Gyártás, raktár, kiszállítás - ahol az árukat gyártják, válogatják vagy csomagolják, ott van a komissiózás is. A robotok gyakran egyes árukat fognak meg a ládákból és rakják össze őket. A Festo a FLAIROP projekt keretében németországi és kanadai partnerekkel közösen végez kutatásokat a komissiózó robotok intelligensebbé tétele érdekében, elosztott mesterséges intelligencia módszerekkel. Azt vizsgálják, hogyan lehet több állomás, üzem vagy vállalat képzési adatait felhasználni anélkül, hogy érzékeny vállalati adatokat kellene kiadni.
"Azt vizsgáljuk, hogyan lehet a lehető legsokoldalúbb, több helyszínről származó képzési adatokat felhasználni arra, hogy a mesterséges intelligencia algoritmusai segítségével robusztusabb és hatékonyabb megoldásokat fejlesszünk ki, mint egyetlen robot adatainak felhasználásával" - mondja Jonathan Auberle, a Karlsruhei Technológiai Intézet (KIT) anyagmozgatási és logisztikai rendszerek intézetének (IFL) munkatársa.
Itt a tételeket több komissiózó állomáson autonóm robotok dolgozzák fel megfogás és átrakás útján. A különböző állomásokon a robotokat egészen eltérő cikkekkel képzik ki. A végén más állomásokon olyan cikkeket kell tudniuk megfogni, amelyekkel korábban még nem találkoztak. "A föderatív tanulásnak is nevezett elosztott tanulásnak köszönhetően az ipari környezetben meg tudjuk teremteni az egyensúlyt az adatok sokfélesége és a kiberbiztonság között" - mondja a szakértő.
A Federated Learninget eddig elsősorban az egészségügyben használták képelemzésre, ahol a betegadatok védelme természetesen különösen fontos prioritást élvez. Éppen ezért a mesterséges neurális hálózat képzéséhez nincs szükség képzési adatok, például képek vagy megfogási pontok átadására. A tárolt tudásnak csak egy része kerül át egy központi szerverre. Ebbe a körbe a neurális hálózat helyi súlyai tartoznak, amelyek meghatározzák, hogy az egyik neuron milyen erősen kapcsolódik a másikhoz. Itt az összes állomás súlyait összegyűjtik, és különböző kritériumok segítségével optimalizálják. A javított változatot ezután visszaküldik a helyi állomásoknak, ahol a folyamat megismétlődik.
A cél a mesterséges intelligencia robusztus felhasználásához szükséges új, nagyobb teljesítményű algoritmusok kifejlesztése, az ipar és a logisztika 4.0 számára, természetesen az adatvédelmi irányelvek betartása mellett.
"A FLAIROP kutatási projektben új módszereket dolgozunk ki arra, hogy a robotok egymástól tanulhassanak anélkül, hogy érzékeny adatokat és vállalati titkokat osztanának meg egymással. Ez két nagy előnnyel jár: Megvédjük ügyfeleink adatait, és gyorsabbá válunk, mert a robotok így sok feladatot gyorsabban tudnak átvenni. Az együttműködő robotok például segíthetnek a termelésben dolgozó munkásoknak az ismétlődő, nehéz és fárasztó feladatok elvégzésében" - mondja Jan Seyler, a fejlett fejlesztésekért felelős vezető. Analitika és vezérlés a Festo-nál.
"A DarwinAI örömmel biztosítja Explainable (XAI) platformunkat a FLAIROP projekthez, és örül annak is, hogy együttműködhet ilyen tekintélyes kanadai és német kutatási szervezetekkel, valamint ipari partnerünkkel, a Festo-val. Reméljük, hogy XAI-technológiánk lehetővé teszi a magas színvonalú "ember a hurokban" folyamatokat ebben az izgalmas projektben, amely a Federated Learning újszerű megközelítése mellett, kínálatunk fontos részét is képezi. Mivel gyökereink a tudományos kutatásba vezethetők vissza, ezért izgatottan várjuk ezt az együttműködést és a gyártó ügyfelek széles köre számára újdonságot jelentő megközelítésünk ipari előnyeit " - mondta Sheldon Fernandez, a DarwinAI vezérigazgatója.
"A Waterloo Egyetem nagy örömére szolgál az, hogy a Karlsruhe-i Technológiai Intézettel, és a az ipari automatizálás globális piacvezető vállalatával, a Festo-val együttműködve, a megbízható mesterséges intelligencia következő generációját hozhatja el a gyártásba" - mondta Dr. Alexander Wong, a Waterloo Egyetem Vision and Image Processing Research Group kutatócsoportjának társigazgatója és a DarwinAI vezető tudósa.
"A DarwinAI Explainable AI (XAI) és a Federated Learning segítségével olyan mesterséges intelligencia megoldásokat hozhatunk létre, amelyek segítik a gyári munkásokat a napi termelési feladataik elvégzésében, növelve a hatékonyságot, a termelékenységet és a biztonságot."