Todos os dias, a Swiss Federal Railway (SBB), gere cerca de 15.000 comboios, que transportam cerca de 1.2 milhões de passageiros ao longo de um percurso de 4.000 milhas (cerca de 6.437 quilómetros).
Para garantir a segurança da infraestrutura, bem como a segurança dos seus passageiros, a federação ferroviária suíça recorre a “diagnósticos” dos comboios que circulam nas linhas (com velocidades que atingem os 160 km/h), equipados com câmeras de elevada resolução e sensores que permitem obter imagens claras do estado das ferrovias.
O processamento dos dados é efetuado em tempo real no comboio que realiza o diagnóstico, havendo por isso uma elevada taxa de falsos positivos e até negativos — dado que se trata de uma análise computacional. Por essa razão, este sistema necessita do auxílio humano. Algumas situações em que por vezes se necessita de pessoas com experiência em atuar em ambientes perigosos.
Tendo em vista o problema visado, surge o projeto “Railcheck” resultado de uma parceria realizada entre a SBB e CSEM (centro suíço de pesquisa e desenvolvimento), cujos objetivos passam por usar tecnologias “Deep Learning” (“Aprendizagem profunda/aprofundada”) no sentido de:
- melhorar a deteção e a classificação de falhas ocorridas nas vias férreas;
- minimizar o número de verificações realizadas por ação humana nos locais;
- minimizar o tempo que os especialistas gastam a resolver falsos positivos.
Mas afinal, o que é a aprendizagem profunda? O conceito provém, obviamente do conceito em inglês, Deep Learning (é também conhecida como aprendizagem hierárquica) é um ramo de aprendizagem voltado para o Machine Learning (aprendizagem de máquinas e equipamentos) baseado em um conjunto de algoritmos que tentam modelar abstrações de alto nível de dados, recorrendo a diversas situações (imagens expostas em gráficos, somente interpretadas pela máquina) com várias camadas de processamento, compostas de várias transformações lineares e não lineares, ou seja, imagens mais óbvias da realidade e outras mais abstratas.
O centro suíço de pesquisa e desenvolvimento usou um processo que permite a garantia de que os dados seguem um rumo bem-sucedido.
Primeiramente, a coleta de dados. A SBB planeia observar 3.800 km de trilhos ferroviários por mês até ao ano de 2020. As imagens capturam diferentes condições climáticas (chuva, neve, gelo) e artefactos (folhas, sujidade, etc.).
Em segundo lugar, o pré-processamento, em que o modelo é treinado para detetar situações de interesse (por exemplo, vigas ferroviárias) nas imagens.
A terceira etapa é, a deteção de anomalias. Para o desenvolvimento desta função, o CSEM usou redes geradoras de aversários (GANs) — que são nada mais, nada menos que, duas redes neurais rivalizando uma contra a outra, como se fossem duas equipas de CS (Counter-Strike — jogo de guerra). O objetivo desta medida é a formação de clusters dentro da análise de dados. Esses mesmo clusters foram usados para identificar as anomalias nos componentes das linhas ferroviárias.
Em quarto lugar, vem a deteção/classificação das falhas. A classificação requer supervisão aquando da decisão. De acordo com o programa, existem cerca de 20 categorias de falhas diferentes. Contudo, para simplificar, a SBB decidiu simplificá-las em cinco categorias-chave (ou seja, soldagem, juntas, defeito de superfície, agachamento e deslizamento de rodas/perda de tração).
Por fim, mas não menos importante, a rotulagem dos dados. Para que não existisse falhas, o CSEM aplicou uma abordagem de crowdsourcing para a tomada de decisões, mediante alguns critérios.
Para a realização e sucesso deste projeto, foi possível contar com o apoio da NVIDIA DGX Station — a estação de trabalho que opera com AI especialmente desenvolvida, que teve um ótimo desempenho e um papel significativo nos bastidores, ajudando a acelerar o treino/experiência de aprendizagem aprofundada e no melhoramento da precisão da deteção.
Fonte Forbes
