Productie, magazijn, verzending – waar goederen geproduceerd, gesorteerd of verpakt worden, wordt ook verzameld. Daarbij grijpen robots vaak individuele artikelen uit kisten en pakken ze ook weer in. In het FLAIROP-project onderzoekt Festo met partners uit Duitsland en Canada hoe pickrobots intelligenter kunnen worden gemaakt met behulp van gedistribueerde KI-methoden. Er wordt onderzocht hoe trainingsgegevens van meerdere stations, fabrieken of bedrijven kunnen worden gebruikt zonder gevoelige bedrijfsgegevens prijs te geven.
“Wij onderzoeken hoe zo veelzijdig mogelijke trainingsgegevens van meerdere locaties gebruikt kunnen worden om met behulp van KI-algoritmen robuustere en efficiëntere oplossingen te ontwikkelen dan met gegevens van slechts één robot”, zegt Jonathan Auberle van het Institut für Fördertechnik und Logistiksysteme (IFL) aan het Institut für Technologie (KIT) in Karlsruhe.
Op verschillende orderpickstations grijpen en verplaatsen autonome robots artikelen. In de verschillende stations worden de robots getraind met uiteenlopende artikelen. Uiteindelijk moeten ze in staat zijn artikelen van andere stations te grijpen die zij nog niet eerder zijn tegengekomen. “Door de methode van het gedistribueerd leren, ook wel Federated Learning genoemd, lukt ons de tegenstelling tussen datadiversiteit en databeveiliging in industriële omgevingen te overwinnen”, aldus de deskundige.
Tot nu toe is Federated Learning voornamelijk gebruikt in de medische sector voor beeldanalyse, waar de bescherming van patiëntengegevens natuurlijk een bijzonder hoge prioriteit heeft. Voor het trainen van het kunstmatige neurale netwerk worden dus geen trainingsgegevens, zoals beelden of grijppunten, uitgewisseld. Slechts delen van de opgeslagen kennis – de lokale gewichten van het neurale netwerk die aangeven hoe sterk een neuron met een andere verbonden is – worden naar een centrale server gestuurd. Daar worden de gewichten van alle stations verzameld en met behulp van verschillende criteria geoptimaliseerd. De verbeterde versie wordt dan naar de lokale stations teruggestuurd en het proces herhaald.
Het doel is nieuwe, krachtigere algoritmen te ontwikkelen voor een stevige inzet van kunstmatige intelligentie voor industrie en logistiek 4.0, met inachtneming van de richtlijnen voor gegevensbescherming.
“In het onderzoeksproject FLAIROP ontwikkelen wij nieuwe manieren voor robots om van elkaar te leren zonder gevoelige gegevens en bedrijfsgeheimen te delen. Dit heeft twee belangrijke voordelen: we beschermen de gegevens van onze klanten en winnen aan snelheid, omdat de robots op deze manier veel taken sneller kunnen overnemen. De collaboratieve robots kunnen bijvoorbeeld productiemedewerkers helpen bij repetitieve, zware en vermoeiende taken”, zegt Jan Seyler, Hoofd van Advanced Develop. Analytics en besturing bij Festo.
“DarwinAI is blij om ons Explainable (XAI)-platform ter beschikking te stellen voor het FLAIROP-project en over de samenwerking met prestigieuze Canadese en Duitse onderzoeksorganisaties, en met onze industriële partner Festo. Wij hopen dat onze XAI-technologie hoogwaardige human-in-the-loop-processen mogelijk zal maken voor dit spannende project, dat een belangrijk facet van ons aanbod vormt naast onze nieuwe aanpak van Federated Learning. Geworteld in het academisch onderzoek zijn wij enthousiast over deze samenwerking en de industriële voordelen van onze nieuwe aanpak voor een breed scala van klanten in de verwerkende industrie”, zegt Sheldon Fernandez, CEO van DarwinAI.
“De University of Waterloo is blij met de samenwerking met het Institut für Technologie in Karlsruhe en een wereldleider in industriële automatisering als Festo om de volgende generatie van veilige kunstmatige intelligentie naar de toe te passen in de product”, zegt dr. Alexander Wong, Co-Director van de Vision and Image Processing Research Group, University of Waterloo, en Chief Scientist bij DarwinAI.
“Door gebruik te maken van DarwinAI's Explainable AI (XAI) en Federated Learning kunnen wij KI-oplossingen creëren die fabrieksmedewerkers helpen bij hun dagelijkse productietaken om de efficiëntie, productiviteit en veiligheid te verhogen”