Kompanija Festo je orijentisana na pametnu proizvodnju budućnosti. U našoj ulozi lidera u tehnologiji i inovacijama u industrijskoj automatizaciji imamo za cilj da etabliramo veštačku inteligenciju (KI) kao ključnu tehnologiju i osnovnu kompetenciju i da je kod naših klijenata konsekventno koristimo za rešenja u oblasti automatizacije. Zbog toga istražujemo nove mogućnosti i oblasti primene.
Veštačka inteligencija predstavlja različite metode i tehnike. U to spadaju metode kao što su duboko učenje, učenje potkrepljivanjem ili biološki inspirisana veštačka inteligencija (bio-inspired AI). Mnoge od ovih metoda nisu nove, ali zahvaljujući povećanim performansama računara i modernizovanoj infrastrukturi danas imaju široku primenu u industrijskoj proizvodnji. Pomoću veštačke inteligencije se možemo se suočiti sa problemima koji su do sada bili nerešivi: na primer, u regulacionoj tehnici kompleksnih sistema sa jakom dinamikom fluida često nije moguće upotrebljavati metode zasnovane na modelima. Apstrakcije su previše neprecizne ili matematički previše složene. Pomoću učenja potkrepljivanjem ćemo u budućnosti moći da podučavamo takve sisteme.
Pomoću učenja potkrepljivanjem mašine mogu samostalno naučiti kako postići zadati cilj ili kako rešiti problem. Velika prednost je u tome što računar sam pronalazi način, koje je eventualno potpuno drugačiji od onoga do koga bi došla osoba podučena iskustvom. U mnogim slučajevima se na taj način generišu rešenja o kojima ranije niko nije razmišljao. Oblasti primene su široke: od regulacione tehnike, preko robotike, pa do planiranja lanca snabdevanja, učenje potkrepljivanjem otvara ogroman potencijal.
Duboko učenje je posebno pogodno za individualne sposobnosti kojima robot mora veoma dobro da vlada, na primer, hvatanje nepoznatih predmeta, ali uvek istom hvataljkom. Festo prenosi algoritme dubokog učenja u oblast robotske vizije, ali i za kombinaciju senzora za osećaj dodira, akustiku i infracrvenu svetlost. Do sada su roboti često bili bazirani na kameri i nisu mogli da nastave sa radom, na primer, ukoliko dođe do otkaza svetla. Zahvaljujući senzorima za osećaj dodira, akustičnim i infracrvenim senzorima, roboti su robusniji i funkcionalniji čak i u teškim uslovima rada.
U oblasti distribuiranih nehomogenih sistema istražujemo da li postoji mogućnost da različiti sistemi uče jedni od drugih: na primer, može li sistem rukovanja preneti svoje znanje robotu. U ovom slučaju znanje ne znači da se podaci razmenjuju, već da sistemi međusobno komuniciraju i međusobno dele stečeno znanje. Ako je to moguće, celi sistemi se mogu samostalno optimizovati i postajati sve bolji, što je više ugrađeno inteligentnijih komponenata. Na primer, ukoliko osovina vretena i preveliki cilindar rade jedan za drugim, cilindar javlja osovini vretena da bi trebalo da se kreće većom brzinom, umesto punim pritiskom. Na taj način zajedno štede energiju i efikasniji su.
Učenje od prirode je važno ne samo u bionici, već je važan princip i za kompaniju Festo. Priroda može da posluži kao primer i za algoritme. Neuronske mreže su po svojoj strukturi delimično dizajnirane po uzoru na ljudski mozak, ali je način funkcionisanja pulsnih neuronskih mreža (Spiking Neural Networks) još sličniji ljudskom mozgu. One mogu da prenose i obrađuju informacije nezavisno jedna od druge (a ne samo u slojevima, kao kod neuronskih mreža). Na taj način rade energetski efikasnije i brže i zato bi mogle predstavljati obećavajući pristup za ugrađene sisteme male računarske snage.
U okviru saradnje „Industry on Campus“ sa Univerzitetom u Tübingenu, zajedno istražujemo da li pulsne neuronske mreže mogu rešavati složenije ili čak i kreativne zadatke.
Pored drugih zajedničkih istraživačkih aktivnosti, Univerzitet u Tübingenu i Festo rade na generalizabilnosti i prenosivosti algoritama. Važno je da za prenošenje algoritama nije potrebno za svaki sistem i svaku upotrebu obučavati poseban model.