Üretim, depolama, sevkiyat malların üretildiği, sıralandığı veya paketlendiği her yerde onlar da toplanır. Robotlar genellikle tek tek ürünleri kutulardan alır ve yeniden birleştirir. Festo, dağıtılmış yapay zeka yöntemleriyle toplama robotlarını daha akıllı hale getirmek için Almanya ve Kanada'dan ortaklarla birlikte FLAIROP projesinde araştırma yapıyor. Hassas şirket verilerini ifşa etmek zorunda kalmadan çeşitli istasyonlardan, fabrikalardan veya şirketlerden gelen eğitim verilerinin nasıl kullanılabileceğini araştırırlar.
Institute for Materials Handling'den Jonathan Auberle, "Yapay zeka algoritmalarının yardımıyla, tek bir robottan elde edilen verilerden daha sağlam ve verimli çözümler geliştirmek için birden fazla konumdan mümkün olduğunca çok yönlü eğitim verilerinin nasıl kullanılabileceğini araştırıyoruz" diyor. Karlsruhe Teknoloji Enstitüsü'nde (KIT) Lojistik Sistemler (IFL).
Çeşitli toplama istasyonlarında ürünler, kavrama ve aktarma yoluyla otonom robotlar tarafından daha fazla işlenir. Çeşitli istasyonlarda robotlar çok farklı öğelerle eğitiliyor. Günün sonunda, henüz tanımadıkları diğer istasyonlardan makalelere erişebilmeliler. Uzman, "Federal öğrenme olarak da bilinen dağıtılmış öğrenme yaklaşımıyla, endüstriyel ortamda veri çeşitliliği ve veri güvenliği arasındaki dengeleme eylemini yönetiyoruz" diyor.
Şimdiye kadar, birleşik öğrenme esas olarak, hasta verilerinin korunmasının elbette özellikle önemli olduğu görüntü analizi için tıp sektöründe kullanılmıştır. Bu nedenle, yapay sinir ağını eğitmek için görüntüler veya kavrama noktaları gibi eğitim verilerinin değişimi yoktur. Depolanan bilginin yalnızca bir kısmı bir nöronun diğerine ne kadar güçlü bağlı olduğunu söyleyen sinir ağının yerel ağırlıkları merkezi bir sunucuya iletilir. Orada tüm istasyonlardan gelen ağırlıklar toplanır ve çeşitli kriterler yardımıyla optimize edilir. Geliştirilmiş sürüm daha sonra yerel istasyonlarda oynatılır ve işlem tekrarlanır.
Amaç, veri koruma yönergelerine uygun olarak Endüstri ve Lojistik 4.0 için yapay zekanın sağlam kullanımı için yeni, daha güçlü algoritmalar geliştirmektir.
"FLAIROP araştırma projesinde, robotların hassas verileri ve şirket sırlarını paylaşmadan birbirlerinden öğrenebilecekleri yeni yollar geliştiriyoruz. Bunun iki büyük avantajı var: Müşterilerimizin verilerini koruyoruz ve robotlar bu şekilde birçok görevi daha hızlı üstlenebildiği için hız kazanıyoruz. Örneğin, işbirlikçi robotlar, üretim çalışanlarını tekrarlayan, zor ve yorucu görevlerle destekleyebilir ”diyor Gelişmiş Geliştirme Başkanı Jan Seyler. Festo'da analiz ve kontrol.
"DarwinAI, FLAIROP projesi için açıklanabilir (XAI) platformumuzu kullanıma sunmaktan ve son derece saygın Kanada ve Alman araştırma kuruluşlarının yanı sıra endüstriyel ortağımız Festo ile işbirliği yapmaktan memnuniyet duymaktadır. XAI teknolojimizin, yeni birleşik öğrenim yaklaşımımıza ek olarak, teklifimizin önemli bir yönünü temsil eden bu heyecan verici proje için yüksek kaliteli döngüdeki insan süreçlerini mümkün kılacağını umuyoruz. Akademik araştırmalara dayanan köklerimizle, bu işbirliğinden ve çok çeşitli imalatçı müşterilere yönelik yeni yaklaşımımızın endüstriyel avantajlarından heyecan duyuyoruz ”diyor DarwinAI CEO'su Sheldon Fernandez.
"Waterloo Üniversitesi, yeni nesil güvenilir yapay zekayı üretime sokmak için Karlsruhe Teknoloji Enstitüsü ve endüstriyel otomasyonda küresel bir lider olan Festo ile birlikte çalışmaktan heyecan duyuyor" diyor Dr. Waterloo Üniversitesi Vizyon ve Görüntü İşleme Araştırma Grubu Eş-Direktörü ve DarwinAI Baş Bilim İnsanı Alexander Wong.
"DarwinAIs Açıklanabilir AI (XAI) ve Federated Learning'i kullanarak verimliliği, üretkenliği ve güvenliği artırmak için fabrika çalışanlarını günlük üretim görevlerinde destekleyen AI çözümleri oluşturabiliriz."