Производство, склад, експедиция - там, където стоките се произвеждат, сортират или опаковат, се извършва и комплектоване. Роботите често вземат отделни стоки от кутии и ги сглобяват отново. Festo провежда изследвания в рамките на проекта FLAIROP с партньори от Германия и Канада, за да направи комплектоващите роботи по-интелигентни с помощта на разпределени методи за изкуствен интелект. Те проучват как да използват данни за обучение от няколко станции, заводи или компании, без да се налага да предоставят поверителни данни за компанията.
"Проучваме как възможно най-разнообразните данни за обучение от няколко местоположения могат да се използват за разработване на по-стабилни и ефективни решения с помощта на алгоритми за изкуствен интелект, отколкото с данни само от един робот", казва Джонатан Оберле от Института за транспортна техника и логистични системи (IFL) към Технологичния институт в Карлсруе (KIT).
Тук артикулите се обработват на няколко станции за комплектоване от автономни роботи чрез захващане и използване. В различните станции роботите се обучават с различни артикули. Накрая те трябва да могат да хващат артикули от други станции, с които не са се запознавали досега. "Чрез подхода на разпределеното обучение, наричан още федеративното обучение, успяваме да балансираме между разнообразието и сигурността на данните в индустриалната среда", казва експертът.
Досега федеративното обучение се използваше предимно в медицинския сектор за анализ на изображения, където защитата на данните на пациентите естествено е особено важен приоритет. Поради това не се налага обмен на данни за обучение, като например изображения или точки на захващане, за обучение на изкуствената невронна мрежа. Само части от съхраненото знание - локалните тегла на невронната мрежа, които показват колко силно е свързан един неврон с друг - се прехвърлят към централен сървър. Там се събират теглата от всички станции и се оптимизират с помощта на различни критерии. След това подобрената версия се възпроизвежда в местните станции и процесът се повтаря.
Целта е да се разработят нови, по-мощни алгоритми за надеждно използване на изкуствения интелект за индустрията и логистиката 4.0, като същевременно се спазват насоките за защита на данните.
"В изследователския проект FLAIROP разработваме нови начини роботите да се учат един от друг, без да споделят чувствителни данни и фирмени тайни. Това носи две големи предимства: Защитаваме данните на нашите клиенти и печелим скорост, защото по този начин роботите могат да поемат много задачи по-бързо. Например, колаборативните роботи могат да помагат на производствените работници при изпълнението на повтарящи се, тежки и уморителни задачи", казва Ян Зайлер, ръководител на отдел Advanced Develop. Analytics и управелние във Festo.
"DarwinAI се радва, че предоставя своярта платформа разширяваща се платформа (XAI) за проекта FLAIROP и за сътрудничеството с такива престижни канадски и германски изследователски организации, както и с нашия индустриален партньор Festo. Надяваме се, че нашата технология XAI ще позволи висококачествени процеси, свързани с Human-in-the-Loop (човек във веригата) за този вълнуващ проект, който представлява важен аспект на нашето предложение, наред с новия ни подход към „федеративното обучение“. Тъй като корените ни са в академичните изследвания, ние сме развълнувани от това сътрудничество и от индустриалните ползи от нашия нов подход за широк кръг клиенти в областта на производството", казва Шелдън Фернандес, главен изпълнителен директор на DarwinAI.
"Университетът във Ватерло е развълнуван да работи с Технологичния институт в Карлсруе и световен лидер в индустриалната автоматизация като Festo, за да въведе следващото поколение надежден изкуствен интелект в производството", казва д-р Александър Уонг, съдиректор на Vision and "Image Processing Research Group" в Университета във Ватерло и главен научен сътрудник в DarwinAI.
"Като използваме "Explainable AI" (XAI) на DarwinAI и "Federated Learning", можем да създадем решения с изкуствен интелект, които помагат на работерщите в завода да изпълняват ежедневните си производствени задачи, за да повишат ефективността, производителността и безопасността."