Auf künstlicher Intelligenz basierendes autonomes Socket-Vorschlagsprogramm: Socket-Design-Erfahrungen

Für die geplante, auf künstlicher Intelligenz basierende Software wurden die Stümpfe aller Patienten mit dem 3D-Scanner der Marke Artec Eva Lite gescannt. Die gescannten Muster wurden als Punktwolken gespeichert. Auch die Schaftteile der von denselben Patienten verwendeten Prothesen wurden mit demselben Scannergerät gescannt und erfasst.

Für die Software wurde der Punktdatensatz verwendet, der aus den von den Patienten erhaltenen Stumpf-Schaft-Übereinstimmungen bestand.

Um das Modell der künstlichen Intelligenz zu trainieren, wurde eine Arbeitsumgebung geschaffen, in der Bibliotheken und Werkzeuge der künstlichen Intelligenz am Computer verwendet werden können. Zu diesem Zweck wurde die erste Data-Science-Plattform Anaconda eingerichtet. Daraufhin wurden die Programmiersprache Python und die Deep-Learning-Bibliothek Tensorflow installiert, weitere Bibliotheken, die für das Training des Modells der künstlichen Intelligenz benötigt werden, hinzugefügt und die Arbeitsumgebung bereitgestellt. In dem für das Training der Daten entwickelten Modell der künstlichen Intelligenz wurde ein Deep-Learning-Algorithmus verwendet. Der Zweck der Verwendung von Deep Learning, einem der aktuellsten und beliebtesten Algorithmen für künstliche Intelligenz, besteht darin, genauere Ergebnisse zu erzielen, indem die Leistung und Genauigkeitsrate erhöht werden. Erstens ist der Datensatz zu 90 % für das Training und zu 10 % für Tests reserviert. Dann wurde ein Deep-Learning-Modell mit dem aus der Keras-Bibliothek ausgewählten Sequantial()-Modell erstellt. Im Modell werden insgesamt 7 Schichten verwendet, von denen die erste die Eingabeschicht und die letzte die Ausgabeschicht ist. Während für die Eingangsschicht und Zwischenschichten als Aktivierungsfunktion „relu“ verwendet wird, wird für die Ausgangsschicht die Funktion „linear“ verwendet. Beim Erstellen des Modells wurde „Adam“ als Optimierer ausgewählt. In dem mit insgesamt 500 „Wiederholungen“ trainierten Modell wird der „Stapelgröße“ der Wert 5 zugewiesen. Das trainierte Modell wurde dann mit den Testdaten getestet und es wurde eine Erfolgsquote von 61 % erreicht. Anschließend wurden das Modell und die Gewichte erfasst. Nachdem das Modelltraining abgeschlossen war, wurde ein neues Python-Programm entwickelt. Die zuvor entwickelten Modelle und Gewichte wurden während des Programmablaufs geladen und dienten dazu, einen Sockel für die neu anzugebenden Werkzeugdaten vorzuschlagen. Wenn das Programm ausgeführt wird, wird nach dem Stumpfnamen gefragt, für den ein Socket angefordert wird.

Daher schlägt das Programm einen neuen Socket vor, nachdem es den Stubby-Datensatz vom Benutzer erhalten und im trainierten Modell getestet hat. Dieses 3D-Socket-Modell wird dem Benutzer über die Python Plotly Graphics Library angezeigt.