AI a Model-Based Design: vývoj technických systémů využívajících AI

Systémy založené na umělé inteligenci (AI) zasahují množství průmyslových odvětví, počínaje automobilovým a leteckým průmyslem, a konče biotechnologiemi, energetikou či finančními službami. Modely a algoritmy AI však ve výsledných aplikacích nejsou samy – jsou propojeny s dalšími částmi systému a ostatními algoritmy. Metoda Model-Based Design umožní společný vývoj, testování, optimalizaci a nasazení navrhovaného systému jako celku a usnadní integraci algoritmů založených na AI do technických systémů.

Co je metoda Model-Based Design

Metoda Model-Based Design (MBD) je postavena na systematickém využívání simulačních modelů napříč vývojovým procesem. Typickým příkladem jejího využití je návrh řídicího systému, jeho implementace a nasazení na cílovou platformu ve formě automaticky generovaného zdrojového kódu.

V jakých oblastech je možné metodu Model-Based Design využít:

• vývoj, testování a implementace algoritmů
• optimalizace návrhu a analýza možností pomocí simulací
• ověření splnění požadavků v raných fázích vývoje
• generování kódu pro vývoj prototypu i výrobu (mikroprocesory, FPGA, SoC)
• analýza dat z provozu zařízení včetně konceptu „digitální dvojče“
• vývoj dle standardů AUTOSAR, ASPICE, ISO 26262, EN 50128, MISRA-C a dalších

Více informací o metodě Model-Based Design se dozvíte v příspěvku Model-Based Design pro vývoj technických systémů.

MATLAB a Simulink

Prostředí MATLAB a Simulink poskytuje platformu pro vývoj metodou Model-Based Design. Simulink je nástroj určený pro modelování a simulaci dynamických systémů a vývoj algoritmů. Poskytuje uživateli možnost rychle a snadno vytvářet simulační modely ve formě blokových schémat a nasadit je na cílové platformy bez ručního zápisu kódu.

Využití AI v technických systémech

Algoritmy založené na umělé inteligenci jsou využitelné v široké škále technických systémů. Může se jednat o rozpoznávání objektů v obrazových datech, analýzu signálů nebo rozhodovací systém. Ve výsledných aplikacích jsou AI modely* propojeny s ostatními algoritmy a tvoří tak jeden společný celek.

Pro optimalizaci chování celého systému je vhodné prověřit nejen chování samotných AI modelů, ale také jejich interakci s dalšími prvky a vnějšími systémy. Metoda Model-Based Design umožní společný vývoj a testování modelů umělé inteligence se zbytkem systému, optimalizovat jejich vzájemné působení, odhalit včas případné problémy s integrací a dovést návrh až do podoby cílového nasazení.

(*) pozn. AI model je program, který na vstupní data aplikuje jeden nebo více algoritmů pro řešení dané úlohy.

Typické aplikace AI v technických systémech:

• počítačové vidění – detekce a sledování objektů v obrazových datech
• virtuální senzory založené na AI – získání hodnot veličin, které nelze přímo měřit
• řídicí systémy založené na AI – reinforcement learning jako alternativa ke klasickým řídicím systémům
• detekce anomálií, vizuální inspekce a prediktivní údržba systémů – online diagnostika při provozu zařízení
• předpovídání spotřeby, dodávky a cen energií
• tvorba redukovaných modelů (Reduced Order Modeling) – zjednodušené modely pro efektivnější simulace

Příklad: Asistenční systém automobilu s detekcí jízdních pruhů

Systém zahrnuje AI model pro detekci jízdních pruhů v kamerových datech, integraci jeho výstupu z dalšími měřeními a řídicí systém, který v případě potřeby zajistí vhodný zásah do řízení vozidla.

Kroky k návrhu systému s AI

Obecně lze postup návrhu systému s algoritmy využívajícími AI rozdělit do čtyř fází.

• příprava dat – čištění a úprava surových dat do vhodné podoby, označování dat pro učení AI modelu
• modelování AI – návrh a učení AI modelu, verifikace AI modelu
• simulace a testování – propojení AI modelu s ostatními algoritmy, verifikace a testování na úrovni systému
• nasazení na cílovou platformu – embedded systém, osobní počítač, cloud

Příklad: Asistenční systém

Pro asistenční systém automobilu s detekcí jízdních pruhů by vývojové kroky vypadaly následovně:

• příprava dat – úprava obrazových dat z kamery, označení jízdních pruhů pro učení AI modelu
• modelování AI – výběr a úprava AI modelu (hluboká neuronová síť), učení a ověření funkce AI modelu
• simulace a testování – propojení AI modelu s algoritmy řídicího systému a senzorické fúze, simulace a testování modelu celého software
• nasazení – generování kódu pro cílovou embedded platformu použitou v automobilu

AI jako součást metody Model-Based Design

Umělá inteligence se může promítnout i do samotné metody Model-Based Design. Příkladem mohou být redukované modely, tedy simulační modely systémů, které aproximují složité fyzikální chování prostředky umělé inteligence. Výsledný AI model zachycuje důležité rysy chování systému, ale výpočetní nároky na jeho simulaci jsou nižší, něž u detailního fyzikálního modelu. Tím umožní rychlejší simulaci systému a je vhodný pro opakované testy, Monte Carlo simulace nebo jej lze využít jako digitální dvojče pro nasazení do provozního prostředí.

Mám zájem vyzkoušet si MATLAB a Simulink