Kategória: Správy

Publikácia: Hranie hry Flappy Bird na základe rozpoznávania pohybu pomocou modelu transformátora a senzora LIDAR

Publikácia: Hranie hry Flappy Bird na základe rozpoznávania pohybu pomocou modelu transformátora a senzora LIDAR

Abstrakt: V tejto štúdii sa používa transformátorová neurónová sieť na predpovedanie hodnôt Q v simulovanom prostredí pomocou techník posilneného učenia. Cieľom je naučiť agenta navigovať a vyniknúť v hre Flappy Bird, ktorá sa stala populárnym modelom pre riadenie v prístupoch strojového učenia. Na rozdiel od väčšiny špičkových existujúcich prístupov, ktoré ako vstup používajú vykreslený obraz hry, náš hlavný prínos spočíva vo využití senzorických vstupov z LIDAR-u, ktoré sú reprezentované metódou liatia lúčov. Konkrétne sa zameriavame na pochopenie časového kontextu meraní z pohľadu metódy liatia lúčov a optimalizáciu potenciálne rizikového správania zohľadnením stupňa priblíženia k objektom identifikovaným ako prekážky. Agent sa naučil využívať merania z metódy liatia lúčov na vyhýbanie sa kolíziám s prekážkami. Náš model podstatne prekonáva príbuzné prístupy. Do budúcnosti sa snažíme aplikovať tento prístup v reálnych scenároch.

Celý dokument nájdete pod týmto odkazom:Playing Flappy Bird Based on Motion Recognition sensors-24-01905.en.sk

alebo https://doi.org/10.3390/s24061905

 

Abstrakt: RL-Toolkit: Návrh a implementácia súboru nástrojov pre posilňovanie učenia v robotike

Abstrakt: RL-Toolkit: Návrh a implementácia súboru nástrojov pre posilňovanie učenia v robotike

Abstrakt: Tento článok predstavuje novú sadu nástrojov na samoučenie robotov v simulovaných prostrediach so zameraním na maximalizáciu skóre výkonu úloh. Navrhovaná metóda využíva umelú neurónovú sieť na transformáciu meraní senzorov na vektor akcií, t. j. pohybov motorov robota, pričom využíva princípy posilňovania učenia na maximalizáciu kvality stavových prechodov vyplývajúcich z vykonaných akcií. Na ukladanie údajov o interakciách získaných počas simulácií sa využíva databázový server Reverb. Experimentálne výsledky preukazujú výrazné zlepšenie o 9,38 % oproti publikovaným výsledkom pôvodných algoritmov. Konštrukcia RL-Toolkit pozostáva z databázového servera, nástroja na monitorovanie váh a odchýlok a podpory troch populárnych simulačných prostredí (Gymnasium, DeepMind Control Suite a PyBullet). Okrem toho sa uvádza návrh architektúry na použitie súpravy RL-Toolkit na reálnych robotoch, ktorý ukazuje jej potenciál na praktickú implementáciu. Viac ANS2023 – Book of Abstracts Kubovcik

Publikácia: Detekcia nezvyčajností signálu ako vnútorná odmena pre robotiku

Publikácia: Detekcia nezvyčajností signálu ako vnútorná odmena pre robotiku

V pokročilom riadení robotov je posilnené učenie bežnou technikou, ktorá sa používa na transformáciu údajov zo senzorov na signály pre akčné členy na základe spätnej väzby z prostredia robota. Spätná väzba alebo odmena je však zvyčajne riedka, pretože sa poskytuje najmä po dokončení alebo zlyhaní úlohy, čo vedie k pomalej konvergencii. Ďalšie vnútorné odmeny založené na frekvencii návštev stavu môžu poskytnúť viac spätnej väzby. V tejto štúdii bola ako detekcia novosti pre vnútorné odmeny na vedenie procesu prehľadávania stavového priestoru využitá neurónová sieť s hlbokým učením Autoencoder. Neurónová sieť spracovávala signály z rôznych typov snímačov súčasne. Bola testovaná na simulovaných robotických agentoch v referenčnom súbore testovacích prostredí klasického riadenia OpenAI Gym (vrátane Mountain Car, Acrobot, CartPole a LunarLander), pričom sa dosiahlo efektívnejšie a presnejšie riadenie robota v troch zo štyroch úloh (len s miernym zhoršením v úlohe Lunar Lander), keď sa použili čisto vnútorné odmeny v porovnaní so štandardnými vonkajšími odmenami. Začlenením vnútorných odmien založených na autoenkodéroch by sa roboty mohli stať potenciálne spoľahlivejšími v autonómnych operáciách, ako je prieskum vesmíru alebo pod vodou, alebo počas reakcie na prírodné katastrofy. Systém by sa totiž mohol lepšie prispôsobiť meniacemu sa prostrediu alebo neočakávaným situáciám.

