Prakticky týdně je možné najít nový pokus s deep learningem a ziskem datového korpusu, který analyzuje, předpovídá, překládá a navrhuje… Pokrytí začíná být celistvé. Díky poklesu cen technologií a základního sdílení principů hlubokého strojového učení se do pokusů pouští více vědeckých skupin a komerční sféra nezůstává pozadu. I pro malou firmu je možné postavit server vyhovující nárokům strojového učení a na dostupných vzorcích si vychovávat svůj datový korpus. Jenže to co dnes už chybí jsou znalci strojového učení a také výběr hotových řešení. Modulace, které bychom mohli rovnou začlenit a ušetřit si čas v jiné ose výzkumu. Jsme až tak moc teprve na začátku?

Jednou z technických zajímavostí posledních dnů je Google Coral, zajímavá karta na urychlení procesů umělé inteligence a decentralizace výpočtů. Podle popisů Google slov jde o první řešení, je ve vývoji a Google ji nabízí pro vývojáře. Teprve hledá veřejné uplatnění. Z popisu toho co karta umí je zřejmé, že jde o cílené zaměření na koncové uživatele. Čemuž odpovídá i cena.
Karta Google Coral není určena pro Deep learning přímo, ale může připravit vstupní data pro server strojového učení a zpětně převádět výpočet Matky do podání pro koncového uživatele.
Hlavní server tak nemusí obstarávat vstupy uživatelů a zaměřuje se na typová seskupení dat. Což pro překladatele znamená rozdělení učebních textů podle oboru, nebo v případě nasazení v pracovní skupině může karta Google Coral dělat před výpočet dat z mnoha zdrojů. Tedy dělat je slovo nepřesné, Coral má zrychlit výpočet na lokální straně Deep learningu. Což spíše znamená ulevit koncovému počítači a umožnit znásobit objem zpracovávaných dat pro vstup na hlavní server Matky hlubokého strojového učení.

Druhou zajímavou zprávou je xCloud s možností pronájmu výkonu na serverech Microsoftu a k uživateli přenášet jen obrazová data (hry). Uživateli tak poběží i velice náročné hry na mobilu, protože výkon zpracovává Microsoft. Při hře kombinující prvky rozšířené reality a virtuality tak bude každé hrací zařízení i vstupním multiplexem dat. Toto již známe z Pokemon Go a zákaz hry na pracovištích, v některých lokalitách veřejného prostoru a pod. Nyní ale neuvažujme o zneužívání, rovnou skočme do možností pro sdílení výpočtu pracovních týmů.

Abych nešel daleko v příkladu, jedna buňka výzkumu je s nasazením sdíleného deep learningu s cílem spolupráce U. I. při symptomatickém řízení botanického skleníku s následným řešením xBiotopů, kde již nezáleží na velikosti biotopu. 
V příkladu je na začátku mšice a na konci datový korpus spolupracující s moduly zpracování a hledání informací, které umožnují další vrstvy učení pro zapojení uživatele na jeho vzdělávací bázi. 
S podobnou myšlenou si hraji již dlouhou dobu a pořád k tomu chybí peníze na server a lidi 🙂 Maličkosti ve světě výzkumníka 🙂
Což nebrání popisu principu, který je odvoditelný od dnešních principů dosažených na poli U. I. a nejde ani tak o Sci-Fi, jediné co chybí v dnešní realitě je dostupný výpočetní výkon…

Mšice je výborný příklad z projevů v přírodě, který má multispektrální dopad na učení se a získaný datový korpus je předurčen k rozvoji v oblastech dalších parazitů, katalogizace projevů na různých druzích rostlin a spojování získaných informací s datovým světem encyklopedií.

Na začatku bylo foto… a byla to Mšice

Tato část bloku by měla být o výuce, ale popisů deep learningu je dost na pochopení základního principu a dovolím si zůstat u laického zobrazení. 
Naučit pomocí strojového učení datový korpus vidět a rozeznat mšici je snadné a představitelné. Stačí k tomu tisíce předpřipravených fotografií, několik mnoho videosekvencí a … opravdu to zlehčuji, přesto ale naučit dnes počítač vidět mšice je snadná záležitost. 
Pokud pochybujete, zabruste například sem https://developers.google.com/machine-learning/crash-course/ a nebo ke starším textům zde https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471.

