Amii rozszerza partnerstwo na rzecz wdrażania sztucznej inteligencji, aby wesprzeć kolejnych 25 firm

Amii, Alberta Machine Intelligence Institute, rozszerza współpracę z federalną agencją Kanady ds. rozwoju gospodarczego regionów, PrairiesCan, aby pomóc kolejnym 25 małym i średnim firmom rozwijać praktyczne kompetencje w zakresie sztucznej inteligencji. Ogłoszenie z 27 października informuje o dodatkowym wsparciu federalnym w wysokości 2,5 mln CAD, dzięki czemu łączna wartość federalnych środków przeznaczonych na tę inicjatywę wzrosła do 5,6 mln CAD.

Rozszerzenie obejmuje prowincje Alberta, Saskatchewan i Manitoba; pierwsze projekty są już realizowane w sektorach energetycznym, rolniczym i produkcyjnym. Amii informuje, że od uruchomienia programu w 2024 roku współpracował on z 30 firmami z regionu. W ramach tego podejścia firmy współpracują ze specjalistami od uczenia maszynowego, którzy tworzą systemy oparte na własnych danych operacyjnych przedsiębiorstw i przekazują im wiedzę niezbędną do utrzymania tych systemów.

Partnerstwo badawcze skoncentrowane na wdrożeniach

Amii, z siedzibą w Edmonton, jest niezależną organizacją non-profit i jednym z trzech krajowych instytutów sztucznej inteligencji w Kanadzie działających w ramach ogólnokanadyjskiej strategii dotyczącej sztucznej inteligencji (Pan-Canadian AI Strategy). Historia instytutu sięga Alberta Ingenuity Centre for Machine Learning, założonego w 2002 roku; w 2017 roku stał się on niezależną organizacją non-profit działającą pod nazwą Amii. Jego działalność łączy badania naukowe, rozwój talentów i zastosowania komercyjne.

Prairies Economic Development Canada, znana jako PrairiesCan, to federalna agencja wspierająca rozwój gospodarczy w trzech uczestniczących prowincjach. Dla czytelników spoza Kanady partnerstwo to stanowi przykład publicznych inwestycji, które pomagają mniejszym firmom uzyskać dostęp do specjalistycznych kompetencji technicznych, trudnych do samodzielnego zgromadzenia.

Model rozwoju sztucznej inteligencji Amii zakłada oddelegowanie do projektu firmy pełnoetatowego rezydenta specjalizującego się w uczeniu maszynowym, pod nadzorem pracowników naukowych. Rezydent współpracuje z zespołem firmy nad opracowaniem i testowaniem modelu, a firma może go później zatrudnić. Ogólna oferta przewiduje zobowiązanie na okres od 12 do 15 miesięcy, choć zakres i koszt poszczególnych projektów są różne.

Firmy zachowują prawa własności intelektualnej do rozwiązań opracowanych w ramach współpracy oraz otrzymują dokumentację i wiedzę. Dzięki temu celem partnerstwa jest coś więcej niż samo dostarczenie prototypu opracowanego przez zewnętrzny zespół: firma powinna móc dostosowywać system po zakończeniu współpracy z zewnętrznym zespołem badawczym.

Croptimistic: wizja komputerowa sprawdzająca się w rzeczywistych warunkach polowych

Croptimistic Technology rozwija ekosystem rolnictwa precyzyjnego SWAT MAPS, który łączy informacje o glebie, wodzie i ukształtowaniu terenu, aby wspierać zarządzanie polami. Produkt SWAT CAM rejestruje obrazy podczas standardowych prac opryskiwaczem i wykorzystuje uczenie maszynowe do analizy upraw oraz chwastów.

Współpraca z Amii dotyczyła zbóż we wczesnej fazie wzrostu, takich jak pszenica i owies. Ich wąskie, zachodzące na siebie liście utrudniają rozróżnianie poszczególnych roślin. Zespół opracował wyspecjalizowane modele wizyjne, które radzą sobie z gęstymi łanami i trudnymi warunkami rejestrowania obrazu, takimi jak zapylenie, odblaski i wiatr.

Informacje o produkcie Croptimistic wyjaśniają, w jaki sposób kamery montowane na opryskiwaczach łączą szczegółowe obrazy z pól ze strefami zarządzania. Praktyczna korzyść z dokładniejszego wykrywania upraw polega na uzyskaniu informacji o ich rozmieszczeniu: rolnicy mogą ocenić nierównomierne wschody i presję chwastów na całym polu, zamiast polegać wyłącznie na kilku ręcznych obserwacjach.

Carson Integrated: przewidywanie na podstawie danych środowiskowych

Carson Integrated to firma doradcza działająca w obszarze ochrony środowiska i leśnictwa, której prace obejmują opracowywanie informacji geoprzestrzennych na potrzeby projektów związanych z zasobami naturalnymi. Jednym z wyzwań była klasyfikacja cieków wodnych, która pomaga wyznaczać strefy ochronne wokół nich.

Studium przypadku Carson Amii opisuje model zbudowany na podstawie danych gromadzonych przez około dwie dekady, w tym pomiarów terenowych i informacji uzyskanych z teledetekcji. Przy opracowywaniu cech modelu analizowano ukształtowanie terenu i charakterystykę środowiskową; szczególnie przydatna okazała się wielkość zlewni w jej ujściu. W badaniu podano, że średnia trafność klasyfikacji wynosiła około 75%, gdy dostępne były odpowiednie dane.

