A Festo está a preparar-se para a produção inteligente do futuro. No nosso papel como líder em tecnologia e inovação na automação industrial, pretendemos estabelecer a inteligência artificial (IA) como uma tecnologia chave e competência central e utilizá-la de forma consistente em soluções de automação para os nossos clientes. É por isso que estamos a explorar novas possibilidades e áreas de aplicação.
A Inteligência Artificial representa uma variedade de métodos e técnicas. Estes incluem métodos como a Deep Learning (Aprendizagem Profunda), Reinforcement Learning (Aprendizagem de Reforço) ou a IA de inspiração biológica. Muitos destes métodos não são novos, mas o aumento da potência computacional e uma infraestrutura modernizada permitem agora uma utilização generalizada na produção industrial. A IA permite-nos enfrentar problemas que antes não tinham solução: Por exemplo, na engenharia de controlo de sistemas complexos com forte dinâmica de fluidos, muitas vezes não é possível trabalhar com métodos baseados em modelos. As abstrações são demasiado imprecisas ou complexas matematicamente. Reinforcement Learning permitir-nos-á ensinar esses sistemas no futuro.
Com a Reinforcement Learning, as máquinas podem aprender como atingir um determinado objetivo ou resolver um problema de forma independente. A grande vantagem é que o próprio computador encontra um caminho que pode ser bastante diferente daquele que um humano com experiência adquirida tomaria. Em muitos casos, isto gera soluções que não foram pensadas antes. Os campos de aplicação são vastos: da tecnologia de controlo passando pela robótica até ao planeamento da Supply Chain (cadeia de fornecimento), a Reinforcement Learning dá um enorme potencial.
A Deep Learning é particularmente adequada às competências individuais em que um robô deve ser muito bom: por exemplo, agarrar objetos desconhecidos, mas sempre com a mesma garra. A Festo está a transferir algoritmos de Deep Learning para o campo da visão, mas também para a fusão de sensores para a háptica, acústica e infravermelhos na robótica. Até agora, os robôs têm sido frequentemente baseados em câmaras e podem continuar a trabalhar, por exemplo, no caso de uma falha de luz. Os sensores táteis, acústicos e de infravermelhos tornam os robôs mais robustos e capazes de funcionar em condições mais difíceis.
Na área dos sistemas não homogéneos distribuídos, estamos a investigar se é possível que diferentes sistemas aprendam uns com os outros: se, por exemplo, um sistema de manipulação pode transmitir os seus conhecimentos a um robô. O conhecimento neste caso não significa que se trocam dados, mas que os sistemas comunicam uns com os outros e partilham os seus conhecimentos. Se isto for possível, sistemas inteiros podem optimizar-se e tornar-se melhores quanto mais inteligentes forem os componentes instalados. Por exemplo, se um eixo do fuso e um cilindro demasiado grande estiverem a trabalhar em sequência, o cilindro comunicará ao eixo do fuso para se estender a uma velocidade mais alta em vez de uma pressão total. Desta forma, poupam energia na interação e são mais eficientes
Aprender com a natureza é um princípio importante para a Festo, e não apenas na biónica. A natureza também pode ser um modelo para os algoritmos. As redes neurais são parcialmente modeladas no cérebro humano em termos da sua estrutura, mas a forma como as redes neurais pulsadas (spiking neural networks) funcionam está ainda mais próxima do cérebro humano. Podem transmitir e processar informação independentemente uns dos outros (e não apenas camada por camada, como nas redes neuronais). Assim, trabalham de forma mais eficiente e rápida em termos energéticos e podem, desta forma, ser uma abordagem promissora para os sistemas integrados com pouca potência computacional.
Como parte da cooperação "Industry on Campus" com a Universidade de Tübingen, estamos a investigar conjuntamente se as Spiking Neural Networks podem resolver tarefas mais complexas ou mesmo criativas.
Entre outras atividades de pesquisa conjunta, a Universidade de Tübingen e a Festo estão a trabalhar na generalização e transferibilidade de algoritmos. É importante que um modelo separado não tenha de ser treinado para cada sistema e cada caso de utilização, para que possamos transferir algoritmos.