Proizvodnja, skladištenje, otpremanje – roba se proizvodi, sortira, pakuje i komisionira na istom mestu. Pri tome roboti često hvataju pojedinačnu robu iz sanduka i ponovo je sastavljaju. Kompanija Festo u okviru projekta FLAIROP sa partnerima iz Nemačke i Kanade vrši istraživanje o tome kako povećati inteligenciju robota za komisioniranje pomoću distribuiranih metoda veštačke inteligencije. Oni istražuju kako bi se podaci o obuci iz nekoliko stanica, fabrika ili kompanija mogli koristiti, a da se ne otkriju osetljivi podaci kompanije.
„Istražujemo kako bi se pomoću algoritama veštačke inteligencije mogli koristiti što je moguće raznovrsniji podaci o obuci sa više lokacija za razvoj robusnijih i efikasnijih rešenja od onih koja obuhvataju podatke samo jednog robota“, kaže Jonathan Auberle sa Instituta za transportnu tehniku i sisteme logistike (IFL ) na Tehnološkom institutu Karlsrue (KIT).
Pri tome autonomni roboti na više stanica za komisioniranje obrađuju artikle tako što ih hvataju i premeštaju. Roboti se treniraju pomoću različitih predmeta na različitim stanicama. Na kraju bi trebalo da budu u stanju da uhvataju i artikle sa drugih stanica, koje prethodno nisu upoznali. „Upotrebom distribuiranog učenja, koje se naziva i kolaborativno učenje, uspevamo da postignemo pravu ravnotežu između raznolikosti podataka i sigurnosti podataka u industrijskom okruženju“, kaže stručnjak.
Do sada se kolaborativno učenje uglavnom koristilo u medicinskom sektoru za analizu slika, gde je zaštita podataka o pacijentima, naravno, posebno veliki značaj. Zbog za treniranje veštačke neuronske mreže nema razmene podataka o obučavanju kao što su slike ili tačke hvatanja. Samo se delovi sačuvanog znanja – lokalne težine neuronske mreže, koje pokazuju koliko je snažno jedan neuron povezan sa drugim – šalju na centralni server. Tamo se prikupljaju težine sa svih stanica i optimizuju pomoću različitih kriterijuma. Poboljšana verzija se zatim vraća lokalnim stanicama i postupak se ponavlja.
Cilj je razvoj novih efikasnijih algoritama za robusnu upotrebu veštačke inteligencije za industriju i logistiku 4.0 u skladu sa smernicama za zaštitu podataka.
„U istraživačkom projektu FLAIROP razvijamo nove načine na koje roboti mogu učiti jedni od drugih, bez deljenja osetljivih podataka i poslovnih tajni. To ima dve velike prednosti: štitimo podatke svojih klijenata i dobijamo na brzini, jer na taj način roboti mogu brže izvršavati zadatke. Na primer, kolaborativni roboti mogu pomoći radnicima u proizvodnji koji obavljaju teške i zamorne zadatke koji se ponavljaju“, kaže Jan Seyler, rukovodilac naprednog razvoja. Analitika i kontrola u kompaniji Festo.
„DarwinAI ima zadovoljstvo da našu platformu Explainable (XAI) može da stavi na raspolaganje za projekat FLAIROP i sarađuje sa renomiranim kanadskim i nemačkim istraživačkim organizacijama, kao i našim industrijskim partnerom Festo. Nadamo se da će naša XAI tehnologija omogućiti visokokvalitetne „Human-in-the-Loop“ (ljudska interakcija) procese za ovaj uzbudljivi projekat, koji pored našeg novog pristupa kolaborativnom učenju, predstavlja važan aspekt naše ponude. S obzirom da svoje korene imamo u akademskom istraživanju, oduševljeni smo zbog ove saradnje i industrijskih prednosti našeg novog pristupa širokom spektru proizvodnih klijenata“, kaže Sheldon Fernandez, izvršni direktor DarwinAI.
„Univerzitet Waterloo je oduševljen što sarađuje sa Tehnološkim institutom Karlsruhe i globalnim liderom u industrijskoj automatizaciji kao što je kompanija Festo, kako bi u proizvodnju uveli sledeću generaciju pouzdane veštačke inteligencije“, kaže dr. Alexander Wong, ko-direktor grupe Image Processing Research na Univerzitetu Waterloo i direktor sektora za istraživanja u DarwinAI.
„Koristeći DarwinAIs Explainable AI (XAI) i kolaborativno učenje možemo stvoriti rešenja u oblasti veštačke inteligencije koja pomažu radnicima u fabrici u obavljanju svakodnevnih zadataka u proizvodnji, kako bi povećali efikasnost, produktivnost i bezbednost.“