A Festo está a preparar-se para a produção inteligente do futuro. No nosso papel de líder em tecnologia e inovação na automação industrial, pretendemos estabelecer a inteligência artificial (IA) como tecnologia-chave e competência central e utilizá-la de forma consistente em soluções de automação para os nossos clientes. É por isso que estamos a explorar possibilidades e áreas de aplicação novas.
A Inteligência Artificial representa uma variedade de métodos e técnicas. Entre eles encontram-se métodos como Deep Learning (aprendizagem profunda), Reinforcement Learning (aprendizagem por reforço) ou IA bioinspirada. Muitos destes métodos não são novos, mas o aumento da potência computacional e a modernização das infraestruturas permitem agora a utilização generalizada dos mesmos na produção industrial. A IA permite-nos enfrentar problemas que antes não tinham solução: p. ex., na engenharia de controlo de sistemas complexos com forte dinâmica de fluidos, muitas vezes não é possível trabalhar com métodos baseados em modelos. As abstrações são muito imprecisas ou matematicamente muito complexas. A Reinforcement Learning permitir-nos-á programar estes sistemas no futuro.
Com a Reinforcement Learning, as máquinas podem aprender como atingir um determinado objetivo ou resolver um problema de forma independente. A grande vantagem é que o próprio computador encontra um caminho que pode ser bastante diferente daquele que um humano com experiência adquirida tomaria. Em muitos casos, isto gera soluções que não se teriam pensado antes. São várias as áreas de aplicação: da tecnologia de controlo até à robótica ou planeamento da cadeia de fornecimento, a Reinforcement Learning abre um enorme potencial.
A Deep Learning é particularmente adequada para competências individuais em que um robô deve ser muito bom: p. ex., agarrar objetos desconhecidos, mas sempre com a mesma garra. A Festo está a transferir algoritmos da Deep Learning para o campo da visão, mas também para a fusão de sensores de tato, acústicos e de infravermelhos na robótica. Até agora, os robôs têm sido baseados em câmaras e são impossibilitados de funcionar se, p. ex., falhar a luz. Os sensores de tato, acústicos e de infravermelhos tornam os robôs mais robustos e capazes de funcionar em condições mais difíceis.
Na área dos sistemas distribuídos não homogéneos, estamos a investigar se é possível que diferentes sistemas aprendam uns com os outros: se, p. ex., um sistema de manuseio pode transmitir os seus conhecimentos a um robô. O conhecimento neste caso não significa que se troquem dados, mas que os sistemas comunicam uns com os outros e partilham os seus conhecimentos. Se isto for possível, quanto mais componentes inteligentes forem instalados em sistemas inteiros, mais estes podem ser otimizados e melhorados Por exemplo, se um eixo de acionamento por fuso e um cilindro de grandes dimensões trabalham em sequência, o cilindro comunicará ao eixo do fuso para que se estenda com mais velocidade e não com pressão total. Desta forma, poupam energia e são mais eficientes quando trabalham juntos.
Aprender com a natureza é um princípio importante para a Festo, e não só na biónica. A natureza também pode ser um modelo para os algoritmos. As redes neurais inspiram-se parcialmente no cérebro humano em relação à estrutura, mas o funcionamento das redes neurais de spiking (Spiking Neural Networks) é ainda mais semelhante ao do cérebro humano. Podem transmitir e processar informação de forma independente (e não só camada por camada, mas também nas redes neurais). Assim, trabalham de forma mais eficiente e rápida do ponto-de-vista energético e, por isso, podiam ser uma abordagem prometedora para os sistemas integrados com pouca potência de cálculo.
Como parte da cooperação "Industry on Campus" com a Universidade de Tubinga, estamos a investigar conjuntamente se as redes neurais de spiking podem resolver tarefas mais complexas ou até mesmo criativas.
Entre outras atividades de investigação conjuntas, a Universidade de Tubinga e a Festo trabalham na generalização e transferibilidade de algoritmos. É importante que um modelo separado não tenha de ser treinado para cada sistema e aplicação para poder transferir algoritmos.