To zastosowanie pokazuje, jak wiedza specjalistyczna z danej dziedziny wpływa na użyteczność uczenia maszynowego. Rozpoznanie cieku wodnego na obrazie to inne zadanie niż przewidzenie jego klasyfikacji prawnej. Przewidywania mogą pomóc ustalić priorytety prac oceniających w trudno dostępnych terenach, jednak ich dokładność i przydatność trzeba nadal oceniać w kontekście decyzji, które mają wspierać.

Visionstate: planowanie jako problem optymalizacji z ograniczeniami

Visionstate tworzy oprogramowanie do obsługi obiektów, przeprowadzania inspekcji i weryfikacji wykonanych prac. Obecnie na stronie internetowej firmy eksponowana jest platforma MIRA, łącząca raporty, inspekcje, zlecenia prac i nadzór. Współpraca z Amii koncentrowała się na platformie firmy do zarządzania obiektami WANDA.

Szczegółowe studium przypadku wyjaśnia, że trasy i harmonogramy sprzątania sformułowano jako problem optymalizacji z ograniczeniami. System musi rozdzielać zadania między stałą liczbę pracowników, uwzględniając układ obiektów, wymagania dotyczące usług i zasady zgodności, a jednocześnie równoważyć efektywność i sprawiedliwość.

Prace wsparły również TidyLogic, produkt do planowania zasobów, oraz narzędzie do szacowania kosztów sprzątania w placówkach ochrony zdrowia. W opisie projektu podano, że TidyLogic był w fazie beta, a model zmierzał do integracji w chwili publikacji. Te różnice mają znaczenie: rozwój produktu komercyjnego i wdrożenie w pełni działającego systemu optymalizacyjnego to odrębne etapy.

Ambyint: rozwijanie kompetencji w zakresie uczenia ze wzmocnieniem

Ambyint dostarcza oprogramowanie do optymalizacji wydobycia dla firm z sektora naftowego i gazowego. Istniejąca platforma łączy modele uwzględniające prawa fizyki ze zautomatyzowanym sterowaniem, w tym z regulacją wartości zadanych urządzeń za pośrednictwem przemysłowej infrastruktury monitorującej.

Projekt Amii dotyczył zastosowania uczenia ze wzmocnieniem w odwiertach wykorzystujących podnośniki tłokowe, gdzie zmiana progów ciśnienia wpływa na sposób usuwania nagromadzonych cieczy. Ograniczona wiedza o warunkach panujących głęboko pod ziemią utrudnia symulację i sterowanie. Zespół testował metody oparte na danych historycznych oraz podejścia uwzględniające prawa fizyki, by usprawnić podejmowanie decyzji.

W opisie projektu jasno przedstawiono wynik: modele eksperymentalne nie poprawiły efektywności w porównaniu z istniejącą automatyką Ambyint i nie były jeszcze wystarczająco niezawodne ani responsywne, by można je było wykorzystać w produkcji. Korzyścią było lepsze przygotowanie zespołu wewnętrznego i jaśniejsze określenie obszarów wymagających dalszych badań. To wartościowy rezultat wdrażania AI, nawet jeśli nie prowadzi od razu do powstania modelu gotowego do wdrożenia.

Riva: jak wykorzystać dane firmowe w AI

Amii wymienia również firmę Riva z siedzibą w Edmonton jako jednego z pierwszych beneficjentów, wskazując na postępy w tworzeniu rozwiązań gotowych do wdrożenia produkcyjnego, ale nie ujawniając szczegółów architektury modelu.

Platforma Riva łączy pocztę e-mail, kalendarz, dane kontaktowe i informacje o spotkaniach z systemami zarządzania relacjami z klientami. Jej funkcje obejmują generowane przez AI podsumowania rozmów oraz uporządkowane zestawienia spotkań, które zespoły mogą przeglądać i łączyć z rekordami w systemach CRM. To inny kontekst wdrażania niż obrazowanie terenowe czy sterowanie przemysłowe: wyzwaniem jest takie wykorzystanie interakcji biznesowych, by zachować nadzór i możliwość weryfikacji przez człowieka.

Dlaczego ten model ma znaczenie także poza Kanadą

Firmy uczestniczące w projekcie pokazują, że wdrażanie AI obejmuje widzenie komputerowe, modelowanie predykcyjne, optymalizację z ograniczeniami, uczenie ze wzmocnieniem oraz przepływy pracy związane z informacjami w przedsiębiorstwach. Każdy z tych obszarów wymaga innych danych, metod oceny i wiedzy operacyjnej.

Szersze znaczenie partnerstwa polega na tym, że kładzie ono nacisk na przejmowanie odpowiedzialności za rozwiązania i rozwijanie kompetencji technicznych. Firma zyskuje więcej niż sam model, gdy jej pracownicy uczą się, jak go zbudowano, jak go testować i kiedy można ufać jego przewidywaniom. W przypadku mniejszych firm przekazanie tych umiejętności może mieć równie duże znaczenie co początkowe wdrożenie oprogramowania.