Program propozycji autonomicznych gniazd oparty na sztucznej inteligencji: Doświadczenia projektowania gniazd

W celu stworzenia planowanego oprogramowania opartego na sztucznej inteligencji, kikuty wszystkich pacjentów zostały zeskanowane skanerem 3D marki Artec Eva Lite. Zeskanowane wzorce zostały zapisane jako chmury punktów. Części leja protezy używane przez tych samych pacjentów również zostały zeskanowane tym samym skanerem i zarejestrowane.

W oprogramowaniu wykorzystano zestaw danych punktowych składający się z dopasowań kikuta do gniazda uzyskanych od pacjentów.

W celu wytrenowania modelu sztucznej inteligencji stworzono środowisko pracy, w którym można korzystać z bibliotek i narzędzi sztucznej inteligencji na komputerze. W tym celu powstała pierwsza platforma data science Anaconda. Następnie zainstalowano język programowania Python i bibliotekę głębokiego uczenia Tensorflow, dodano inne biblioteki potrzebne do uczenia modelu sztucznej inteligencji oraz przygotowano środowisko pracy. W modelu sztucznej inteligencji opracowanym do uczenia danych zastosowano algorytm głębokiego uczenia. Celem wykorzystania głębokiego uczenia, które jest jednym z najnowocześniejszych i najpopularniejszych algorytmów sztucznej inteligencji, jest uzyskanie dokładniejszych wyników poprzez zwiększenie wydajności i wskaźnika dokładności. Po pierwsze, zestaw danych jest w 90% zarezerwowany do trenowania, a w 10% do testowania. Następnie utworzono model głębokiego uczenia z wykorzystaniem modelu Sequantial() wybranego z biblioteki Keras. W modelu zastosowano łącznie 7 warstw, z których pierwsza jest warstwą wejściową, a ostatnia warstwą wyjściową. Podczas gdy „relu” jest używane jako funkcja aktywacji dla warstwy wejściowej i warstw pośrednich, funkcja „liniowa” jest używana dla warstwy wyjściowej. Podczas tworzenia modelu jako optymalizator wybrano Adama. W modelu wytrenowanym z łącznie 500 „powtórzeniami” „wielkość partii” jest przypisana jako 5. Wyszkolony model został następnie przetestowany z danymi testowymi i osiągnięto wskaźnik sukcesu na poziomie 61%. Następnie zarejestrowano model i wagę. Po zakończeniu szkolenia modelowego opracowano nowy program w języku Python. Opracowane wcześniej modele i masy zostały wczytane w trakcie pracy programu i posłużyły do ​​zaproponowania gniazda dla danych nowej matrycy. Po uruchomieniu programu pytana jest nazwa pnia, dla którego żądane jest gniazdo.

W ten sposób program proponuje nowe gniazdo po otrzymaniu od użytkownika zestawu danych skróconych i przetestowaniu go w wyuczonym modelu. Ten model gniazda 3D jest pokazywany użytkownikowi za pośrednictwem Python Plotly Graphics Library.