Celý dokument nájdete pod týmto odkazom:Sensors Kubovcik Signal novelty detection as an intrinsic reward for robotics03d_SJ

alebo https://doi.org/10.3390/s23083985

 

 

 

 

METODIKA ZBERU A ANALÝZY OSVEDČENÝCH POSTUPOV V OBLASTI APLIKOVANEJ UMELEJ INTELIGENCIE

METODIKA ZBERU A ANALÝZY OSVEDČENÝCH POSTUPOV V OBLASTI APLIKOVANEJ UMELEJ INTELIGENCIE

Práca je realizovaná v rámci projektu Erasmus+ „Budúcnosť je v aplikovanej umelej inteligencii“ (FAAI) a venuje sa vypracovaniu metodiky zberu a analýzy dobrej praxe v oblasti aplikovanej umelej inteligencie (AAI), pokiaľ ide o kompetencie, školenia, existujúce riešenia a reálne prípady, ktoré môžu byť využité pri tvorbe školení vzdelávania založeného na kompetenciách. Navrhujeme tu definíciu dobrej praxe v oblasti AAI spolu s príslušnými kritériami a vlastnosťami. Navrhovaná metodika využíva systémový výskum založený na údajoch získaných z existujúcich vzdelávacích kurzov v oblasti AAI, trhu práce, prieskumov vyplnených akademickými pracovníkmi, študentmi a zamestnávateľmi, prípadov použitia AAI vo vede a priemysle.

Celý dokument nájdete pod týmto odkazom:Methodology_collection_SK

RÁMEC KOMPETENCIÍ

RÁMEC KOMPETENCIÍ

Tento výsledok načrtáva iniciatívu v oblasti vzdelávania zameranú na rozvoj rámca kompetencií v oblasti AAI. Tento prístup zahŕňa analýzu a začlenenie rôznych štandardov kompetencií, napríklad ACM a IEEE. Obsah rámca sa zameriava na zahrnutie oblastí znalostí, špecifikáciu rozsahu, kompetencií a subdomén. Subdomény sú ďalej podrobne rozpracované prostredníctvom zahrnutia zodpovedajúcich vedomostí, zručností a dispozícií. Cieľom tohto komplexného prístupu je vytvoriť pevný základ pre rozvoj kompetencií v rýchlo sa rozvíjajúcej oblasti AAI.

Celý dokument nájdete tu:A3_2 Competence_framework_SK

POŽIADAVKY NA UČENIE UMELEJ INTELIGENCIE

POŽIADAVKY NA UČENIE UMELEJ INTELIGENCIE

Konzorcium projektu The Future is in Applied Artificial Intelligence navrhlo prvý učebný plán založený na kompetenciách v oblasti aplikovanej umelej inteligencie na úrovni vysokých škôl. Vývoj vychádzal z pokročilého systémového výskumu existujúcich zdrojov súvisiacich s umelou inteligenciou a prieskumu cieľových skupín učiteľov, študentov informačných technológií a zamestnávateľov, ktorý by mal zvýšiť výkonnosť implementácie vzdelávania v oblasti umelej inteligencie. Prehľad aplikovanej umelej inteligencie bol pripravený formou zoskupenia kľúčových slov. Východiskové údaje boli získané pomocou prieskumu, zhromažďovania pracovných ponúk, existujúcich vzdelávacích kurzov v oblasti umelej inteligencie, vedeckých projektov a reálnych prípadov. Syntetická analýza textových informácií zo štúdií sa uskutočnila pomocou techniky mrakov slov. Na prezentáciu kurzu založeného na kompetenciách sa použil tenzorový prístup. Konkrétne číselné požiadavky na kurz vo forme priorít vyplývajú z riešenia rozhodovacích problémov pomocou techniky analytického hierarchického procesu.Na základe komplexného štúdia prieskumov, vzdelávacích skúseností, vedeckých projektov a požiadaviek podnikov, metaanalýzy najnovších referencií sme špecifikovali kritériá vzdelávacieho kurzu vo forme tenzorového zobrazenia kompetencií vo vzťahu k obsahu a vzdelávacím modulom.

