Машинное обучение с автономными системами Project Bonsai

Узнайте, как Project Bonsai создает и развертывает автономные системы с помощью машинного обучения, глубокого обучения и моделирования.

Архитектура

Project Bonsai ускоряет создание автоматизации на основе искусственного интеллекта. Разработка и развертывание имеют три этапа: сборка, обучение и развертывание.

Скачайте файл Visio для этой архитектуры.

Поток данных

1. Этап сборки состоит из написания программы машинного обучения и подключения к симулятору обучения для конкретного домена. Симуляторы создают достаточные обучающие данные для экспериментов и машинной практики.

   Эксперты по темам без опыта ИИ могут выразить свой опыт в виде шагов, задач, критериев и требуемых результатов. Инженеры создают автономные системы, создавая точные, подробные модели систем и сред и делая системы интеллектуальными с помощью таких методов, как глубокое обучение, имитация обучения и обучение с подкреплением.

2. На этапе обучения модуль обучения автоматизирует создание и обучение модели DRL путем объединения высокоуровневых моделей домена с соответствующими алгоритмами DRL и нейронными сетями.

   Имитации обучают модели в различных типах экологических условий и сценариев гораздо быстрее и безопаснее, чем это возможно в реальном мире. Эксперты могут контролировать агентов по мере их работы для решения проблем в имитированных средах, а также предоставлять отзывы и рекомендации, позволяющие агентам динамически адаптироваться в моделировании.

3. Этап развертывания развертывает обученный мозг в целевом приложении в облаке, локальной среде или внедренном на сайте. Определенные пакеты SDK и API развертывания развертывают обученные системы ИИ в различных целевых приложениях, выполняют настройку компьютера и управляют физическими системами.

   После завершения обучения инженеры развертывают эти обученные агенты в реальном мире, где они используют свои знания для питания автономных систем.

Компоненты

• Project Bonsai упрощает машинное обучение с DRL для обучения и развертывания смарт-автономных систем.

• Реестр контейнеров Azure — это управляемая частная служба реестра Docker, которая используется для хранения образов контейнеров и артефактов для всех типов развертываний контейнеров. Образы безопасно хранятся и могут быть реплика в другие регионы для ускорения развертывания. Вы можете создавать сборки по запросу или автоматизировать сборки с помощью триггеров, таких как фиксации исходного кода и обновления базового образа. Реестр контейнеров основан на реестре Docker с открытым исходным кодом 2.0

  Эта архитектура использует базовый уровень реестра контейнеров для хранения экспортированных мозгов и загруженных симуляторов.

• Экземпляры контейнеров Azure выполняет контейнеры по запросу в бессерверной среде Microsoft Azure. Экземпляры контейнеров является самым быстрым и простым способом запуска контейнера в Azure и не требует подготовки виртуальных машин или внедрения более высокого уровня службы.

  Эта архитектура использует Экземпляры контейнеров для выполнения моделирования.

• служба хранилища Azure — это облачное хранилище, включающее объект, большой двоичный объект, файл, диск, очередь и хранилище таблиц.

  Эта архитектура использует служба хранилища для хранения загруженных симуляторов в виде ZIP-файлов.

Подробности сценария

Искусственный интеллект (ИИ) и машинное обучение предлагают уникальные возможности и проблемы для автоматизации сложных промышленных систем. Машинное обучение — это новая парадигма для создания систем машинного обучения, которые перемещают фокус от алгоритмов и стремясь к успешному созданию и развертыванию моделей.

Машинное обучение восполнит опыт в автоматизированном обучении системы искусственного интеллекта с глубоким обучением с подкреплением (DRL) и симуляциями. Абстрагирование сложности искусственного интеллекта, чтобы сосредоточиться на опыте в предметной области и реальных условиях, создают модели, которые превращают автоматизированные системы управления в автономные системы.

Автономные системы — это автоматизированные системы управления, которые:

• Используйте машинное обучение для объединения знаний о человеческом домене с искусственным интеллектом и машинным обучением.
• Автоматизация создания и управления алгоритмами и моделями DRL.
• Интеграция имитаций для оптимизации модели и масштабируемости во время обучения.
• Развертывание и масштабирование для реального использования.

