การผลิต การจัดเก็บ การขนส่ง สถานที่ที่ผลิต จัดเรียง หรือบรรจุสินค้าจะถูกทดสอบการทำงานทั้งระบบด้วยเช่นกัน ในขั้นตอนนี้ หุ่นยนต์มักจะนำสินค้าแต่ละชิ้นออกจากกล่องและจััดประกอบเป็นกลุ่มใหม่ ในโครงการ FLAIROP Festo ทำการวิจัยเกี่ยวกับหุ่นยนต์ทดสอบการทำงานทั้งระบบด้วยวิธี AI แบบกระจายร่วมกับพันธมิตรจากเยอรมนีและแคนาดา โดยทำการค้นคว้าวิธีการใช้ข้อมูลการฝึกอบรมจากหลายสถานี โรงงาน หรือบริษัท โดยไม่ต้องเปิดเผยข้อมูลสำคัญของบริษัท
“เราค้นคว้าวิธีการใช้ข้อมูลการฝึกอบรมที่หลากหลายจากสถานที่ต่างๆ เพื่อพัฒนาโซลูชันที่มีประสิทธิภาพและแข็งแกร่งยิ่งขึ้นโดยใช้อัลกอริทึมของปัญญาประดิษฐ์มากกว่าข้อมูลจากหุ่นยนต์เพียงตัวเดียว” Jonathan Auberle จาก Institute for Materials Handling and Logistics (IFL) ที่ Karlsruhe Institute of Technology (KIT) กล่าว
โดยรายการจะได้รับการประมวลผลเพิ่มเติมที่สถานีทดสอบการทำงานทั้งระบบหลายแห่งด้วยหุ่นยนต์ที่ทำงานได้อิสระโดยการจับและเคลื่อนย้าย หุ่นยนต์จะได้รับการฝึกด้วยรายการต่างๆ ที่สถานีต่างๆ ท้ายที่สุด หุ่นยนต์กลุ่มนี้จะสามารถไปรับสิ่งของจากสถานีอื่นที่ไม่เคยเห็นมาก่อนได้ “ด้วยแนวทางการเรียนรู้แบบกระจายหรือที่เรียกว่า Federated Learning เราจัดการสมดุลระหว่างความหลากหลายของข้อมูลและความปลอดภัยของข้อมูลในสภาพแวดล้อมทางอุตสาหกรรม” ผู้เชี่ยวชาญกล่าว
จนถึงปัจจุบัน Federated Learning ได้ถูกนำมาใช้เป็นหลักในส่วนการแพทย์สำหรับการวิเคราะห์ภาพ ซึ่งแน่นอนว่าการปกป้องข้อมูลผู้ป่วยมีความสำคัญเป็นพิเศษ ดังนั้นจึงไม่มีการแลกเปลี่ยนข้อมูลการฝึกอบรม เช่น ภาพหรือจุดจับ สำหรับการฝึกอบรมโครงข่ายประสาทเทียม มีเพียงบางส่วนของความรู้ที่เก็บไว้จะถูกถ่ายโอนไปยังเซิร์ฟเวอร์กลาง ซึ่งน้ำหนักท้องถิ่นของโครงข่ายประสาทเทียมที่บอกว่าเซลล์ประสาทหนึ่งเชื่อมต่อกับอีกเซลล์หนึ่งแน่นแค่ไหน มีการเก็บรวบรวมน้ำหนักจากสถานีทั้งหมดและปรับให้เหมาะสมโดยใช้เกณฑ์ต่างๆ จากนั้นเวอร์ชันที่ปรับปรุงแล้วจะเล่นกลับไปที่สถานีในท้องที่และกระบวนการจะทำซ้ำเอง
เป้าหมายคือการพัฒนาอัลกอริทึมใหม่ที่ทรงประสิทธิภาพมากขึ้นสำหรับการใช้ปัญญาประดิษฐ์อย่างมีประสิทธิภาพสำหรับอุตสาหกรรมและลอจิสติกส์ 4.0 โดยสอดคล้องกับข้อกำหนดการคุ้มครองข้อมูล
“ในโครงการวิจัย FLAIROP เราพัฒนาวิธีการใหม่ๆ ที่หุ่นยนต์สามารถเรียนรู้จากกันและกันโดยไม่ต้องเปิดเผยข้อมูลที่ละเอียดอ่อนและความลับทางการค้า โดยนำมาซึ่งข้อดีหลักสองประการ: เราปกป้องข้อมูลของลูกค้าและได้รับความเร็วเนื่องจากหุ่นยนต์สามารถทำงานหลายอย่างได้เร็วกว่าด้วยวิธีดังกล่าว ตัวอย่างเช่น หุ่นยนต์ที่ทำงานร่วมกันสามารถสนับสนุนพนักงานฝ่ายผลิตด้วยงานที่ซ้ำซาก ยุ่งยาก และน่าเบื่อหน่าย” Jan Seyler หัวหน้าฝ่ายพัฒนาขั้นสูงกล่าว การวิเคราะห์และการควบคุของ Festo
“DarwinAI มีความยินดีเป็นอย่างยิ่งที่สามารถทำให้แพลตฟอร์ม Explainable (XAI) ของเราสำหรับโครงการ FLAIROP พร้อมใช้งานและยินดีที่ได้ร่วมมือกับองค์กรวิจัยของแคนาดาและเยอรมันที่ได้รับความเชื่อถือ ตลอดจน Festo พันธมิตรทางอุตสาหกรรมของเรา เราหวังว่าเทคโนโลยี XAI ของเราจะเปิดใช้งานกระบวนการ Human-in-the-loop คุณภาพสูงสำหรับโครงการที่น่าตื่นเต้นนี้ ซึ่งแสดงถึงแง่มุมที่สำคัญของข้อเสนอของเราควบคู่ไปกับแนวทางใหม่ของ Federated Learning ด้วยรากฐานของเราในการวิจัยเชิงวิชาการ เรารู้สึกตื่นเต้นเกี่ยวกับความร่วมมือนี้และผลประโยชน์ทางอุตสาหกรรมของแนวทางใหม่ของเราที่มีต่อลูกค้ากลุ่มการผลิตที่หลากหลาย” Sheldon Fernandez ซีอีโอของ DarwinAI กล่าว
“มหาวิทยาลัยวอเตอร์ลูรู้สึกตื่นเต้นที่จะได้ร่วมมือกับ Karlsruhe Institute of Technology และบริษัทชั้นนำระดับโลกด้านระบบอัตโนมัติในอุตสาหกรรมอย่าง Festo เพื่อนำปัญญาประดิษฐ์รุ่นต่อไปที่เชื่อถือได้มาสู่การผลิต” Dr. Alexander Wong ผู้อำนวยการร่วมของ Vision and Image Processing Research Group ที่มหาวิทยาลัยวอเตอร์ลูและหัวหน้านักวิทยาศาสตร์ที่ DarwinAI
“การใช้งาน Descriptable AI (XAI) ของ DarwinAI และ Federated Learning ทำให้เราสามารถสร้างโซลูชัน AI ที่สนับสนุนผู้ปฏิบัติงานในโรงงานในการผลิตประจำวันเพื่อเพิ่มประสิทธิภาพ ประสิทธิผล และความปลอดภัย”