Celý článok nájdete tu:A3_3_LearningRequirements_SK

EXISTUJÚCE KURZY ODBORNEJ PRÍPRAVY V OBLASTI APLIKOVANEJ UI

EXISTUJÚCE KURZY ODBORNEJ PRÍPRAVY V OBLASTI APLIKOVANEJ UI

Dotazník, ktorý je predmetom tohto dokumentu, je súčasťou výskumu v súvislosti s cieľmi projektu 2022-1-PL01-KA220-HED-000088359 „The Future is in Applied Artificial Intelligence“ (FAAI) v rámci programu Erasmus+. Cieľom tohto projektu je spojiť univerzity a podniky a poskytnúť inovatívne riešenia na rozvoj odborníkov na umelú inteligenciu. Otázky v tejto štúdii boli zamerané na výskum potrieb a očakávaní podnikateľských organizácií s cieľom navrhnúť vzdelávanie odborníkov v oblasti aplikovanej umelej inteligencie. V tomto dokumente sa uvádza stručný prehľad ponúkaných vzdelávacích kurzov v oblasti aplikovanej umelej inteligencie a ich opis. Napriek existujúcim ponúkaným školeniam je potrebné zosumarizovať a odvodiť informácie o témach požadovaných a obsiahnutých v rámci školení v oblasti aplikovanej umelej inteligencie.

Celý dokument nájdete tu:Research 1 UoM Prepare State-of-the-art analysis on Existing Training Courses in the Field of Applied AI_SK

ŠTÚDIA TRHU PRÁCE V OBLASTI APLIKOVANEJ UI

ŠTÚDIA TRHU PRÁCE V OBLASTI APLIKOVANEJ UI

Tento dotazník je súčasťou výskumu v súvislosti s cieľmi projektu 2022-1-PL01-KA220-HED-000088359 „The Future is in Applied Artificial Intelligence“ (FAAI) v rámci programu Erasmus+. Cieľom tohto projektu je spojiť univerzity a podniky a poskytnúť inovatívne riešenia na rozvoj odborníkov na umelú inteligenciu. Otázky v tejto štúdii boli zamerané na výskum potrieb a očakávaní podnikateľských organizácií s cieľom navrhnúť vzdelávanie odborníkov v oblasti aplikovanej umelej inteligencie. Prehľad ponúkaných vzdelávacích kurzov v oblasti aplikovanej umelej inteligencie a ich opis.

Celý dokument nájdete tu:Research 2 SOA Labor market_SK

PREHĽAD VEDECKÝCH PROJEKTOV V OBLASTI APLIKOVANEJ UI

PREHĽAD VEDECKÝCH PROJEKTOV V OBLASTI APLIKOVANEJ UI

Zozbierané a analyzované boli dotazníky o 63 projektoch partnerských organizácií z 5 krajín, ktoré sa týkali výučby umelej inteligencie. Koordinátori projektov boli z 19 krajín. Medzi zaujímavejšie výsledky patrí zistenie, že viac ako polovica projektov sa týkala výučbových modulov hlbokých neurónových sietí a väčšina úloh strojového učenia, ktoré sa riešili, sa týkala spracovania obrazu, klasifikácie, regresie, zhlukovania a spracovania prirodzeného jazyka. Medzi použitými knižnicami AI dominovali TensorFlow, Keras, scikit-learn a CUDA. Programovacími jazykmi boli Python a C++.

Väčšina odpovedí bola analyzovaná a vizualizovaná vo forme grafov.

Celý dokument nájdete tu:Research 3 StateOfTheArt_scientificprojects_SK

PRIESKUM PRE AKADEMICKÝCH PRACOVNÍKOV (LEKTOROV) V OBLASTI APLIKOVANEJ UI

PRIESKUM PRE AKADEMICKÝCH PRACOVNÍKOV (LEKTOROV) V OBLASTI APLIKOVANEJ UI

Zozbierané a analyzované boli dotazníky 80 učiteľov z 5 krajín, ktoré sa týkali vyučovania umelej inteligencie. Medzi zaujímavejšie výsledky patrí zistenie, že väčšina učiteľov sa v oblasti umelej inteligencie vzdeláva sama, väčšina z nich sa nikdy nezúčastnila na komerčnom projekte týkajúcom sa umelej inteligencie, ale väčšina učiteľov by privítala rozšírenú účasť odborníkov z priemyslu na výučbe študentov. Z ich odporúčaní možno vybrať napr. rady:

Zamerajte sa viac na bezplatné verzie.

  • Najskôr si vyberte vhodný výpočtový jazyk a knižnice
  • Venovať pozornosť počítačovému videniu, vysvetľujúcej umelej inteligencii, interakcii človeka s umelou inteligenciou
  • Pridať viac aktivít zameraných na riešenie príkladov
  • Riešenie skutočných prípadov umelej inteligencie na hodinách

Väčšina odpovedí bola analyzovaná a vizualizovaná vo forme grafov.

Celý dokument nájdete tu:Research 4 StateOfTheArt_teachers_SK