สาขาวิจัยด้านปัญญาประดิษฐ์

ปัญญาประดิษฐ์หมายถึงวิธีการและเทคนิคที่หลากหลาย ซึ่งรวมถึงวิธีการต่างๆ เช่น การเรียนรู้เชิงลึก การเรียนรู้แบบเสริมกำลัง หรือ AI จากระบบชีววิทยา (bio-inspired AI) วิธีการต่างๆ เหล่านี้ไม่ใช่วิธีการใหม่ แต่พลังการประมวลผลที่เพิ่มขึ้นและโครงสร้างพื้นฐานที่ทันสมัยทำให้ปัจจุบันสามารถใช้วิธีดังกล่าวได้อย่างแพร่หลายในการผลิตภาคอุตสาหกรรม ด้วย AI เราสามารถจัดการกับปัญหาที่ก่อนหน้านี้ไม่สามารถแก้ไขได้ ตัวอย่างเช่น ในเทคโนโลยีการควบคุมของระบบที่ซับซ้อนซึ่งมีไดนามิกการไหลที่แข็งแกร่งมักจะไม่สามารถทำงานได้ด้วยวิธีที่ใช้แบบจำลอง นามธรรมไม่ชัดเจนเกินไปหรือซับซ้อนเกินไปทางคณิตศาสตร์ การเรียนรู้แบบเสริมกำลังจะทำให้เราสามารถรับรู้และกำหนดค่าระบบดังกล่าวได้ในอนาคต

การเรียนรู้แบบเสริมกำลัง

ด้วยการเรียนรู้แบบเสริมกำลัง เครื่องจักรจะสามารถเรียนรู้วิธีการบรรลุเป้าหมายที่กำหนดหรือแก้ปัญหาได้อย่างอิสระ ข้อได้เปรียบที่ยอดเยี่ยมคือคอมพิวเตอร์พบวิธีที่อาจแตกต่างไปจากที่มนุษย์ผู้มีประสบการณ์ที่เรียนรู้จะได้รับ ในหลายกรณี มีการสร้างวิธีแก้ปัญหาที่เราไม่เคยคิดมาก่อน การใช้งานมีขอบเขตกว้าง: ตั้งแต่เทคโนโลยีการควบคุม วิทยาการหุ่นยนต์ ไปจนถึงการวางแผนห่วงโซ่อุปทาน การเรียนรู้แบบเสริมกำลังเปิดโอกาสศักยภาพมหาศาล

การเรียนรู้เชิงลึก

การเรียนรู้เชิงลึกเหมาะอย่างยิ่งสำหรับทักษะเฉพาะที่หุ่นยนต์ต้องสามารถจัดการได้ เช่น การจับวัตถุที่ไม่รู้จัก แต่ต้องใช้กริปเปอร์ตัวเดิมเสมอ Festo ถ่ายโอนอัลกอริทึมการเรียนรู้เชิงลึกในด้านการมองเห็น และยังรวมถึงการรวมกันของเซ็นเซอร์สำหรับระบบสั่น ระบบเสียง และอินฟราเรดในวิทยาการหุ่นยนต์ เนื่องจากจนถึงปัจจุบันนี้หุ่นยนต์มักใช้กล้องเป็นหลักและไม่สามารถทำงานต่อได้หากเกิดไฟดับ เป็นต้น เซ็นเซอร์แบบแจ้งเตือนด้วยการสั่น เสียง และอินฟราเรดทำให้หุ่นยนต์มีความทนทานขึ้นและทำงานภายใต้สภาวะที่ยากลำบากยิ่งขึ้น

ระบบที่ไม่เป็นเนื้อเดียวกันแบบกระจาย

ในส่วนของระบบที่ไม่เป็นเนื้อเดียวกันแบบกระจาย เรากำลังตรวจสอบว่าเป็นไปได้หรือไม่ที่ระบบต่างๆ จะเรียนรู้จากกันและกัน เช่น ระบบการจัดการสามารถถ่ายทอดความรู้ไปยังหุ่นยนต์ได้หรือไม่ ในกรณีนี้ ความรู้ไม่ได้หมายความว่ามีการแลกเปลี่ยนข้อมูล แต่เป็นการที่ระบบสื่อสารกันและแบ่งปันความรู้ที่ได้เรียนรู้ซึ่งกันและกัน หากเป็นไปได้ ทั้งระบบจะสามารถปรับตัวเองให้เหมาะสมและดีขึ้นเมื่อติดตั้งส่วนประกอบอัจฉริยะยิ่งขึ้น ตัวอย่างเช่น หากเพลาแกนหมุนและกระบอกสูบขนาดใหญ่ทำงานตามลำดับต่อกัน กระบอกสูบของเพลาแกนหมุนจะรายงานว่าควรขยายออกด้วยความเร็วสูงกว่าแทนที่จะใช้แรงกดเต็มที่ โดยจะช่วยกันประหยัดพลังงานและมีประสิทธิภาพมากขึ้น

AI จากระบบชีววิทยา

การเรียนรู้จากธรรมชาติเป็นหลักการที่สำคัญสำหรับ Festo ไม่ใช่แค่ในไบโอนิคเท่านั้น ธรรมชาติยังสามารถเป็นแบบอย่างสำหรับอัลกอริทึมได้ โครงข่ายประสาทเทียมถูกจำลองตามโครงสร้างของสมองมนุษย์บางส่วน แต่การทำงานของโครงข่ายประสาทเทียมแบบยิงกระตุ้น (Spiking Neural Network) นั้นใกล้เคียงกับการทำงานของสมองมนุษย์มากกว่า โดยสามารถส่งและประมวลผลข้อมูลโดยอิสระจากกัน (และไม่ใช่แค่ในชั้นเช่นเดียวกับโครงข่ายประสาทเทียม) ซึ่งทำงานอย่างมีประสิทธิภาพการใช้พลังงานและเร็วขึ้น ดังนั้นจึงอาจเป็นแนวทางที่มีแนวโน้มสำหรับระบบฝังตัวที่มีกำลังประมวลผลเพียงเล็กน้อย

ในฐานะที่เป็นส่วนหนึ่งของความร่วมมือ “Industry on Campus” กับ University of Tübingen เราร่วมกันตรวจสอบว่าโครงข่ายประสาทเทียมแบบยิงกระตุ้นสามารถแก้ปัญหาที่ซับซ้อนหรือกระทั่งงานสร้างสรรค์ได้หรือไม่

ความสามารถทั่วไปและความสามารถในการถ่ายโอน

นอกเหนือจากกิจกรรมการวิจัยร่วมกันอื่น ๆ แล้ว University of Tübingen และ Festo ทำงานเกี่ยวกับความสามารถทั่วไปและความสามารถในการถ่ายโอนของอัลกอริทึม สิ่งสำคัญคือไม่จำเป็นต้องฝึกโมเดลแยกต่างหากสำหรับแต่ละระบบและขอบเขตการใช้งานเพื่อให้เราสามารถถ่ายโอนอัลกอริทึมได้