Informacje o różnych zastosowaniach Sztucznej Inteligencji (AI) są coraz bardziej popularne w przestrzeni publicznej. Toczą się różnego rodzaju dyskusje dotyczące zdumiewających osiągnięć aplikacji wykorzystujących narzędzia AI, niebezpieczeństw związanych z rozwojem tego typu systemów. Opinie naukowców są zróżnicowane.
Jednym z bardzo często stosowanych narzędzi AI są Sztuczne Sieci Neuronowe (SSN). Badania dotyczące wykorzystania SSN są prowadzone praktycznie we wszystkich dziedzinach nauki od oczywistych, jak dziedzina nauk nżynieryjno‑technicznych, czy dziedzina nauk ścisłych i przyrodniczych, do dziedziny nauk społecznych, dziedziny nauk rolniczych, czy dziedziny nauk medycznych i nauk o zdrowiu. Do typowych zastosowań SSN należą problemy klasyfikacji i regresji (w tym prognozowania). Również pracownicy Katedry Inżynierii Mechanicznej i Agrofizyki Uniwersytetu Rolniczego w Krakowie (KIMiA‑URK) prowadzą prace badawcze dotyczące wykorzystania Sztucznych Sieci Neuronowych od końca lat 90. XX wieku. Już w roku 1998, obecnie emerytowany pracownik KIMiA‑URK, dr hab. inż. Jerzy Langman, prof. URK wykorzystał SSN do diagnozowania stanu technicznego zespołów maszyn rolniczych.
Jednym z bardzo często stosowanych narzędzi AI są Sztuczne Sieci Neuronowe (SSN). Badania dotyczące wykorzystania SSN są prowadzone praktycznie we wszystkich dziedzinach nauki od oczywistych, jak dziedzina nauk inżynieryjno‑technicznych, czy dziedzina nauk ścisłych i przyrodniczych, do dziedziny nauk społecznych, dziedziny nauk rolniczych, czy dziedziny nauk medycznych i nauk o zdrowiu.
Odmiennym obszarem badań w KIMiA‑URK nad wykorzystaniem SSN były zagadnienia związane z prognozowaniem technicznym. Opracowane zostały modele neuronowe pozwalające prognozować zmiany parametrów techniczno‑eksploatacyjnych maszyn rolniczych (w tym ciągników rolniczych). Rozwijając te badania udało się nam wykorzystać SSN do oceny nowoczesności techniczno‑ konstrukcyjnej ciągników rolniczych. Oprócz prognozowania technicznego zastosowaliśmy SSN do prognozowania sprzedaży maszyn rolniczych. We współpracy z pracownikami KIBEiA‑URK opracowany został również model neuronowy pozwalający na prognozowanie temperatury powietrza w tunelu foliowym. Model ten może zostać wykorzystany do sterownia ogrzewaniem tego typu obiektów.
Pracownicy KIMiA‑URK od wielu lat prowadzili badania dotyczące suszenia owoców i warzyw. Również w tym obszarze badawczym opracowaliśmy szereg SSN pozwalających modelować proces suszenia, m. in. buraka ćwikłowego, pora czy cebuli. Modele te umożliwiają między innymi dokładne opisanie kinetyki suszenia konwekcyjnego, skurczu suszarniczego (zmian wymiarów geometrycznych suszonego materiału) oraz wyznaczanie
współczynnika dyfuzji masy.
Kolejnym zagadnieniem, w którym z powodzeniem zastosowaliśmy Sztuczne Sieci Neuronowe, było modelowanie zjawisk i procesów technologicznych związanych z odziaływaniem urządzań technicznych na materiał ziarnisty pochodzenia rolniczego. Opracowane zostały modele neuronowe procesu omłotu i uszkadzania ziarna zbóż pod wpływem oddziaływań mechanicznych. Jest to istotne z punktu widzenia jakości zyskiwanego produktu. Modelowane z wykorzystaniem SSN było również zjawisko tarcia zewnętrznego (określenie siły tarcia) dla różnych materiałów: ziarna żyta, pszenicy, kukurydzy, nasion fasoli, grochu, łubinu, gorczycy, wyki oraz
traw. Aby zwiększyć dokładność opisu procesu tarcia opracowano też SSN pozwalające określić wielkość powierzchni kontaktu ziarna różnych roślin rolniczych pod wpływem obciążenia. W ostatnim czasie opracowaliśmy modele neuronowe umożliwiające określenie parametrów biomechanicznych łodyg miskanta olbrzymiego (modułu sprężystości i maksymalne naprężenia przy zginaniu) w zależności od zawartości wody, numeru międzywęźla
i wymiarów charakteryzujących przekrój łodygi.
Pracownicy KIMiA‑URK prowadzą też badania związane z Odnawialnymi Źródłami Energii – produkcją biopaliw stałych. W ramach tego obszaru badawczego opracowane zostały SSN modelujące wszystkie etapy produkcji biopaliw kompaktowych rozdrabnianie wstępne, mielenie, brykietowanie) i pozwalające określić energochłonność poszczególnych procesów, gęstość usypową i trwałość brykietów, dla różnych roślin energetycznych. Modelowaliśmy też przy użyciu SSN proces suszenia zrębków wierzby energetycznej. Wszystkie opracowane przez nas modele SSN charakteryzowały się mniejszymi wartościami błędów niż inne modele matematyczne, co potwierdzają też badania innych naukowców. Sztuczne Sieci Neuronowe, jako modele informacyjne, mogą być wykorzystywane do symulacji i optymalizacji procesów przemysłowych. Mogą stanowić również element tzw. Systemów Wspomagania Decyzji.
W ramach badań prowadzonych w KIMiA‑URK opracowany został taki system odnośnie produkcji brykietów z miskanta i wierzby energetycznej.