Tato úvaha vychází z podnětu nač by kamarádi využili deep learning systém pro své kratochvíle a co by je zajímalo, nač si svého kolegu v podobě umělé inteligence vychovat. Protože základem lidské tvořivosti je zábava, pojďme si hrát… a na řadě jsou vláčky…

Železniční modelář pravděpodobně vidí své zamýšlené kolejiště ve věrné podobě simulující reálný provoz a s co nejvíce samoobslužnými prvky a detaily jako je osvětlení, semafory, hejbátka a udělátka. Také třeba možnost kombinace vzhledu vlakové a příměstké soupravy… Mrkněte na Google Img, některá kolejiště jsou naprosto epochální a že se platí vstupné za možnost vidět, je v pořádku. Mnohá kolejiště však jsou v domácnostech a ty jen tak někdo nevidí. K takovému systému hraní přejdeme po postupných krocích… a teď už… Racku pojďme si hrát…

Jede jede mašinka… Racku vidíš ji?

Když opět téma na začátku zlehčím a přeskočím část, kdy je nutné U. I. představit jednotlivé porty obsluhující vstupy a výstupy, Když přeskočíme úvodní přesvědčování k zájmu o výuku… Pojďme prostě dál a využiji Racka, který již základní schéma pro výuku má za sebou a pak i vysvětlím proč (asi, neboť teď si to myslím)…

Racku zaznamenej nový optický vstup TT_01, rybí oko, profilace plné ovládání…
Jinými slovy, je Tvá Racku a dělej si s ní co chceš, včetně ovládání serva. Umělá inteligence nepotřebuje převaděč pro transformaci záběru pro lidské oko a nebudeme ani Rackovi práci nijak ulehčovat.
Racku zaznamenej nový optický vstup TT_02, kamera, profilace Spolupráce. Výstup kamery na kontrolní panel.
Malá úvahová polemika…člověk potřebuje „normální pohled“ a ukázat kam v určitou chvíli se má umělá inteligence při výuce dívat, a naopak narazíme na podněty, kdy chceme aby nám umělá inteligence řekla kam se dívá. Zde pak musí dojít ke konfliktu, kdy nám umělá inteligence ukáže obraz, který není vidět přes běžný optický vstup, ale je získán skrze rybí oko. Také jak bude zobrazen, zda tak jak je vidět optikou nebo upravený s ohledem na člověka a jeho omezení, které symbolizuje pouze omezený výhled běžné optiky.

Jede jede mašinka… Racku cítíš ji?

Základem simulace modelu učení se s mašinkou je ovál, který na rozdíl od kruhu má i rovné koleje, a v každé koleji je několik senzorů, které spíná projíždějící lokomotiva. Racek kromě dvou optických systémů získává i senzorický vjem kde je vlak a ideálně plánovat připojit akustický senzor, který bude nutný při simulaci vykolejení a parametrizaci doprovodných zvuků. Mimo jiné bude základem budoucího systému echolokace.

Jede jede mašinka… Racku ukaž ji!

Zjednodušeným popisem systému dostáváme stav, kdy Racek vidí co potřebujeme (ne že rozumí), dále vidí cosi čemu v surovém stavu nerozumíme ani my, pak skrze senzory vnímá pozici vlaku a kromě hlasového ovládání Racka má k dispozici senzor pro echolokaci, ale malý mikrofon stačí a tak slyší pozici vlaku vůči mikrofonu a také rozdíly zvuku (po parametrizaci zvuků).
Dalším prvkem je systém ovládání mašinky, potřebujeme pro Racka něco sofistikovaného, tak aby Racek získával data o regulaci uživatelem a tuto regulaci po přidělení mohl ovládat.
Připomenu, že toto celé dát jen takto do simulace strojového učení, tak výsledky bez organizace budou za mnoho lidských let a je potřeba pomoci.

Cílem je získat datový korpus, který chápe objekt mašinka, chápe pozici mašinky a vidí ji. Respektive ji ukazuje na kontrolním panelu při předané obsluze kamery TT_02. Parametrizace zvuku je v tuto chvíli podružná s málo podněty. Také nedojde k tak rychlému zpracování kamery TT_01.  Tu se Racek teprve učí ovládat na základě zkušenosti s ovládáním a obrazem z TT_02.

Simulace v učení se v tomto kroku také zahrnuje sledování obsluhy kolejiště, která zpomaluje do zatáček a zrychluje na rovince. Vláček zatím nevykolejujme. Po úspěšné simulaci první vrstvy korpusu v ovládání přidáme pár výhybek, kde vždy párová reaguje na přijíždějící vlak a přizpůsobí se směru přijíždějícího vlaku… ale prý na to musím ještě jednodušeji, tak ještě jednou, další průchod…

Jede jede vlak…

Pro úplný začátek hrátek potřebujeme kolejiště ve tvaru oválu, senzory pro monitoring polohy vlaku v kolejišti a možnost ovládání směru a rychlosti vláčku od počátku dostupné jako dovednost. Je možné a pravděpodobné, že se někdy vláček rozjede aniž bychom do procesu vstupovali, ale my v tom naše budoucí kolegy nenecháme a práci s vláčkem předvedeme.