Потенциальные варианты использования

Это решение идеально подходит для образования, объектов, недвижимости, производства, государственных, автомобильных и медиа и развлекательных отраслей. Project Bonsai ускоряет создание автоматизации, на основе искусственного интеллекта, чтобы повысить качество и эффективность продукта, уменьшая время простоя. Теперь она доступна в предварительной версии, и ее можно использовать для автоматизации систем. Рассмотрим Bonsai, когда вы сталкиваетесь с такими проблемами, как:

• Существующие системы управления являются хрупкими при развертывании.
• Логика машинного обучения не охватывает все сценарии.
• Описание требуемого системного поведения требует экспертов по предметным вопросам, которые понимают предметную область.
• Создание достаточных реальных данных для покрытия всех сценариев сложно или невозможно.
• Традиционные системы управления трудно развернуть и масштабировать в реальном мире.

Машинное обучение мостов искусственного интеллекта и программного обеспечения с традиционными инженерными и доменными знаниями. Примеры приложений:

• Элемент управления движением
• Калибровка компьютера
• Умные дома
• Промышленные роботы
• Элемент управления процессом

Развертывание этого сценария

Ниже приведены примеры развертываний. Вы можете следовать ресурсам, чтобы понять, как эти решения были разработаны. Используйте Project Bonsai для создания и развертывания собственного решения.

Служба машинного обучения

Вы можете использовать Bonsai для:

• Обучение адаптивных мозгов с интуитивно понятными целями и целями обучения, оценкой успеха в режиме реального времени и автоматическим управлением версиями.
• Интегрируйте имитации обучения, реализующие реальные проблемы и предоставляющие реалистичные отзывы.
• Экспорт обученных мозгов и развертывание их в локальной среде, в облаке или на устройствах IoT Edge или на внедренных устройствах.

Ниже приведен пользовательский интерфейс Bonsai:

В Bonsai управляемые кластеры графической обработки azure (GPU) выполняют обучение ИИ в сложных нейронных сетях в большом масштабе с встроенной поддержкой повторного обучения и анализа версий системы ИИ. Пакет платформ развертывания и среды выполнения и развертывание полученных системных моделей ИИ в большом масштабе.

Платформа Bonsai выполняется в Azure и взимает затраты на ресурсы в подписку Azure.

• Реестр контейнеров Azure (базовый уровень) для хранения экспортированных мозгов и загруженных симуляторов.
• Экземпляры контейнеров Azure для моделирования.
• служба хранилища Azure для хранения загруженных симуляторов в виде ZIP-файлов.

Inkling

Inkling — это декларативный, статически типизированный язык программирования для обучения ИИ в Bonsai. Inkling абстрагирует динамические алгоритмы ИИ, требующие опыта в машинном обучении, что позволяет больше разработчиков программировать ИИ. Файл Inkling определяет понятия, необходимые для обучения ИИ и учебной программы, или методов обучения концепций.

Подсистема обучения

Модуль обучения в Bonsai компилирует программы машинного обучения для автоматического создания и обучения систем искусственного интеллекта. Он выполняет следующие действия:

• Автоматизирует создание модели, управление и настройку.
• Определяет архитектуру нейронной сети. Он задает характеристики, такие как количество слоев и топологии, выбирает лучший алгоритм DRL и настраивает гиперпараметров модели.
• Подключение на симулятор и оркеструет обучение.

Так же, как компилятор языка скрывает машинный код от программиста, модуль обучения скрывает сведения о моделях машинного обучения и алгоритмах DRL. По мере создания новых алгоритмов и сетевых топологий модуль обучения может перекомпилировать те же программы машинного обучения, чтобы использовать их.

Пример Cartpole

Bonsai включает два образца машинного обучения, Cartpole и Moab.

Образец Cartpole имеет полюс, присоединенный к корзине неактивированным суставом. Тележка движется вдоль прямо фрикционной дорожки, и полюс движется вперед и назад, в зависимости от движения корзины. Доступные сведения о датчике включают положение корзины и скорость и угол полюса и угловую скорость. Поддерживаемые действия агента — отправить корзину слева или справа.