Google na stránkách pro Machine learning ukazuje, jak uvažovat při přípravách zdrojů a jak se hned na začátku vyhnout problémům, a proč je méně cílů lépe než více. 
Ani na chvilku není potřeba pochybovat, že do výuky bych nejraději zapojil celou zahradu, skleník, akvária, připravil jakýkoliv biotop pro zrychlení… a zapojil kamerový systém, řízení domu, FVE, … ale i když opominu nutný hardware zázemí pro zkrácení trvání strojočasu, je to tolik nesourodých vstupů a výstupů, že nelze výsledek ani odhadovat. 
Nutné je začít od píky a navrhovat Cíle směru učení tak, aby se „pouze“ rozšiřovaly hranice učení. Čím větší je souvislost se stávajícími získanými daty, tím rychleji dojde k rozvoji a uchopení kontextu.

Další způsob je vrstvení dovedností, například vyučený deep learning systém se sběrem obrazových dat v botanické zahradě lze snadno rozšířit o senzory na vstupu, které budou systému poskytovat další data souvislostí v hlubší vrstvě kontextu. Umělá inteligence tak může sledovat práci automatiky, poloautomatiky i zásahů člověka a učit se. 
Automatiku nahradí brzy, protože časovače závlahy, osvětlení, klimatizace a vyhřívání se na základě dostupných senzorů naučí ovládat a pak se role vymění, člověk bude stejnými pozorovacími senzory kontrolovat práci neurální sítě.

Mšice jako základ pro neurální systém symptomatické technologie

Mšice mám rád pro testy asi tak jako genetici octomilky. Je snadné je chovat, množit, přenášet na nové biotopy. Mšice jsou pomalé a tak je snadné pořídit extrémní fotografie všech stádií životních projevů. Rozvoj od jedince ke kolonii, následný růst okřídlené formy, která přeletí kousek dál, zahodí křídla a vše pokračuje na novém místě. Je tak snadné pozorovat kolonizaci rostlin i postupné obsazení růžic i větvoví, až po mšicí pláně na listech či hrušky mšic na květech a mladých plodech. 
Tzn. snadná příprava ucelených vzorků pro počáteční rozlišení „list“ a „mšice“, přes „rostlina“ a „mšice“, kdy už pracujeme s částmi rostlin a různými detaily na celek rostliny, až po cílené rozeznání mšice i na spodní straně listu ve stínu, protože se list kroutí podle naučeného způsobu projevů napadení mšicemi při pozorování nenapadeného biotopu kamerovým systémem a cíleným naočkováním násadou mšic. 
Také léčba je snadná a to mnoha dostupnými prostředky, včetně širokého spektra BIO. Neurální síť má za cíl ochranu rostlin, nikoliv jen rozeznat mšice a tak projevy vedoucí pod vlivem škůdců k záhubě rostlin musí v silné míře doprovázet „projev aplikace“ ochranného prostředku a následné zobrazení ozdravené rostliny jako cíl.

Mšice vždy doprovází další dvě životní formy, které jsou natolik odlišné, že je nelze zaměnit s mšicí a obě se kryjí s dosavadní výukou. Jako bonusem je jedna životní forma spolupracující s rostlinou a druhá s mšicí… Už víte které?

Slunéčko a Mravenec

Když umělé inteligenci na dnešní úrovni deep learningu ukážeme prvotní projev parazita s následnou nechtěnou kolonizací s měřující k záhubě rostliny se stanoveným cílem „ochrana rostlin“, předpokládejme, že takový systém nás upozorní hned, jak optické systémy zaznamenají mšici, i tu první. Ať už půjde o létavce nebo ji ponese mravenec. 
Mravence a mšici opravdu nelze zaměnit, ale na začátku výuky by se část pixelizace vzájemně rušila. Důležité je však pozorování mravenců, kteří si chovají mšice. Následný bonus je několik druhů mravenců v dosahu optických systémů sledujících prostředí rostlin.

Dalším přímým společníkem je Slunéčko sedmitečné, jehož řady rozšířila, a prý postupně nahrazuje, Asijská agresivnější forma. 
U. I. tak má k dispozici několik variet a může „sledovat jaké berušky“, což je malý bonus proti pozorování likvidace mšic slunéčky. Tento okamžik uchopení mě velice zajímá, protože neurální sít musí vyhodnotit berušku jako pozitivní prostředek ochrany léčby. Ba víc! 
Musí chránit rostliny i slunéčka a nakonec varovat před aplikací ochranného prostředku při poměrné možnosti bio řešení. Slunéčko svým tvarem a krovkami zasahuje do dalších témat výuky a rozvoje dat.

