Ramona Prodea, AMD: „Maşinile conştiente” vor face tot mai mult operaţiuni pe care ochiul uman si creierul nu le-ar putea repeta, în mod constant, de sute sau chiar mii de ori pe zi

Autor: Adrian Seceleanu 15.06.2016

Aşa numitele „maşini conştiente- respectiv mecanismele care utilizând tehnologii avansate de analiză a imaginilor pot lua decizii privind un produs - respectiv dacă acesta îndeplineşte o serie de criterii prestabilite precum mărime sau consistenţă - vor fi din ce în ce mai utilizate şi vor deveni o tehnologie comună în tot mai multe industrii, afirmă Ramona Prodea, manager pentru operaţiunile din sud-estul Europei ale companiei americane Advanced Micro Devices (AMD), unul dintre cei mai mari producători globali de procesoare.

Conceptul de „machine vision” este privit încă cu reticenţă şi pentru că industria de profil nu a explicat foarte bine despre ce este vorba, susţine Prodea. „Dacă discutăm cu prietenii sau familia despre <<maşinile conştiente>> am putea primi nişte priviri ciudate, urmate eventual de o discuţie despre un film pe care l-au văzut în care roboţii devin conştienţi de sine şi periculoşi. Din fericire, realitatea nu este atât de apocaliptică. Poate industria ar trebui să ia în considerare o descriere a segmentului de tehnologie care este mai uşor de utilizat, deoarece acest  domeniu are un potenţial pozitiv dramatic pentru aplicaţii integrate (embedded).

De fapt, Machine Vision este pur şi simplu un mecanism care acţionează pe baza informaţiilor disponibile într-o imagine pentru a lua o decizie cu privire la ce va face în continuare cu obiectul din imagine. O simplă evaluare de calitate a unui produs de pe linia de asamblare sau înainte de expediere este unul dintre exemplele cele mai simple. Inspecţia unui PCB (printed circuit board - circuit imprimat) este un exemplu de utilizare comună pentru această tehnologie, în cazul în care o imagine a unui model matriţă poate fi rapid şi uşor comparată cu un model de referinţă, pe măsură ce se deplasează într-un sistem automat de sortare. Acesta este un pas extrem de important pentru asigurarea calităţii şi reducerea deşeurilor, cu verificări de producţie pe care ochiul uman si creierul nu le-ar putea repeta, în mod constant, de sute sau chiar mii de ori pe zi.”

Care sunt necesităţile de procesare pentru Machine Vision. Exemplul olandez - 25 de tone de legime sortate pe oră

Cu cât imaginile preluate şi analizate de către maşini au o calitate mai ridicată cu atât şi capacitatea acestora de a executa sarcini mai complexe va creşte, adaugă Ramona Prodea. „Pe măsură ce rezoluţia imaginilor din sistemele de înregistrare creşte, potenţialul maşinilor conştiente se amplifică, deoarece detaliile disponibile pentru evaluare cresc într-un ritm echivalent. Subseturi din ce în ce mai mici de informaţii vizuale pot fi evaluate pe baza unui şablon, crescând în acest fel volumul de lucru pentru procesorul sistemului, ce prelucrează datele şi decide cu privire la paşii următori.

Clasificarea legumelor este un caz în care dimensiunea produselor corelată cu simpla alegere <<pass / fail>> (OK sau respingere) pentru controlul calităţii nu este suficientă, deoarece standardele de produs sunt diferite de la ţară la ţară şi calitatea acestora variază pe parcursul unui sezon. Pentru a fi în măsură să reducă la minimum pierderile de la producător şi să menţină în continuare un nivel de calitate ridicat, o serie de algoritmi optimi este necesară pentru o sortare calitativă, sarcină aproape imposibilă pentru oameni.

Un exemplu în acest sens este Qtechnology din Danemarca. Compania livrează camere inteligente pentru sortarea legumelor cu volume de producţie de până la 25 de tone pe oră, ceea ce necesită analizarea a mai mult de 250.000 de produse de la aproximativ 500.000 de imagini. La o dimensiune de 6,2 MB pentru fiecare imagine, acest caz particular necesită analizarea a mai mult de 2,5 terabytes de date într-o oră per maşină, o cantitate colosală de informaţii. Pentru a administra lucru cu aceşti simpli algoritmi ar fi necesare mai multe etape de analiză şi mai multe camere video, corpuri de iluminat, spaţiu suplimentar în incinta fabricii etc.

