Výroba, skladování, expedice – všude tam, kde se výrobky vyrábí, třídí či balí, se také vychystávají. Roboti často berou jednotlivé výrobky z krabic a shromažďují je do skupin. Spolu s partnery z Německa a Kanady zkoumáme v rámci projektu FLAIROP, jak zajistit inteligentnější vychystávací roboty s distribuovanými metodami umělé inteligence. Předmětem zájmu je způsob, jak využít tréninková data z několika stanic, závodů nebo podniků, aniž by bylo nutné zveřejňovat citlivé firemní údaje.
„Zkoumáme, jak lze co nejvšestranněji využít tréninková data z několika míst k vývoji robustnějších a efektivnějších řešení pomocí algoritmů umělé inteligence, tedy nejen data pouze od jednoho robota,“ říká Jonathan Auberle z Institutu pro dopravní techniku a logistické systémy (IFL) na Technologickém institutu v Karlsruhe (KIT).
Na několika vychystávacích stanicích jsou autonomní roboty, které výrobky uchopují a přenášejí. Roboti jsou na různých stanicích trénováni s velmi odlišnými výrobky. Nakonec dokážou uchopit výrobky z jiných stanic, které dosud neznali. „Distribuovaným učením, známým také jako federované učení, dokážeme v průmyslovém prostředí spojit rozmanitost dat i jejich zabezpečení,“ říká expert.
Federované učení se doposud používalo hlavně v lékařském sektoru pro analýzu obrazu, kde je samozřejmě obzvláště důležitá ochrana údajů o pacientech. Pro trénink umělé neuronové sítě tedy nedochází k žádné výměně tréninkových dat, jako jsou obrázky nebo úchopové body. Na centrální server jsou přenášeny pouze části uložené znalosti – lokální váhy neuronové sítě, které říkají, jak silně je jeden neuron spojen s druhým. Tam se váhy ze všech stanic shromažďují a optimalizují pomocí různých kritérií. Vylepšená verze se poté přehraje na místní stanice a postup se opakuje.
Cílem je vyvinout nové, výkonnější algoritmy pro robustní používání umělé inteligence pro Průmysl a Logistiku 4.0 při dodržení směrnic pro ochranu dat.
„Ve výzkumném projektu FLAIROP vyvíjíme nové způsoby, jak se roboti mohou navzájem učit bez sdílení citlivých dat a firemních tajemství. Hlavní přínosy jsou dva: chráníme data svých zákazníků a získáváme rychlost, protože roboti mohou rychleji přebírat mnoho úkolů. Například kolaborativní roboti mohou zaměstnancům pomáhat s opakovanými, obtížnými a únavnými úkoly ve výrobě,“ říká Jan Seyler, ředitel společnosti Advanced Develop. Analytika a řízení ve společnosti Festo.
„Společnost DarwinAI s potěšením zpřístupňuje naši platformu Explainable (XAI) pro projekt FLAIROP a spolupracuje s vysoce respektovanými kanadskými a německými výzkumnými organizacemi a také s průmyslovým partnerem Festo. Doufáme, že naše technologie XAI umožní vysoce kvalitní procesy typu ‚člověk v cyklu‘ pro tento atraktivní projekt, který kromě našeho nového přístupu federovaného učení představuje také důležitý aspekt naší nabídky. S našimi kořeny v akademickém výzkumu jsme nadšeni touto spoluprací a průmyslovými výhodami našeho nového přístupu k široké škále zákazníků ve výrobě,“ řekl Sheldon Fernandez, generální ředitel společnosti DarwinAI.
„University of Waterloo je nadšená, že spolupracuje s Technologickým institutem v Karlsruhe a globálním lídrem v průmyslové automatizaci, jako je Festo, na zavedení nové generace důvěryhodné umělé inteligence do výroby,“ říká Dr. Alexander Wong, spoluředitel společnosti Vision and Image Processing Research Group, University of Waterloo, a hlavní vědecký pracovník společnosti DarwinAI.
„Využitím technologií DarwinAIs Explainable AI (XAI) a Federated Learning můžeme vytvářet řešení AI, která pomáhají dělníkům s jejich každodenními úkoly ve výrobě a zvyšují efektivitu, produktivitu a bezpečnost.“