozsáhlých prostorách anebo v nestabilním terénu apod.
Složité neuronové sítě nejsou pro každého
Podívat se na problematiku aplikací složitých neuronových sítí z druhé strany napadlo Ing. Erika Dernera, Ph.D., z Fakulty elektrotechnické ČVUT v Praze, který zvítězil v kategorii Nejlepší absolventská práce na téma Průmysl 4.0 s prací s názvem „Efektivní metody pro učení modelů a řízení v robotice“. Erik Derner si uvědomil, že přestože využívání hlubokých neuronových sítí umožňuje řešení mnoha složitých problémů, má také svá úskalí. Tím hlavním je potřeba obrovských množství trénovacích dat a neméně velkého výpočetního výkonu. Za cíl a téma své práce si proto stanovil vývoj nové metody a její otestování v experimentech s roboty v reálném světě.
Experimenty s mobilním robotem ukázaly, že model naučený jen z několika desítek vzorků vybraných navrženou metodou může být využit pro úspěšné vykonání úlohy založené na řízení metodou posilovaného učení. Běžně používané techniky učení modelů z dat v mnoha případech generují modely, které nevyhovují fyzikálním omezením robota. Částečný teoretický nebo empirický model robota je přitom často znám. Dernerova práce ukazuje, jak lze symbolickou regresi přirozeně rozšířit tak, aby byly předem známé informace o robotu zahrnuty do procesu učení modelu.
Nové technologie jako příležitost
Zatím poslední ročník Ceny Wernera von Siemense opět prokázal, že naši studenti i jejich pedagogové sledují nejaktuálnější trendy, a také především to, že dosahují výsledků srovnatelných se světovou špičkou. Vedle vysoké vědecké erudice bychom ale měli zdůraznit rovněž jejich širší zájem o společnost. Za všechny citujme Erika Dernera, který ve svém medailonku řekl: „Chtěl bych přispět k popularizaci robotiky a umělé inteligence a šířit povědomí o tom, že stále se zrychlující technologický vývoj je pro společnost mnohem spíše příležitostí než důvodem k obavám.“
