Sebuah contoh artificial intelligence untuk meningkatkan kemampuan indoor positioning sedang dikembangkan oleh Internet Interdisciplinary Institute (IN3) di Universitat Oberta de Catalunya (UOC), Spanyol.
Pengembangan ini merupakan sebuah langkah penting, terutama bagi sektor industri. Teknologi indoor positioning adalah salah satu pendorong utama transformasi digital di sektor industri. Bagi berbagai perusahaan mulai dari perusahaan di bidang logisitk hingga penyedia layanan kesehatan, kemampuan melacak obyek, aset, dan orang dengan akurat dan efisien dapat membantu mereka dalam menghemat sumber daya, waktu, dan biaya. Oleh karena itu kehadiran sebuah contoh artificial intelligence tentu akan membuat teknologi ini lebih efektif dan efisien.
Contoh artificial intelligence bernama DUNE ini menggabungkan kemampuan deep learning dengan sistem komputasi terdistribusi (distributed computing system), baik cloud maupun edge computing. Oleh karena itu, sistem ini dapat bekerja pada remote server maupun di dekat sumber data.
Baca juga: Apa Itu Teknologi Artificial Intelligence?
Dikutip dari Tech Explore, cloud dan edge computing dilibatkan agar tercipta sebuah sistem serba guna yang memanfaatkan berbagai teknologi yang ada dan dapat beradptasi dengan aneka use case potensial.
"Saat ini, ada aneka pendekatan teknologi yang mencoba mengeksploitasi karakteristik sinyal radio sebagai tool atau alat untuk mendapatkan posisi relatif dari benda atau obyek. Keragaman teknologi ini dan berbagai situasi penggunaannya, dengan budget dan lingkungan yang beragam pula artinya adalah kita perlu mengembangkan sebuah framework yang kuat untuk mengelola data lokasi dari teknologi-teknologi yang berbeda secara real time, yang pada saat bersamaan mampu beradaptasi dengan kebutuhan industri yang beragam serta menarik secara ekonomi,” papar explained Xavier Vilajosana.
Xavier Vilajosana, adalah Professor di Fakultas Ilmu Komputer, Multimedia, dan Telekomunikasi, sekaligus leader dari Wireless Networks group (WINE) di IN3, UOC. Xavier saat ini sedang mengkoordinasi partisipasi UOC dalam sebuah proyek baru di Eropa untuk mengembangkan solusi inovatif untuk meningkatkan indoor positioning.
Inilah aspek-aspek teknologi dari DUNE.
Baca juga: Nih, 10 Jenis Pekerjaan yang Bakal Digantikan Artificial Intelligence
Assisted positioning menggunakan deep learning
Teknologi indoor asset location menggunakan point of view dari perangkat penerima (receiving device) untuk menyimpulkan dari arah mana asal sinyal yang dipancarkan oleh objek. Kemudian sistem menerjemahkan informasi ini menjadi estimasi posisi objek.
Salah satu tantangan utama yang dihadapi teknologi ini adalah margin kesalahan cukup lebar akibat adanya hambatan antara pemancar dan penerima sinyal, terutama di lingkungan industri, dan adanya propagasi multipath. Propagasi multipath adalah fenomena yang menyebabkan sinyal radio mencapai antena penerima melalui dua atau lebih jalur, pada waktu yang berbeda.
Oleh karena itu, pemrosesan sinyal adalah hal yang sangat penting. Pemrosesn yang tidak baik berakibat pada ambiguitas yang menyebabkan kesalahan deteksi posisi objek. Menghadapi tantangan ini, DUNE menggabungkan mekanisme positioning yang dibantu oleh teknik deep learning di berbagai tahapan proses lokasi untuk mendapatkan kinerja yang optimal.
Deep learning melibatkan algoritme machine learning yang dapat dilatih untuk belajar dari input, dan pengetahuan tersebut kemudian digunakan untuk menarik kesimpulan berdasarkan informasi baru.
Menurut salah satu peneliti yang terlibat dalam pengembangan DUNE, pengolahan data menggunakan pendekatan yang berbeda-beda, seperti metode deep learning, yang dilatih untuk memilih estimasi posisi terbaik untuk menemukan objek yang dilacak.
Baca juga: Wah, Ada Contoh Artificial Intelligence untuk Atasi Masalah Rambut!
Strategi distributed computing
Proyek ini juga memanfaatkan arsitektur komputasi yang berbeda-beda, mulai dari cloud hingga edge dan far-edge computing. Komputasi didistribusikan ke berbagai nodes yang lebih dekat dengan sumber data agar pemrosesan data di cloud dapat dikurangi. Dengan begitu, response time server dan bandwidth bisa ditekan, tapi secara bersamaan keamanan data ditingkatkan.
Sistem ini sepenuhnya terdistribusi dan terdiri atas berbagai teknologi sensor dan lokasi yang ditempatkan pada objek-objek yang akan dideteksi posisinya. Perangkat-perangkat ini menghasilkan jejak data mentah (raw data) yang harus diproses untuk mendapatkan perkiraan posisi masing-masing. Pemrosesan data awal terjadi di "far-edge", yaitu di dekat antena yang mengirimkan sinyal.
Data diperbarui secara real time
Sinyal radio dari sensor yang terpasang di objek atau orang yang akan dilacak posisinya akan diterima oleh antena locator. Data ini harus diubah untuk memperkirakan sudut yang menentukan arah sinyal dan memberikan pembaruan secara real time.
"Dalam sebuah dunia yang sempurna, transformasi ini adalah sebuah proses geometris yang bergantung pada ruang antara antena (jarak) dan frekuensi radio (panjang gelombang). Namun, lingkungan ini bergantung pada noise dan ketidakteraturan," tegas Xavier Vilajosana.
Menurutnya, deep learning adalah tool yang sangat bernilai untuk mendapatkan perkiraan posisi objek yang lebih akurat.
Infrastruktur di cloud
Estimasi posisi yang didapat dari perangkat edge dikirimkan ke infrastrukur cloud secara real time. Infrastruktur cloud ini terhubung dengan sistem informasi di pabrik atau gudang logistik di mana proses berlangsung. Di cloud, metode artificial intelligence digunakan untuk remediasi, peningkatan, klasifikasi, deteksi anomali, dan optimalisasi operasi.
Infrastruktur cloud ini bertugas menangani dan tracking objek, dan menghubungkan serta menautkannya dengan subsistem lain, misalnya di inventori pabrik atau gudang.
Uji berskala besar
Teknologi ini akan dievaluasi selama proyek berlangsung, yaitu selama 12 bulan, dalam berbagai skenario. Hasil evaluasi akan dibandingkan dengan solusi teknologi lain. Pengujian awal akan dilakukan di laboratorium milik kelompok riset, dan pengujian skala besar akan dilakukan di bangunan yang dirancang khusus untuk eksperimen indoor positioning menggunakan berbagai macam teknologi.