Produzione, magazzino, spedizione: dove si producono, smistano o imballano merci, viene eseguito anche il picking. I robot spesso afferrano singole merci dalle casse e le riassemblano. Nel progetto FLAIROP, Festo ricerca in collaborazione con partner tedeschi e canadesi come rendere più intelligenti i robot che svolgono operazioni di picking grazie a metodi IA distribuiti. Studiano come utilizzare i dati di addestramento di più postazioni, stabilimenti o aziende senza dover pubblicare dati aziendali sensibili.
“Stiamo studiando come poter utilizzare svariati dati di addestramento provenienti da diversi luoghi per sviluppare, con l’aiuto di algoritmi di intelligenza artificiale, soluzioni più robuste ed efficienti che con i dati di un solo robot“, afferma Jonathan Auberle dell’Istituto di movimentazione dei materiali e sistemi logistici (IFL) presso l’Istituto di tecnologia di Karlsruhe (KIT).
Qui, degli articoli vengono rielaborati in diverse postazioni di picking da robot autonomi per mezzo di presa e trasferimento. Nelle varie postazioni, i robot vengono addestrati con articoli molto diversi. Alla fine, essi dovrebbero essere in grado di afferrare articoli di altre postazioni di cui non hanno ancora fatto esperienza. “Attraverso il principio dell’apprendimento distribuito, anche denominato “Federated Learning”, gestiamo il gap tra diversità e sicurezza dei dati nell’ambiente industriale“, afferma l’esperto.
Finora il Federated Learning è stato utilizzato prevalentemente nel settore medico per l’analisi delle immagini, dove la protezione dei dati dei pazienti ha naturalmente un’importanza particolarmente alta. Pertanto, per l’addestramento della rete neurale artificiale non c’è scambio di dati, come immagini o punti di presa. Solo parti del sapere memorizzato – i pesi locali della rete neurale che dicono con quale forza un neurone è legato a un altro – vengono trasferite a un server centrale, dove i pesi di tutte le postazioni vengono raccolti e ottimizzati utilizzando vari criteri. Quindi la versione migliorata viene riprodotta alle postazioni locali e il processo si ripete.
L’obiettivo è sviluppare nuovi algoritmi più potenti per un uso robusto dell’intelligenza artificiale per l’industria e la logistica 4.0, rispettando le direttive sulla protezione dei dati.
“Nel progetto FLAIROP sviluppiamo nuovi metodi di apprendimento da parte dei robot gli uni dagli altri senza condividere dati sensibili e segreti aziendali. Ciò implica due grandi vantaggi: proteggiamo i dati dei nostri clienti e al contempo guadagniamo velocità, dal momento che in questo modo i robot sono capaci di farsi carico di molti compiti più velocemente. Per esempio, i robot collaborativi supportano gli addetti alla produzione nei compiti ripetitivi, pesanti e faticosi“, afferma Jan Seyler, Head of Advanced Develop. Analisi e controllo in Festo.
“DarwinAI è lieta di fornire la nostra piattaforma Explainable (XAI) per il progetto FLAIROP oltre che della collaborazione con organizzazioni di ricerca canadesi e tedesche così prestigiose e con il nostro partner industriale Festo. Speriamo che la nostra tecnologia XAI permetta processi human-in-the-loop di qualità per questo entusiasmante progetto, che rappresenta un aspetto importante della nostra offerta insieme al nostro nuovo principio del Federated Learning. Dal momento che le nostre radici affondano nella ricerca accademica, siamo entusiasti di questa collaborazione e dei vantaggi industriali del nostro nuovo approccio per una vasta gamma di clienti del settore manifatturiero“, sostiene Sheldon Fernandez, CEO di DarwinAI.
“L’Università di Waterloo è entusiasta di collaborare con l’Istituto di tecnologia di Karlsruhe e con un leader globale nell’automazione industriale come Festo per portare la prossima generazione di intelligenza artificiale affidabile nella produzione“, afferma il dottor Alexander Wong, co-direttore del Vision and Image Processing Research Group dell’Università di Waterloo nonché Chief Scientist di DarwinAI.
“Utilizzando l’Explainable AI (XAI) e il Federated Learning di DarwinAI, possiamo creare soluzioni IA in grado di supportare gli operai nei loro compiti quotidiani di produzione per aumentare l’efficienza, la produttività e la sicurezza“.