Producción, almacén, expedición: donde se producen, clasifican o empaquetan las mercancías, también está el picking. Los robots suelen coger productos individuales de las cajas y los vuelven a montar. Festo está investigando en el proyecto FLAIROP con socios de Alemania y Canadá para hacer que los robots de picking sean más inteligentes utilizando métodos de IA distribuida. Están investigando cómo utilizar los datos de formación de varias estaciones, plantas o empresas sin tener que dar datos sensibles de la empresa.
“Estamos investigando cómo se pueden utilizar los datos de entrenamiento más versátiles posibles de múltiples ubicaciones para desarrollar soluciones más robustas y eficientes con la ayuda de algoritmos de inteligencia artificial que con los datos de un solo robot”, explica Jonathan Auberle, del Instituto de Sistemas de Manipulación de Materiales y Logística (IFL) del Instituto Tecnológico de Karlsruhe (KIT).
Aquí, los artículos son procesados en varias estaciones de picking por robots autónomos mediante agarre y transferencia. En las distintas estaciones, los robots se entrenan con artículos muy diferentes. Al final, deberían ser capaces de recoger artículos de otras estaciones que no conocían antes. “Mediante el enfoque del aprendizaje distribuido, también llamado aprendizaje federado, gestionamos el equilibrio entre la diversidad de datos y su seguridad en el entorno industrial”, afirma el experto.
Hasta ahora, el aprendizaje federado se ha utilizado predominantemente en el sector médico para el análisis de imágenes, donde la protección de los datos de los pacientes es, sin duda, una prioridad muy sensible. Por lo tanto, no hay intercambio de datos de entrenamiento como imágenes o puntos de agarre para entrenar la red neuronal artificial. Solo parte de los conocimientos almacenados —los pesos locales de la red neuronal que indican la intensidad de la conexión entre una neurona y otra— se transfieren a un servidor central. Allí se recogen los pesos de todas las estaciones y se optimizan con la ayuda de varios criterios. La versión mejorada se reproduce entonces en las estaciones locales y el proceso se repite.
El objetivo es desarrollar nuevos y más potentes algoritmos para un uso sólido de la inteligencia artificial para la industria y la logística 4.0, cumpliendo con las directrices de protección de datos.
“En el proyecto de investigación FLAIROP, estamos desarrollando nuevas formas para que los robots aprendan unos de otros sin compartir datos sensibles y secretos empresariales. Esto aporta dos grandes ventajas: protegemos los datos de nuestros clientes y ganamos en velocidad, porque de esta manera los robots pueden hacerse cargo de muchas tareas más rápidamente. Por ejemplo, los robots colaborativos pueden ayudar a los trabajadores de producción en tareas repetitivas, pesadas y agotadoras”, afirma Jan Seyler, responsable de Desarrollo Avanzado. Análisis y control en Festo.
“DarwinAI se complace de proporcionar nuestra plataforma Explainable (XAI) para el proyecto FLAIROP y de colaborar con tan prestigiosas organizaciones de investigación canadienses y alemanas, así como con nuestro socio industrial Festo. Esperamos que nuestra tecnología XAI permita procesos human in the loop (HITL) de alta calidad para este emocionante proyecto, que representa una faceta importante de nuestra oferta junto con nuestro novedoso enfoque del aprendizaje federado. Dado que nuestras raíces se encuentran en la investigación académica, estamos entusiasmados con esta colaboración y con los beneficios industriales de nuestro nuevo enfoque para una amplia gama de clientes de fabricación”, resalta Sheldon Fernández, CEO de DarwinAI.
“La Universidad de Waterloo está encantada de trabajar con el Instituto de Tecnología de Karlsruhe y con un líder mundial en automatización industrial como Festo para llevar la próxima generación de inteligencia artificial de confianza a la fabricación”, afirma el Dr. Alexander Wong, codirector del Grupo de Investigación de Visión y Procesamiento de Imágenes de la Universidad de Waterloo y científico jefe de DarwinAI.
“Al aprovechar la IA explicable (XAI) y el aprendizaje federado de DarwinAI, podemos crear soluciones de IA que ayuden a los trabajadores de las fábricas en sus tareas diarias de producción para aumentar la eficiencia, la productividad y la seguridad”.