Savantic Sightings

Datorsimuleringar är snabbaste vägen till färdiga AI-lösningar

Att introducera AI i produkter och tjänster är en utmaning på många sätt. Från medicinska tillämpningar till självkörande bilar kräver AI enorma mängder data för att lära sig utföra sina uppgifter. Insamling och märkning av data är både tidskrävande och resursintensivt. Men processerna är nödvändiga för utvecklingen av AI-lösningar.

Datorsimuleringar är en del av hela utvecklingskedjan för AI-baserade lösningar, från de första försöken till den slutgiltiga driftsättningen. Simuleringarna kan användas för att snabbt testa en första datauppsättning för att se om en idé är genomförbar, eller för att berika data som används i komplexa system. För att kunna använda datorsimulering måste det finnas en förståelse för fysiska processer och deras matematiska beskrivningar, men även för komplexiteten i att kunna omvandla idéer till affärer.

I medicinska tillämpningar kan simuleringar vara ett sätt att ta fram modeller för komplexa biologiska system eller att kunna ta utvecklingsarbetet vidare trots att mängden kliniska data är liten. Liknande problem kan uppstå när självkörande fordon utvecklas. Ett självkörande fordon måste enligt beräkningar färdas 4 miljoner km för att stöta på alla möjliga risksituationer som kan uppstå. Datorsimulering erbjuder möjligheten att lära autonoma fordon att hantera riskfyllda situationer innan de kommer ut och kör i verkligheten.

Saknade eller missvisande data påverkar det sätt en AI-modell kan fatta beslut baserat på annat än historiska data, vilket begränsar AI:s förmåga att agera i okända situationer. Med simuleringar finns möjligheten att hjälpa AI att förutse beteenden som inte ingår i insamlade data.

Att vägleda företag till lämpliga AI-baserade lösningar handlar om mycket mer än att träna en maskininlärningsmodell – i sig en väldigt komplex uppgift. Det är också en fråga om att välja en fungerande datastrategi, som, genom att balansera dyrbar datainsamling och datasimulering, dels gör att nya produkter snabbare kan introduceras för investerare och dels ökar pålitligheten hos den färdiga produkten.

En lämplig datastrategi innebär bland annat att ta reda på vilka data som krävs och finns tillgängliga, vilken mängd data som behövs och är möjlig att samla in, samt hur simuleringar kan motverka problem med missvisande och saknade data.

Har du en utmanande uppgift inom datasimulering och AI? Våra experter inom fysik och Machine Learning kan hjälpa dig!

Kontakta oss via info@savantic.se

Publicerad: 10/12/2018