Produção, armazém, expedição - onde as mercadorias são produzidas, classificadas ou embaladas, também há picking. Muitas vezes, os robôs vão buscar mercadorias individuais a caixas e reorganizam-nas. No âmbito do projeto FLAIROP, a Festo está a investigar com parceiros da Alemanha e do Canadá para tornar os robôs de picking mais inteligentes usando métodos de IA distribuídos. Estão a investigar como usar dados de formação de várias estações, fábricas ou empresas sem ter que fornecer dados sensíveis da empresa.
"Estamos a investigar de que forma dados de formação tão diversificados quanto possível provenientes de vários locais podem ser usados para desenvolver soluções mais robustas e eficientes com a ajuda de algoritmos de inteligência artificial do que com dados de apenas um robô", diz Jonathan Auberle do Instituto de Sistemas de Manuseio de Materiais e Logística (IFL) do Instituto de Tecnologia de Karlsruhe (KIT).
Aqui, os artigos são processados em várias estações de picking por robôs autónomos através de agarramento e transferência. Nas várias estações, os robôs são treinados com artigos muito diferentes. No final, eles deverão ser capazes de pegar em artigos de outras estações que não ainda não conheciam. "Através da abordagem de aprendizagem distribuída, também chamada de Aprendizagem Federada, fazemos o exercício de equilíbrio entre a diversidade e a segurança dos dados no ambiente industrial", afirma o especialista.
Até agora, a Aprendizagem Federada tem sido usada predominantemente no setor médico para análise de imagens, onde a proteção dos dados dos pacientes é naturalmente uma prioridade particularmente elevada. Portanto, não há troca de dados de formação, tais como imagens ou pontos de captação, para a formação da rede neural artificial. Apenas partes do conhecimento armazenado – os pesos locais da rede neural que dizem quão fortemente um neurónio está ligado a outro – são transferidos para um servidor central. Ali, os pesos de todas as estações são recolhidos e otimizados com a ajuda de vários critérios. A versão melhorada é então reproduzida para as estações locais e o processo repete-se.
O objetivo é desenvolver algoritmos novos e mais poderosos para o uso robusto da inteligência artificial para a Indústria e Logística 4.0, cumprindo ao mesmo tempo as diretrizes de proteção de dados.
"No projeto de investigação FLAIROP, estamos a desenvolver novas formas de os robôs aprenderem uns com os outros sem partilhar dados sensíveis e segredos da empresa. Isto traz duas grandes vantagens: protegemos os dados dos nossos clientes e ganhamos velocidade porque, desta forma, os robôs podem assumir muitas tarefas mais rapidamente. Por exemplo, os robôs colaborativos podem ajudar os trabalhadores da produção com tarefas repetitivas, pesadas e cansativas", afirma Jan Seyler, Chefe de Desenvolvimento Avançado. Análise e Controlo na Festo.
"A DarwinAI tem o prazer de fornecer a nossa plataforma Explainable (XAI) para o projeto FLAIROP e de colaborar com tão notáveis organizações de investigação canadianas e alemãs, assim como com o nosso parceiro industrial Festo. Esperamos que a nossa tecnologia XAI torne possíveis processos Human-in-the-Loop de alta qualidade para este projeto empolgante, que representa uma faceta importante da nossa oferta, juntamente com a nossa nova abordagem à Aprendizagem Federada. Com as nossas raízes na investigação académica, estamos entusiasmados com esta colaboração e com os benefícios industriais da nossa nova abordagem para uma ampla gama de clientes fabricantes", afirma Sheldon Fernandez, CEO da DarwinAI.
"A Universidade de Waterloo está entusiasmada por trabalhar com o Instituto de Tecnologia de Karlsruhe e uma empresa líder global em automação industrial como a Festo, com vista a introduzir a próxima geração de inteligência artificial fiável na produção", afirma o Dr. Alexander Wong, Co-Diretor do Vision and Image Processing Research Group, Universidade de Waterloo, e Cientista Chefe da DarwinAI.
"Ao aproveitar a Explainable AI (XAI) da DarwinAI e a Aprendizagem Federada, podemos criar soluções de IA que ajudam os trabalhadores da fábrica com as suas tarefas diárias de produção a aumentar a eficiência, produtividade e segurança"