ED&A maakt machines en apparaten slimmer

Elektronicafabrikant ED&A zet ‘neurale netwerken’ in om haar elektronische besturingen slimmer te maken. (Binaire) neurale netwerken zijn sterk in het herkennen van patronen en kunnen dus perfect ingezet worden om problemen anders aan te pakken.

ED&A zocht uit hoe goed een neuraal netwerk getraind kan worden. Het bedrijf noemt hierbij als voorbeeld een kookplaatventilatie waarbij de besturing bediend wordt met capacitive touch sensoren. Deze sensoren zitten onder een dikke glasplaat met daarnaast vocht, vuil en de storingen van de inductiekookplaat zelf.

ED&A trainde het neurale netwerk om tussen al deze ‘ruis’ het juiste signaal te herkennen. De benodigde grote hoeveelheid aan trainingsvoorbeelden werd verkregen door een ‘artificiële vinger’, die met perslucht de sensor bedient en zo het vergaren van data automatiseerde. De binaire variant van neurale netwerken werd ook verder geëvalueerd voor het gebruik bij de elektronische besturingen (microcontrollers). Binaire neurale netwerken zijn sterk in het herkennen van patronen en kunnen dus ingezet worden om problemen anders aan te pakken.

Artifcial Intelligence
Ter illustratie voor machine-en apparatenbouwers implementeerde ED&A een demo van een eigen embedded AI (Artifcial Intelligence) framework. Er werd een cijfer van 0 tot 9 op een touchscreen getekend en dit werd achterliggend aangeboden aan een binair neuraal netwerk. Dit achterhaalt welk cijfer wordt bedoeld en laat het resultaat zien. Een artificieel of kunstmatig neuraal netwerk is zowel in opbouw als in werking een imitatie van onze hersenen (biologisch neuraal netwerk). Het wordt onder andere gebruikt bij fotoherkenning. Zo kan bijvoorbeeld een systeem ‘slim’ gemaakt worden, zodat bepaald kan worden of het al dan niet om bijvoorbeeld een foto van een hond gaat. Een neuraal netwerk ontstaat door het te trainen met een lange reeks van voorbeelden. Onderliggend gaat het om een lange, eenvoudige rekensom die bijgesteld wordt op basis van voorbeelden tot het voor alle invoerwaarden een juiste uitkomst geeft. Neurale netwerken zijn sterk in het herkennen van patronen. Na training kunnen zelfs nieuwe foto’s juist beoordeeld worden.