Produkcja, magazynowanie i wysyłka - wszędzie tam, gdzie towary są wytwarzane, sortowane lub pakowane, występuje również proces kompletacji. Roboty często wyjmują pojedyncze towary z pudełek i ponownie je kompletują. Festo prowadzi badania w ramach projektu FLAIROP z partnerami z Niemiec i Kanady, aby uczynić roboty kompletujące bardziej inteligentnymi przy użyciu metod rozproszonej sztucznej inteligencji. Badają oni możliwości wykorzystania danych szkoleniowych z wielu stacji, zakładów lub firm bez konieczności ujawniania poufnych danych firmowych.
"Badamy, w jaki sposób najbardziej wszechstronne dane szkoleniowe z wielu lokalizacji mogą być wykorzystane do opracowania bardziej solidnych i wydajnych rozwiązań za pomocą algorytmów sztucznej inteligencji niż w przypadku danych pochodzących tylko z jednego robota" - mówi Jonathan Auberle z Instytutu Systemów Transportu Materiałów i Logistyki (IFL) w Instytucie Technologii w Karlsruhe (KIT).
W ramach tego autonomiczne roboty obsługują przedmioty poprzez chwytanie i przenoszenie ich na wielu stanowiskach kompletacji. Roboty są szkolone przy użyciu zupełnie innych przedmiotów na różnych stanowiskach. Na koniec powinni też umieć chwytać przedmioty z innych stacji, których jeszcze nie poznali. "Dzięki podejściu zdecentralizowanego uczenia się, zwanego również federated learning, udaje nam się zachować równowagę pomiędzy różnorodnością danych a ich bezpieczeństwem w środowisku przemysłowym" - mówi ekspert.
Do tej pory federated learning było wykorzystywane głównie w sektorze medycznym do analizy obrazów, gdzie ochrona danych pacjentów ma oczywiście szczególnie wysoki priorytet. Dlatego nie ma wymiany danych szkoleniowych, takich jak obrazy lub punkty chwytu do szkolenia sztucznej sieci neuronowej. Do centralnego serwera wysyłane są tylko części przechowywanej wiedzy - lokalne wagi sieci neuronowej, które wskazują, jak silnie jeden neuron jest powiązany z drugim. Tam zbierane są wagi ze wszystkich stacji i optymalizowane przy pomocy różnych kryteriów. Poprawiona wersja jest następnie odtwarzana przez lokalne stacje i proces się powtarza.
Celem jest opracowanie nowych, bardziej wydajnych algorytmów umożliwiających efektywne wykorzystanie sztucznej inteligencji w przemyśle i logistyce 4.0 przy jednoczesnym przestrzeganiu wytycznych dotyczących ochrony danych.
"W ramach projektu badawczego FLAIROP opracowujemy nowe sposoby uczenia się robotów od siebie nawzajem bez dzielenia się wrażliwymi danymi i tajemnicami przedsiębiorstwa. Ma to dwie główne korzyści: chronimy dane naszych klientów i zyskujemy na szybkości, ponieważ roboty mogą szybciej wykonywać wiele zadań. Roboty współpracujące mogą na przykład pomagać pracownikom produkcji w wykonywaniu powtarzalnych, ciężkich i męczących zadań" - mówi Jan Seyler, Head of Advanced Develop. Analytics and Control w Festo.
DarwinAI jest zaszczycone możliwością udostępnienia naszej platformy Explainable (XAI) w projekcie FLAIROP i zadowolone ze współpracy z tak renomowanymi kanadyjskimi i niemieckimi organizacjami akademickimi oraz naszym partnerem przemysłowym, Festo. Mamy nadzieję, że nasza technologia XAI umożliwi wysokiej wartości procesy human-in-the-loop dla tego ekscytującego projektu, który stanowi ważny aspekt naszej oferty obok naszego nowatorskiego podejścia do federated learning. Mając korzenie w badaniach akademickich, jesteśmy podekscytowani tą współpracą i korzyściami przemysłowymi płynącymi z naszego nowego podejścia dla szerokiego grona klientów z branży produkcyjnej - mówi Sheldon Fernandez, CEO DarwinAI.
"Uniwersytet Waterloo jest zachwycony współpracą z Instytutem Technologii w Karlsruhe i światowym liderem w dziedzinie automatyki przemysłowej, jakim jest Festo, w celu wprowadzenia kolejnej generacji godnej zaufania sztucznej inteligencji do produkcji" - mówi dr Alexander Wong, wpółdyrektor Vision and Image Processing Research Group na Uniwersytecie Waterloo i główny naukowiec DarwinAI.
"Wykorzystując DarwinAI's Explainable AI (XAI) i Federated Learning, możemy stworzyć rozwiązania AI (sztucznej inteligencji), które pomogą pracownikom fabryk w ich codziennych zadaniach produkcyjnych, aby zwiększyć efektywność, produktywność i bezpieczeństwo."