Výroba, skladovanie, expedícia – kde sa tovar vyrába, triedi alebo balí, tam sa aj zdvíha. Roboty často uchopia jednotlivé predmety zo škatúľ a znova ich ukladajú. Spoločnosť Festo spolu s partnermi z Nemecka a Kanady skúma v rámci projektu FLAIROP, ako by mohli byť zdvíhacie roboty inteligentnejšie využitím distribučných metód AI. Zisťujú, ako využiť údaje z učenia vo viacerých staniciach, výrobných závodoch alebo spoločnostiach bez toho, aby sa museli zverejniť citlivé údaje spoločnosti.
„Skúmame, ako využiť údaje z učenia na viacerých miestach na vývoj robustnejších a efektívnejších riešení využitím algoritmov umelej inteligencie, nie iba údajov jedného robota,“ hovorí Jonathan Auberle z inštitútu Institut für Fördertechnik und Logistiksysteme (IFL) v technologickom inštitúte Karlsruher Institut für Technologie (KIT).
Na niekoľkých staniciach sa preto na ďalšie spracovanie využívajú autonómne roboty, ktoré uchopujú a prenášajú rôzne predmety. Roboty sa na jednotlivých staniciach učia pracovať s veľmi odlišnými predmetmi. Na konci dňa by mali byť schopné pracovať s predmetmi z iných staníc, ktoré predtým nepoznali. „S prístupom distribuovaného učenia, známeho aj ako Federated Learning, dokážeme nájsť rovnováhu medzi rozmanitosťou údajov a ich bezpečnosťou,“ hovorí odborník.
Princíp Federated Learning sa doteraz využíval hlavne v medicíne na analýzu snímok, pri ktorej sa kladie veľký dôraz na ochranu údajov o pacientovi. Pri tréningu umelej neurónovej siete preto nedochádza k výmene tréningových údajov, ako sú snímky alebo body uchopenia. Na centrálny server sa prenášajú iba časti uložených znalostí – lokálne váhy neurónovej siete, ktoré hovoria o tom, aké silné je spojenie medzi jednotlivými neurónmi. Tam sa váhy zo všetkých staníc zhromažďujú a optimalizujú využitím rôznych kritérií. Vylepšená verzia sa potom prehrá na miestnych staniciach a postup sa zopakuje.
Cieľom je vyvinúť nové, výkonnejšie algoritmy na robustné využitie umelej inteligencie v Priemysle a Logistike 4.0 v súlade s predpismi o ochrane osobných údajov.
„Pri výskumnom projekte FLAIROP vyvíjame nové spôsoby, ako sa môžu roboty jeden od druhého učiť bez toho, aby sa zverejnili citlivé údaje a obchodné tajomstvá. To má dve hlavné výhody: chránime údaje našich zákazníkov a získavame rýchlosť, pretože roboty môžu takto rýchlejšie vykonávať mnohé úlohy. Kolaboratívne roboty môžu napríklad podporovať zamestnancov výroby pri opakujúcich sa, náročných a únavných úlohách,“ hovorí Jan Seyler, Head of Advanced Develop. Analýza a riadenie od spoločnosti Festo.
„Spoločnosť DarwinAI teší, že môže pre projekt FLAIROP poskytnúť platformu Explainable (XAI) a spolupracovať s rešpektovanými kanadskými a nemeckými výskumnými organizáciami, ako aj s priemyselným partnerom Festo. Dúfame, že naša technológia XAI umožní v rámci tohto zaujímavého projektu vysokokvalitné procesy typu Human-in-the-Loop. Tento projekt okrem nového nasadenia Federated Learning predstavuje aj dôležitý aspekt našej ponuky. Keďže čerpáme z akademického výskumu, sme nadšení z tejto spolupráce a z priemyselných výhod nového nasadenia pre široké spektrum zákazníkov z oblasti výroby,“ vyjadril sa Sheldon Fernandez, generálny riaditeľ spoločnosti DarwinAI.
„University of Waterloo je nadšená zo spolupráce s Karlsruher Institut für Technologie a globálnym lídrom v oblasti priemyselnej automatizácie Festo, a chce do výroby priniesť ďalšiu generáciu dôveryhodnej umelej inteligencie,“ hovorí Dr. Alexander Wong, ktorý spolupracuje na riadení skupiny pre spracovanie obrazu Vision and Image Processing Research Group, University of Waterloo, a hlavný vedecký pracovník v DarwinAI.
„Využitím DarwinAIs Explainable AI (XAI) a Federated Learning dokážeme vytvárať riešenia AI, ktoré podporujú pracovníkov pri ich každodenných úlohách v továrenskej výrobe, s cieľom zvýšiť efektivitu, produktivitu a bezpečnosť.“