Program návrhu autonomních zásuvek založený na umělé inteligenci: Zkušenosti s návrhem zásuvek

Pro plánovaný software na bázi umělé inteligence byly pahýly všech pacientů naskenovány 3D skenerem Artec Eva Lite. Naskenované vzory byly uloženy jako mračna bodů. Objímkové části protéz používaných stejnými pacienty byly také naskenovány stejným skenerem a zaznamenány.

Pro software byl použit bodový soubor dat sestávající ze shod pahýl-zásuvka získaných od pacientů.

Za účelem trénování modelu umělé inteligence bylo vytvořeno pracovní prostředí, ve kterém lze na počítači používat knihovny a nástroje umělé inteligence. Za tímto účelem byla založena první platforma pro datovou vědu Anaconda. Poté byl nainstalován programovací jazyk Python a knihovna pro hluboké učení Tensorflow, byly přidány další knihovny potřebné pro trénování modelu umělé inteligence a bylo připraveno pracovní prostředí. V modelu umělé inteligence vyvinutém pro trénování dat byl použit algoritmus hlubokého učení. Účelem použití hlubokého učení, které je jedním z nejaktuálnějších a nejoblíbenějších algoritmů umělé inteligence, je dosáhnout přesnějších výsledků zvýšením výkonu a míry přesnosti. Za prvé, datová sada je z 90 % vyhrazena pro školení a 10 % pro testování. Poté byl vytvořen model hlubokého učení s modelem Sequantial() vybraným z knihovny Keras. V modelu je použito celkem 7 vrstev, z nichž první je vstupní vrstva a poslední výstupní vrstva. Zatímco "relu" se používá jako aktivační funkce pro vstupní vrstvu a mezivrstvy, funkce "lineární" se používá pro výstupní vrstvu. Při vytváření modelu byl jako optimalizátor vybrán "Adam". V modelu trénovaném s celkem 500 „opakováními“ je „velikost dávky“ přiřazena jako 5. Natrénovaný model byl poté testován s testovacími daty a bylo dosaženo úspěšnosti 61 %. Poté byl zaznamenán model a hmotnosti. Po dokončení modelového školení byl vyvinut nový program Python. Dříve vyvinuté modely a závaží byly načteny během běhu programu a byly použity k navržení zásuvky pro nová data matrice, která mají být zadána. Při spuštění programu je dotazován název pahýlu, pro který je požadován soket.

Program tedy navrhne novou zásuvku poté, co obdrží stubby sadu dat od uživatele a otestuje ji na trénovaném modelu. Tento 3D model soketu je zobrazen uživateli prostřednictvím grafické knihovny Python Plotly.