Festo se pripravlja na pametno proizvodnjo prihodnosti. Kot vodilni na področju tehnologije in inovacij v industrijski avtomatizaciji želimo umetno inteligenco uveljaviti kot ključno tehnologijo in temeljno kompetenco ter jo dosledno uporabljati za rešitve avtomatizacije za svoje stranke. Zato raziskujemo nove možnosti in področja uporabe.
Umetna inteligenca pomeni različne metode in tehnike. Mednje sodijo metode, kot so globoko učenje, spodbujevano učenje ali biološko navdihnjena umetna inteligenca. Številne od teh metod niso nove, vendar pa večja računalniška moč in posodobljena infrastruktura zdaj omogočata široko uporabo v industrijski proizvodnji. Z umetno inteligenco se lahko lotimo težav, ki jih prej ni bilo mogoče rešiti: na primer pri krmiljenju kompleksnih sistemov z izrazito fluidno dinamiko pogosto ni mogoče delati z metodami, ki temeljijo na modelih. Abstrakcije so preveč nenatančne ali matematično prezapletene. Spodbujevano učenje nam bo v prihodnosti omogočilo priučitev takšnih sistemov.
S spodbujevanim učenjem se lahko stroji samostojno naučijo, kako doseči določeni cilj ali rešiti težavo. Velika prednost je, da računalnik sam najde pot, ki je lahko precej drugačna od tiste, ki bi jo ubral človek s pridobljenimi izkušnjami. V mnogih primerih se tako pojavijo rešitve, o katerih prej nismo razmišljali. Področja uporabe so obsežna: od tehnologije nadzora do robotike in načrtovanja oskrbovalne verige – spodbujevano učenje odpira številne možnosti.
Globoko učenje je še posebej primerno za posamezne spretnosti, v katerih mora biti robot zelo dober: na primer prijemanje neznanih predmetov, vendar vedno z istim prijemalom. Festo prenaša algoritme globokega učenja s področja vida in tudi za združevanje senzorjev za haptiko, akustiko in infrardečo svetlobo v robotiko. Doslej so roboti pogosto uporabljali kamere in niso mogli nadaljevati delo na primer v primeru izpada luči. Zaradi haptičnih, akustičnih in infrardečih senzorjev so roboti robustnejši in lahko delujejo tudi v težjih razmerah.
Na področju porazdeljenih nehomogenih sistemov raziskujemo, ali se lahko različni sistemi učijo drug od drugega: na primer, ali lahko upravljalni sistem prenese svoje znanje na robota. Znanje v tem primeru ne pomeni, da se izmenjujejo podatki, temveč da sistemi med seboj komunicirajo in delijo svoje pridobljeno znanje. Če je to mogoče, se lahko celotni sistemi optimizirajo in postanejo boljši, čim več inteligentnih komponent je nameščenih. Če na primer navojno vreteno in prevelik valj delujeta v tandemu, bo valj sporočil navojnemu vretenu, naj se razteza z večjo hitrostjo in ne s polnim tlakom. Na ta način prihranijo energijo in so pri skupnem delu učinkovitejši.
Učenje iz narave je za družbo Festo pomembno načelo, in to ne le na področju bionike. Narava je lahko tudi model za algoritme. Nevronska omrežja so po svoji strukturi delno oblikovana po vzoru človeških možganov, vendar je način delovanja impulznih nevronskih omrežij (nevronskih omrežij spiking – SNN) še bolj podoben človeškim možganom. Informacije lahko prenašajo in obdelujejo neodvisno drug od drugega (in ne le po plasteh kot v nevronskih omrežjih). Tako delujejo energetsko učinkoviteje in hitreje, zato bi lahko bili obetaven pristop za vgrajene sisteme z majhno računalniško močjo.
V okviru sodelovanja »Industry on Campus« z Univerzo v Tübingenu skupaj raziskujemo, ali lahko nevronske mreže spiking rešujejo kompleksnejše ali celo ustvarjalne naloge.
Univerza v Tübingenu in družba Festo se med drugim ukvarjata s posploševanjem in prenosljivostjo algoritmov. Pomembno je, da za vsak sistem in vsak primer uporabe ni treba usposobiti ločenega modela, da lahko prenesemo algoritme.