Dalším v otevřené přírodě spolupracujícím tvorem je škvor, který svým tvarem a projevy zase rozšiřuje rozlišovací vrstvu v oblastech hmyzu. Doplněním spektra informací je například nahrazení létavé formy mšice muškou smutnicí, která rostlinám také významně škodí a její počáteční stádium je larvální v substrátu.

V této fázi bychom mohli dostat neurální síť, která je schopná lokalizovat základní hmyzí projevy na rostlinách a studovat je s cílem rozlišit hmyzí druhy podle projevů chování na různých rostlinách. Druhou související větví, která je prozatím slabší, je výuka korpusu ve znalostech rostlin. 
Počáteční soubor dat obsahuje pouze základní parametry rostlin a vzhledy. Je pravděpodobné, že neurální systém odhalí různost listů dužinaté rajčenky a odolné listy papriky chlupaté. Také odhalí vztahy mezi kostrou rostliny a schématem napadení, typově tak rozdělí rostliny na prioritní pro sledování a kontrolované. 
Lze tak očekávat, že se neurální systém sám naučí, že pokud je v dosahu jahodník nebo rajčenka, mšice na kaktusech nebudou a vstupní data ze sukulentních biotopů povedou k jiným datovým vstupům než mšice. Najdou se jiné skupiny parazitů, které by už měl systém se naučit lokalizovat. 

Do této chvíle však nedošlo ke spojení symbolů, umělá inteligence se naučila rozeznat hmyz a rostliny, bonusem byl také projev plísní, ale to je vše. Našla, rozeznala a identifikovala „objekty„, zmapovala souvislost a podle cíle upozornila na škodící objekty. Také monitoruje ostatní projevy a učí se. Spojit objekty s pojmy a informacemi o nich pro výuku je další cíl a my pojďme na další krok…

Senzory ovládání prostředí

Jak jsem již psal výše, cílem je symptomatické řízení biotopu, což zahrnuje nejen optický monitoring, ale také systémové řízení prostředí zahrnující práci se senzory a ovládacími prvky. 
Pokud vás napadlo, proč jsem nezačal s tímto jednodušším procesem, prozatím přijměte úvahu, že je opravdu snadné naučit neurální systém ovládat osvětlení, ovládat závlahu, řízení teploty… jenže na začátku je to práce jen se spínači. Není v tom rozmysl. Pokud bude neurální síť sledovat ovládání prostředí, naučí se jen ovládat prostředí.

Ovládání prostředí je tak vrstva až při symptomatickém průzkumu zdraví rostlin. Díky senzorům neurální síť sleduje časovače a automaty, takto přebírá základní schéma výuky podle daného vzorce a nad to přidává další kontext. 
Projev sucha je také symptom poškození rostliny nesouvisející s parazity ani houbou a tak se snadno naučí „stav sucho“ jako následek nezalití a naopak houby a vadnutí rostlin při přelití. Tedy nad senzory a ovládání přidá kontext „pro rozvoj“ rostliny s ohledem na symptomatické projevy ověřené senzorickým systémem. Toto je důležité, protože rozsáhlé botanické expozice vyžadují zónovou péči nikoliv plošnou aplikaci podpory jako v malých biotopech, stejně tak jako i v malém skleníku je rozdíl mezi kapénkovou a periodickou závlahou.

V cíli této části se Umělá inteligence naučí pracovat se zónovým ovlivněním životního prostředí a podle symptomatických projevů nakonec dokáže přidat závlahu v případě potřeby na cílená konkrétní místa. Také ovládá ostatní prostředky řízení prostředí uzavřených biotopů. Spíše ohraničených, protože stejným způsobem jako skleník, jako botanickou zahradu v celém rozsahu expozice, může takto zařízení ovládat umělá inteligence veřejnou zeleň a veřejné osvětlení, sbírat informace z lokální spotřeby a plánovat spínací režimy v rámci využití OZE a ani toto není hudba budoucnosti, jde jen o nasazení učícího a testovacího prostředí mimo obrazovku pro reálné ukázky.