Pro další krok přidáme párové výhybky a kolejiště tak dostane na oválu „zkratku“. Jedna výhybka se přehazuje, druhá reaguje na přijíždějící vlak, což je v modelech kolejiště běžné, jde o kontakt v kolejišti, který spojí kovová kolečka lokomotivy a výhybka je elektricky přehozena. Náš datový korpus se naučí ji přehodit a bude zajímavé sledovat, kdy výhybku poprvé přehodí pod projíždějícím vlakem. 
V tuto chvíli počítejme s výsledkem neurální sítě ovládající vláček oběma směry různou rychlostí a možností volit trasu přehozením výhybky.
Pokud dojde k přehození výhybky pod projíždějícím vlakem, je to bonus, protože to znamená „zájem“ o další stavy. Výuka a pomoc vedla jinudy.

Dalším prvkem do kolejiště je slepá kolej simulující depo či překladiště, pak paralelní cesta podél oválu s křížením se se základním oválem. Následně přidání paralelních kolejišť jako nástupiště a sadu slepých cest jako seřadiště a dále a dále… hrajme si.

Takto získáváme poměrně snadno, tedy relativně za levné prostředky, dovednosti korpusu základu umělé inteligence, který si hraje s určitým rozmyslem, svým rozmyslem. Pokud se do práce pustíme takto nahrubo, můžeme se radovat z pohybu vláčku a monitorovat jeho cesty.
Když však vlak již poměrně si sviští a je různě ovládán s využitím možných dopravních cest, můžeme uvažovat o další vrstvě a lokomotivě dát dopředu pod lampu optický senzor. Zde není myšlena kamera snímající široké daleké okolí, ale pouze malá optika snímající kolejiště (prostorová adresace senzorů) a bezprostřední okolí se značkami a pokyny pro regulaci pohybu vláčku. 

Nestaví, nestaví… Vůbec nikde nestaví…

V tento okamžik kolejiště osázeného značkami pro rychlostní zóny, pokyn pro zastavení (hranice nástupiště) a podobně, jsou dvě cesty pokračování, protože nemáme k dispozici naučená výchozí data můžeme sledovat statisíce průjezdů a totální ignorace značek nebo se pustit do simulací typu Matka a Dcery.

Zajímavější je však tisíc modelářů, kteří spolupracují nad jedním korpusem deep learningu, ve spolupráci se zainteresovanými katedrami škol, které by přebíraly úroveň koordinace Matky. Výsledky mohou být také rychle a získané mnohem zajímavěji.
Z výsledků Matky může vzniknout základní modul pro sdílení dovedností.

Cíl jedna je simulace prezentačního kolejiště

V části budoucí hrátky mých přátel je však myšlena právě až tato část hrátek, kdy kolejiště ztrácí svůj základní tvar a vstupuje fantazie modeláře a těžko lze předvídat skutečný/konečný tvar kolejiště.

Základ ovládání prozatím ponechme stejný a zkusme v úvaze před úplným uvolněním verze modulu ještě maličko odbočit a najděme, kde získat data pro simulaci se značkami dříve než čekáním až si umělá inteligence značek všimne.
Tato data pro interakci s prostředím nám může pomoci získat reálné snímaní pohledu z kabin strojvůdců. Tisíce hodin různých záznamů se stejným schématem pohybu a rychlostí by toto očekávání zpřesnění výuky mohlo podpořit a umožnit nasadit modelu vláčku místo optického senzoru rovnou kameru.
Poté již začíná mít smysl distribuce datového korpusu mezi modeláře a využít preciznosti staveb prezentačních kolejišť. 
Připojení kamery na čelo lokomotivy rozšiřuje další možnosti výuky a pouští nás k další metě…

Hrajeme si z Božího pohledu

V hrách je toto myšleno shora, z ptačí perspektivy, často s přizpůsobeným výhledem na horizont, zde však myslím již využití prostorového snímaní pro získání přehledu o dění a spojení kontextu souvislostí mezi natrénovanými dovednostmi se senzory a přehledovou kamerou.
Teď totiž přichází ta doba vykolejení vláčku a následky nedodržení běžných pravidel ze strany modeláře jako jsou příliš ostré úhly, stoupání a klesání, ostré křížení drah a nebo i špatné značky na dráze, například poskládané v chybném pořadí. …  a je potřeba, aby tato data kolizí již naše budoucí umělá inteligence viděla a senzoricky zaznamenávala.
Představte si simulaci trestu návratu do depa a „nic“ nedělání před možností znovu vyrazit, malé dítě by se zbláznilo neklidem, starší pravidla odmítlo a dospělý rovnou odešel, že na to nemá čas… jenže naší U. I. je zrovna toto jedno… (leda by základem byl vzorec CHCI si hrát! Stejně jako Chci chránit rostliny, Chci hledat podněty… ale ono z toho vyplývá spíše.. Chci „určité“ Uspokojení). Naším typem trestu může být opakovaný průchod záznamu až do označení příčiny kolize a předložení důvodu uživateli.

Prozatím berme jako nekonfliktní opravdu návrat vlaku do depa a možnost nového startu. Pokud je chyba v dopravní cestě, základní dovedností je výstup z korpusu s upozorněním na nesourodý systém značení dopravní cesty.

A jak dál pokračovat v hraní? Zkuste si v Google vyhledat téma modelařiny, v mnohém do detailu kopíruje reálný svět a je možné předložit i hodně abstraktní kombinace podnětů pro deep learning.
Dalším stupněm je decentralizace výpočtu při sdílení lidské nápaditosti napříč obory.