Festo, geleceğin akıllı üretimine yöneliyor. Endüstriyel otomasyonda teknoloji ve inovasyon lideri olarak rolümüzde, yapay zekayı (AI) temel bir teknoloji ve temel yetkinlik olarak kurmayı ve bunu müşterilerimizin otomasyon çözümleri için tutarlı bir şekilde kullanmayı amaçlıyoruz. Bu nedenle yeni olanaklar ve uygulama alanları araştırıyoruz.
Yapay zeka, çeşitli yöntem ve teknikleri ifade eder. Bu, derin öğrenme, pekiştirmeli öğrenme veya biyo-ilhamlı AI gibi yöntemleri içerir. Bu yöntemlerin çoğu yeni değildir, ancak artan bilgi işlem gücü ve modernize edilmiş bir altyapı, günümüzde endüstriyel üretimde yaygın olarak kullanılmalarını sağlar. AI ile daha önce çözülemeyen sorunların üstesinden gelebiliriz: Örneğin, güçlü akış dinamiklerine sahip karmaşık sistemlerin kontrol mühendisliğinde, model tabanlı yöntemlerle çalışmak çoğu zaman mümkün değildir. Soyutlamalar çok belirsiz veya matematiksel olarak çok karmaşık. Takviyeli öğrenme yoluyla, gelecekte bu tür sistemleri öğretebiliriz.
Takviyeli öğrenme ile makineler, belirli bir hedefe nasıl ulaşılacağını veya bir sorunun nasıl çözüleceğini bağımsız olarak öğrenebilir. En büyük avantajı, bilgisayarın kendi kendine bir yol bulması, bu da öğrenilmiş deneyime sahip bir kişinin alacağı yoldan tamamen farklı olabilir. Çoğu durumda bu, daha önce düşünülmemiş çözümler yaratır. Uygulama alanları geniştir: kontrol teknolojisinden robotik ve tedarik zinciri planlamasına kadar, pekiştirmeli öğrenme büyük bir potansiyel sunar.
Derin öğrenme, bir robotun çok iyi yapması gereken bireysel beceriler için özellikle uygundur: örneğin, bilinmeyen nesneleri kavrama, ancak her zaman aynı tutucuyla. Festo, derin öğrenme algoritmalarını görüş alanında ve aynı zamanda dokunsal, akustik ve kızılötesi sensörleri robot teknolojisine entegre etmek için aktarıyor. Çünkü şimdiye kadar robotlar genellikle kamera tabanlıydı ve örneğin bir ışık arızası durumunda artık çalışamıyorlardı. Dokunsal, akustik ve kızılötesi sensörler, robotları daha sağlam hale getirir ve zorlu koşullar altında bile çalışır.
Dağıtılmış homojen olmayan sistemler alanında, farklı sistemlerin birbirinden öğrenmesinin mümkün olup olmadığını araştırıyoruz: örneğin, bir taşıma sisteminin bilgisini bir robota aktarıp aktaramayacağı. Bu durumda bilgi, verilerin değiş tokuş edildiği anlamına gelmez, ancak sistemlerin birbirleriyle iletişim kurması ve öğrendiklerini birbirleriyle paylaşması anlamına gelir. Bu mümkünse, tüm sistemler kendilerini optimize edebilir ve daha akıllı bileşenler takıldığında daha iyi hale gelebilir. Örneğin, bir iş mili ekseni ve büyük boyutlu bir silindir arka arkaya çalışırsa, silindir iş mili eksenine tam basınç yerine daha yüksek bir hızda hareket etmesi gerektiğini bildirir. Birlikte enerji tasarrufu sağlarlar ve daha verimlidirler.
Doğadan öğrenmek Festo için önemli bir ilkedir ve sadece biyonikte değil. Doğa ayrıca algoritmalar için bir model olarak hizmet edebilir. Sinir ağlarının yapısı kısmen insan beynine dayanmaktadır, ancak darbeli sinir ağlarının işlevselliği insan beynine daha da yakındır. Bilgileri birbirinden bağımsız olarak iletebilir ve işleyebilirler (sinir ağlarında olduğu gibi sadece katmanlarda değil). Daha enerji verimli ve daha hızlı çalışırlar ve bu nedenle çok az bilgi işlem gücüne sahip gömülü sistemler için umut verici bir yaklaşım olabilir.
Tübingen Üniversitesi ile “Kampüste Endüstri” işbirliğinin bir parçası olarak, Spiking Neural Networks'ün daha karmaşık ve hatta yaratıcı görevleri çözüp çözemeyeceğini ortaklaşa araştırıyoruz.
Diğer ortak araştırma faaliyetlerine ek olarak, Tübingen Üniversitesi ve Festo, algoritmaların genelleştirilebilirliği ve aktarılabilirliği üzerinde çalışıyor. Algoritmaları aktarabilmemiz için her sistem ve her kullanım durumu için ayrı bir modelin eğitilmesi gerekmemesi önemlidir.