Proizvodnja, skladištenje, otprema – roba se proizvodi, sortira, pakira i komisionira na istom mjestu. Pritom roboti često podižu pojedinačnu robu iz sanduka i sortiraju je u nove skupine. Festo se udružio s partnerima iz Njemačke i Kanade u sklopu projekta FLAIROP radi istraživanja kako povećati inteligenciju robota za komisioniranje s pomoću distribuiranih AI metoda. Istražuju kako bi se podaci o obuci iz nekoliko stanica, tvornica ili poduzeća mogli upotrijebiti a da se ne otkriju osjetljivi podaci poduzeća.
"Istražujemo kako bi se s pomoću algoritama umjetne inteligencije mogli rabiti što je moguće raznovrsniji podaci o obuci s više lokacija za razvoj robusnijih i učinkovitijih rješenja od onih koja obuhvaćaju podatke samo jednog robota", kaže Jonathan Auberle s Instituta za rukovanje materijalima i logistiku (IFL) na Tehnološkom institutu Karlsruhe (KIT).
Pritom autonomni roboti na više stanica za komisioniranje obrađuju artikle tako što ih hvataju i premještaju. Na različitim stanicama roboti se treniraju s potpuno različitim artiklima. Na kraju bi trebali moći uhvatiti i artikle s drugih stanica s kojima još nisu bili u doticaju. "Upotrebom distribuiranog učenja, zvanog i federalno učenje, možemo postići pravu ravnotežu između količine podataka i sigurnosti podataka u industrijskom okružju", kaže stručnjak.
Do sada se federalno učenje uglavnom rabilo u medicinskom sektoru za analizu slika, gdje je zaštita podataka o pacijentima, naravno, posebno važna. Stoga za treniranje umjetne neuronske mreže nema razmjene podataka o obučavanju, kao što su slike ili točke hvatanja. Samo dijelovi pohranjenog znanja – lokalne težine neuronske mreže, koje pokazuju koliko je snažno jedan neuron povezan s drugim – šalju se na središnji poslužitelj. Ondje se u središnjem poslužitelju prikupljaju ponderi sa svih stanica i optimiziraju uz pomoć različitih kriterija. Poboljšana verzija se zatim vraća lokalnim stanicama i postupak se ponavlja.
Cilj je razviti nove algoritme s boljom izvedbom koji će omogućiti robusnu upotrebu umjetne inteligencije za industriju i logistiku 4.0 u skladu sa smjernicama za zaštitu podataka.
"U istraživačkom projektu FLAIROP razvijamo nove načine na koje roboti mogu učiti jedni od drugih bez dijeljenja osjetljivih podataka i poslovnih tajni." To ima dvije velike prednosti: štitimo podatke svojih klijenata i postajemo brži jer tako roboti mogu brže obavljati zadatke. Na primjer, suradnički roboti mogu pomoći radnicima u proizvodnji s teškim i zamornim zadacima koji se ponavljaju", kaže Jan Seyler, direktor naprednog razvoja. Analitika i kontrola u Festu.
"DarwinAI iznimno raduje što može našu platformu Explainable (XAI) staviti na raspolaganje za projekt FLAIROP te surađivati s renomiranim kanadskim i njemačkim istraživačkim organizacijama, kao i našim industrijskim partnerom Festo. Nadamo se da će naša XAI tehnologija omogućiti visokokvalitetne procese "human-in-the-loop" (ljudska intervencija) za ovaj uzbudljivi projekt koji je uz naš novi pristup temeljen na federativnom učenju važan aspekt naše ponude. Budući da potječemo iz akademskog istraživanja, oduševljeni smo ovom suradnjom i industrijskim prednostima koje naš novi pristup ima za niz proizvodnih znanosti", kaže Sheldon Fernandez, izvršni direktor DarwinAI.
"Sveučilište Waterloo oduševljeno je što surađuje s Tehnološkim institutom Karlsruhe i globalnim predvodnikom u industrijskoj automatizaciji kao što je Festo kako bi u proizvodnju doveli sljedeću generaciju pouzdane umjetne inteligencije", kaže dr. Alexander Wong, sudirektor grupe Image Processing Research na Sveučilištu Waterloo i glavni znanstvenik u DarwinAI.
"Koristeći se platformom DarwinAIs Explainable AI (XAI) i federalnim učenjem možemo stvoriti rješenja u području AI-ja koja pomažu tvorničkim radnicima u svakodnevnim zadacima u proizvodnji kako bi povećali učinkovitost, produktivnost i sigurnost."