Tekoälyyn perustuva autonominen pistorasiaehdotusohjelma: Socket Design Experiences

Luotavaa tekoälypohjaista ohjelmistoa varten kaikkien potilaiden kannot skannattiin Artec Eva Lite -merkkisellä 3D-skannerilla. Skannatut kuviot tallennettiin pistepilvenä. Myös samojen potilaiden käyttämien proteesien kantaosat skannattiin samalla skannerilla ja tallennettiin.

Ohjelmistoa varten käytettiin potilailta saaduista kanto-socket-osuuksista koostuvaa pistetietoa.

Tekoälymallin kouluttamiseksi on luotu työympäristö, jossa tietokoneella voidaan käyttää tekoälykirjastoja ja -työkaluja. Tätä tarkoitusta varten perustettiin ensimmäinen Anaconda datatieteen alusta. Tämän jälkeen asennettiin Python-ohjelmointikieli ja Tensorflow-syväoppimiskirjasto, lisättiin muita tekoälymallin koulutukseen tarvittavia kirjastoja ja valmisteltiin työympäristö. Datan opetukseen kehitetyssä tekoälymallissa käytettiin syväoppimisalgoritmia. Syväoppimisen, joka on yksi viimeaikaisimmista ja suosituimmista tekoälyalgoritmeista, tarkoituksena on saada tarkempia tuloksia lisäämällä suorituskykyä ja tarkkuusastetta. Ensinnäkin tietojoukosta on varattu 90 % harjoittelua varten ja 10 % testausta varten. Sitten luotiin syväoppimismalli Keras-kirjastosta valitulla Sequantial()-mallilla. Mallissa on käytetty yhteensä 7 kerrosta, joista ensimmäinen on syöttökerros ja viimeinen tuloskerros. Kun "relua" käytetään aktivointifunktiona syöttökerroksessa ja välikerroksissa, "lineaarista" toimintoa käytetään lähtökerrokseen. Mallia luotaessa "Adam" valittiin optimoijaksi. Yhteensä 500 "toistolla" opetetussa mallissa "eräkoko" on määritetty 5:ksi. Koulutettu malli testattiin sitten testitiedoilla ja onnistumisprosentti saavutettiin 61 %. Sen jälkeen malli ja painot kirjattiin. Mallikoulutuksen päätyttyä kehitettiin uusi Python-ohjelma. Aiemmin kehitetyt mallit ja painot ladattiin ohjelman ajon aikana ja niitä käytettiin ehdottamaan kantaa uusille stanssaustiedoille. Kun ohjelma ajetaan, kysytään kannon nimi, jolle socketia pyydetään.

Siten ohjelma ehdottaa uutta liitäntää saatuaan käyttäjältä tyhmän datajoukon ja testattuaan sitä opetetussa mallissa. Tämä 3D-kantamalli näytetään käyttäjälle Python Plotly Graphics Libraryn kautta.