Proizvodnja, skladišče, odprema – kjer se blago proizvaja, razvršča ali pakira, se izvaja tudi komisioniranje. Roboti pogosto jemljejo posamezne izdelke iz zabojev in jih ponovno združujejo. Družba Festo v okviru projekta FLAIROP s partnerji iz Nemčije in Kanade izvaja raziskave, da bi z metodami porazdeljene umetne inteligence izboljšala inteligentnost robotov za komisioniranje. Raziskujejo, kako uporabiti podatke za usposabljanje iz več postaj, obratov ali podjetij, ne da bi bilo treba razkriti občutljive podatke podjetja.
»Raziskujemo, kako je mogoče uporabiti čim bolj vsestranske učne podatke z več lokacij, da bi s pomočjo algoritmov umetne inteligence razvili robustnejše in učinkovitejše rešitve kot s podatki samo enega robota,« pravi Jonathan Auberle z Inštituta za transportno tehnologijo in logistične sisteme (IFL) na Tehnološkem inštitutu Karlsruhe (KIT).
Pri tem avtonomni roboti obdelujejo izdelke na več postajah za komisioniranje s prijemanjem in prenašanjem. Na različnih postajah se roboti usposabljajo z zelo različnimi izdelki. Na koncu bi morali biti sposobni izbrati izdelke z drugih postaj, s katerimi se še niso srečali. »S pristopom porazdeljenega učenja, imenovanega tudi združeno učenje, upravljamo ravnovesje med raznolikostjo in varnostjo podatkov v industrijskem okolju,« pravi strokovnjak.
Doslej se je združeno učenje uporabljalo predvsem v medicinskem sektorju za analizo slik, pri kateri je zaščita podatkov pacientov seveda še posebej pomembna. Zato se za učenje umetne nevronske mreže podatki za učenje, kot so slike ali točke prijema, ne uporabljajo. V osrednji strežnik se prenesejo le deli shranjenega znanja – lokalne uteži nevronske mreže, ki določajo, kako močno je en nevron povezan z drugim. Tam se zberejo uteži z vseh postaj in optimizirajo s pomočjo različnih meril. Izboljšana različica se nato predvaja na lokalnih postajah in postopek se ponovi.
Cilj je razviti nove, zmogljivejše algoritme za zanesljivo uporabo umetne inteligence za Industrijo 4.0 in njeno logistiko ob upoštevanju smernic za varstvo podatkov.
»V raziskovalnem projektu FLAIROP razvijamo nove načine, kako se lahko roboti učijo drug od drugega, ne da bi pri tem delili občutljive podatke in poslovne skrivnosti. To prinaša dve veliki prednosti: zaščitimo podatke svojih strank in pridobimo hitrost, saj lahko roboti na ta način hitreje prevzamejo mnoga opravila. Sodelujoči roboti lahko na primer pomagajo proizvodnim delavcem pri ponavljajočih se težkih in napornih opravilih,« pravi Jan Seyler, vodja oddelka za napredni razvoj. Analitika in nadzor v družbi Festo.
»DarwinAI se veseli, da lahko zagotovi našo platformo Explainable (XAI) za projekt FLAIROP in da lahko sodeluje s priznanimi kanadskimi in nemškimi raziskovalnimi organizacijami ter našim industrijskim partnerjem Festo. Upamo, da bo naša tehnologija XAI omogočila visokokakovostne procese s človeškimi viri pri tem zanimivem projektu, ki predstavlja pomemben vidik naše ponudbe poleg našega novega pristopa k združenemu učenju. Ker imamo korenine v akademskih raziskavah, smo navdušeni nad tem sodelovanjem in industrijskimi koristmi našega novega pristopa za številne stranke v proizvodnji,« pravi Sheldon Fernandez, izvršni direktor podjetja DarwinAI.
»Univerza Waterloo je navdušena nad sodelovanjem s Tehnološkim inštitutom v Karlsruheju in vodilnim svetovnim podjetjem na področju industrijske avtomatizacije, kot je Festo, s katerim bi v proizvodnjo uvedli novo generacijo zanesljive umetne inteligence,« pravi dr. Alexander Wong, eden od direktorjev raziskovalne skupine za vid in obdelavo slik na Univerzi Waterloo in glavni znanstvenik pri DarwinAI.
»Z uporabo razložljive umetne inteligence (XAI) podjetja DarwinAI in združenega učenja lahko ustvarimo rešitve umetne inteligence, ki delavcem v tovarnah pomagajo pri opravljanju vsakodnevnih proizvodnih nalog ter tako povečajo učinkovitost, produktivnost in varnost.«