Полюс начинается прямо, и цель заключается в том, чтобы держать его в порядке, как корзина движется. Существует вознаграждение, созданное для каждого интервала времени, который полюс остается вертикальным. Обучающий эпизод заканчивается, когда полюс более 15 градусов от вертикальной, или когда корзина перемещается больше, чем предопределенное количество единиц из центра трассы.

В примере используется язык Inkling для написания программы машинного обучения, а также предоставленный симулятор Cartpole для ускорения и улучшения обучения.

На следующем снимке экрана Bonsai показан ход обучения Cartpole с удовлетворением целей на оси Y и итерации обучения на оси x. На панели мониторинга также отображается процент удовлетворенности цели и общее время обучения.

Дополнительные сведения о примере Cartpole или опробуйте его самостоятельно, см. в следующей статье:

• Узнайте, как научить агента ИИ балансировать полюс

Симуляторы

Имитации моделируют систему в виртуальном представлении предполагаемой физической среды. Моделирование — это альтернативный подход к созданию политик обучения вручную или сбору больших объемов данных обучения в реальном мире. Имитации позволяют обучать в опасных средах или в условиях, которые трудно воспроизвести в реальном мире.

Имитации являются идеальным источником обучения для DRL, так как они:

• Может гибко создавать пользовательские среды.
• Безопасные и экономичные для создания данных.
• Может одновременно работать на нескольких учебных машинах, чтобы ускорить обучение.

Моделирование доступно в различных отраслях и системах, таких как механические и электрические инженерии, автономные транспортные средства, безопасность и сеть, транспорт и логистика, а также роботизация.

К средствам моделирования относятся:

• Simulink— графическое средство программирования, разработанное MathWorks для моделирования, имитации и анализа динамических систем.
• Gazebo, который имитирует популяции роботов в сложных закрытых и открытых средах.
• Microsoft AirSim— платформа моделирования роботов с открытым исходным кодом.

Платформа Bonsai включает симуляторы Simulink и AnyLogic. Вы можете добавить другие.

AirSim

Microsoft AirSim (аэроформатика и моделирование роботов) — это платформа моделирования с открытым исходным кодом, предназначенная для обучения автономных систем. AirSim предоставляет реалистичное средство моделирования для разработчиков и разработчиков для создания больших объемов данных, необходимых для обучения моделей и отладки.

AirSim может захватывать данные из наземных транспортных средств, колесной роботизации, воздушных беспилотных летательных аппаратов и даже статических устройств Интернета вещей, и делать это без дорогостоящих полевых операций.

AirSim работает в качестве подключаемого модуля к редактору Unreal Engine из Epic Games, обеспечивая контроль над созданием сред и имитацией сложных, реальных событий для сбора значимых данных. AirSim использует текущий игровой механизм отрисовки, физики и вычисления восприятия для создания точного, реального моделирования.

Это реалистичность, основанная на эффективно созданных наземных данных, позволяет изучать и выполнять сложные миссии, которые являются трудоемкими или рискованными в реальном мире. Например, AirSim обеспечивает реалистичные среды, динамику транспортных средств и много модальное датчики для исследователей, создающих автономные транспортные средства. Столкновения в симуляторе практически ничего не стоят, но предоставляют действимую информацию для улучшения дизайна системы.

Шаблон Azure Resource Manager (ARM) можно использовать для автоматического создания среды разработки, кода и отладки приложения Python, подключенного к AirSim в Visual Studio Code. Дополнительные сведения см. в статье "Среда разработки AirSim" в Azure.

Соавторы

Эта статья поддерживается корпорацией Майкрософт. Первоначально он был написан следующими участник.

Автор субъекта:

Хосе Контрерас | Главный менеджер по разработке программного обеспечения

Следующие шаги

• Автономные системы с помощью Microsoft AI
• Автономия для промышленных систем управления
• Инновационное пространство: автономные системы (видео)
• Блог по искусственному интеллекту Майкрософт
• Аэроинформатика и роботизированная платформа (AirSim)
• Машинное обучение Azure: архитектура и основные понятия

Связанные ресурсы

• Использование предметных знаний в машинном обучении и обучении с подкреплением
• Стандартные блоки для сред автономного моделирования
• Сравнение продуктов и технологий машинного обучения от корпорации Майкрософт