Production, entrepôt, expédition – des commandes sont également préparées là où des produits sont fabriqués, triés ou emballés. Pour cela, des robots saisissent souvent des marchandises individuelles dans des caisses et les rassemblent. Dans le cadre du projet FLAIROP, Festo mène des recherches avec des partenaires en Allemagne et au Canada, afin de rendre les robots de préparation de commandes plus intelligents grâce à des méthodes d'IA fédérées. Ils étudient comment utiliser des données d'entraînement émanant de plusieurs postes, usines ou entreprises, sans devoir diffuser des données sensibles.
« Nous étudions comment les données d'entraînement les plus diverses possibles émanant de plusieurs sites peuvent être utilisées pour développer des solutions plus robustes et plus efficaces à l'aide d'algorithmes d'intelligence artificielle, comme avec des données provenant d'un seul robot », déclare Jonathan Auberle, de l'Institut für Fördertechnik und Logistiksysteme (IFL), au Karlsruher Institut für Technologie (KIT).
Pour cela, des articles sont traités par préhension et transfert par des robots autonomes sur plusieurs postes de préparation de commandes. Les robots sont entraînés sur les différents postes avec des articles complètement différents. Au final, ils doivent être en mesure de saisir des articles d'autres postes qu'ils ne connaissaient pas au préalable. « L'approche de l'apprentissage fédéré, également appelé federated learning, nous permet de concilier la diversité des données avec la sécurité des données en milieu industriel », d'après l'expert.
Jusqu'à présent, l'apprentissage fédéré était principalement mis en œuvre dans le secteur médical pour l'analyse des images, dans laquelle la protection des données des patients occupe une place naturellement prépondérante. Pour l'entraînement du réseau neuronal, il n'y a par conséquent aucun échange de données d'entraînement telles que les images ou les points de préhension. Seules des parties des connaissances enregistrées, les poids locaux du réseau neuronal qui disent combien un neurone est fortement lié à un autre, sont transférées vers un serveur central. Les poids de tous les postes y sont collectés et optimisés à l'aide de divers critères. La version améliorée est relue sur les postes locaux et le processus se répète.
L'objectif est de développer de nouveaux algorithmes puissants pour l'utilisation robuste de l'intelligence artificielle pour l'industrie et la logistique 4.0, dans le respect des directives en matière de protection des données.
« Dans le projet de recherche FLAIROP, nous développons de nouvelles voies dans lesquelles les robots peuvent apprendre les uns des autres sans partager de données sensibles ou de secrets industriels. Cela amène deux avantages importants : nous protégeons les données de nos clients et nous gagnons en vitesse parce que les robots peuvent de la sorte prendre en charge de nombreuses tâches plus rapidement. Les robots collaboratifs peuvent ainsi par exemple assister les collaborateurs en production pour les tâches fastidieuses, difficiles et répétitives », déclare Jan Seyler, Head of Advanced Develop. Analyse et commande chez Festo.
« DarwinAI se réjouit de mettre à disposition du projet FLAIROP sa plate-forme d'intelligence artificielle explicable (XAI) et de la collaboration avec les prestigieux organismes de recherches canadiens et allemands ainsi que Festo, notre partenaire industriel. Nous espérons que notre technologie XAI permettra des processus Human-in-the-Loop de qualité supérieure pour ce projet passionnant qui, outre notre nouvelle approche de l'apprentissage fédéré, constitue une facette importante de notre offre. Nos racines étant dans la recherche académique, nous nous enthousiasmons de cette collaboration et des avantages industriels de notre nouvelle approche pour un vaste éventail de clients dans la production », déclare Sheldon Fernandez, CEO de DarwinAI.
« L'Université de Waterloo s'enthousiasme de collaborer avec le Karlsruher Institut für Technologie et l'une des entreprises leaders mondiales de l'automatisation industrielle qu'est Festo pour amener en production la prochaine génération d'intelligence artificielle digne de confiance », déclare le Dr. Alexander Wong, Co-Directeur du Vision and Image Processing Research Group de l'Université de Waterloo et Chief Scientist chez DarwinAI.
« Le recours à l'IA explicable (XAI) de DarwinAI et à l'apprentissage fédéré nous permet de créer des solutions d'IA qui assistent les ouvriers dans leurs tâches de production quotidiennes afin d'augmenter l'efficience, la productivité et la sécurité. »