Alternativa este de a utliliza o putere de procesare extinsă, fie ca o unitate de procesare centralizată şi conectată prin intermediul unor conexiuni în bandă largă sau prelucrarea distribuită cu camere inteligente, cu procesarea datelor în timp real, direct în aparatul de fotografiat, rezultatele pentru fiecare produs fiind livrate direct sistemului de sortare mecanică. În sistemele standard de procesare a imaginilor, calitatea alimentelor şi siguranţa alimentară sunt în general definite de atribute fizice externe, cum ar fi textura si culoarea. Imagistica hyperspectrală oferă industriei alimentare posibilitatea de a include noi atribute în evaluarea calităţii şi a siguranţei, precum atributele chimice si biologice pentru determinarea zahărului, grăsimilor, umidităţii şi numărul de bacterii din produse.”

Ce soluţii au folosit olandezii de la Qtechnology pentru a crea mecanismul care permite sortarea „robotizată” a 25 de tone de legume pe oră

Proiectul implementat de compania olandeză Qtechnology arată că pentru a se ajunge la performanţe ridicate este necesar şi un grad ridicat de  procesare scalabilă, de înaltă performanţă, adaugă Ramona Prodea. „Qtechnology utilizează o unitate de procesare accelerată (APU) în platformele sale, ce combină un procesor central CPU şi un procesor grafic GPU într-un singur cip, asigurând astfel echilibrarea fluxului de informaţii procesate către GPU, fără generarea de latenţe ridicate între componentele de procesare. Acest lucru permite procesorului central CPU să servească altor întreruperi cu latenţă mai redusă, ajutând în acest fel la îmbunătăţirea performanţelor în timp real a întregului sistem. Combinarea mai multor unităţi de procesare într-un singur cip sau într-un sistem pentru a asocia fluxuri de lucru către componenta cea mai potrivită stă la baza modelului Heteroneous computing. Bazele Heterogeneous System Architecture (HSA) au fost puse în anul 2012 cu scopul de a permite industriei să definească specificaţii de produs universal valabile de-a lungul tuturor elementelor de procesare pentru îmbunătăţirea eficienţei de lucru. Procesorul grafic GPU lucrează cu sarcini paralele ce se pot multiplica simultan peste mai multe seturi de date (în acest caz, pixeli) - exact cum se întâmplă în cazul jocurilor 3D pe consolă sau PC. Acest lucru este exact ceea ce o maşină inteligentă are nevoie. Performanţa poate fi crecută prin instalarea unei plăci grafice dedicate alături de GPU-ul din APU cu scopul de a oferi un suport extins atunci când fluxul de lucru este ridicat. Aplicaţiile software reprezintă o parte critică din ecuaţie. Cu HSA, întreaga platformă poate fi controlată prin intermediul unui Kernel de Linux, ce necesită un nivel minimal de suport de programare la fiecare actualizare a acestuia. Proiectul Yocto, o colaborare open source, asigură şabloane, unelte şi metode de lucru ce vin în ajutorul utilizatorilor la crearea de sisteme bazate pe kernel Linux pentru produse embedded. Machine vision este cel mai bun exemplu de optimizare a costurilor prin aplicarea puterii de procesare a siliconului, totodată crescând viteza de producţie, calitatea şi oferind o serie de beneficii pentru diverse afaceri şi aplicaţii.”

Cine este Ramona Prodea

Absolventă a Universităţii Bucureşti, secţia de informatică, şi a mai multor cursuri de vânzări şi marketing, Ramona Prodea a preluat în 2006 conducerea biroului AMD pentru România, Bulgaria şi Ungaria. Ulterior, ea a preluat noi ţări în portofoliu, iar de la începutul anului trecut a ajuns la 12.
Afacerile AMD în România sunt coordonate de la Bucureşti, iar compania are o echipă de vânzări cu sarcinile împărţite pe ţări, la care se adaugă echipa de marketing şi suport de PR local. Biroul are rolul de a ţine legătura cu partenerii locali, respectiv cu distribuitorii, retailerii online şi clasici precum şi producătorii de sisteme de calcul (cei care asamblează computere). AMD are o cotă de piaţă de aproximativ 20% în România, conform unor date furnizate anterior de companie.