Від виробництва до складу та постачання — де б товари не вироблялися, сортувалися чи пакувалися, в цьому задіяна комплектація Роботи часто вихоплюють окремі товари з коробок і збирають їх заново. У проекті FLAIROP Festo проводить дослідження з партнерами з Німеччини та Канади, щоб зробити роботів-підбирачів більш розумними за допомогою розподілених методів штучного інтелекту. Вони досліджують, як можна використовувати навчальні дані з кількох станцій, заводів або компаній без розкриття конфіденційних даних компанії.
«Ми досліджуємо, як найрізноманітніші навчальні дані з різних місць можна використовувати для розробки більш надійних та ефективних рішень за допомогою алгоритмів штучного інтелекту, ніж з даними лише одного робота», — каже Джонатан Оберле з Інституту обробки матеріалів та Логістичні системи (IFL) в Технологічному інституті Карлсруе (KIT).
Далі вироби обробляються автономними роботами на кількох пунктах комплектування шляхом захоплення та переміщення. На різних станціях роботи навчаються за допомогою дуже різних предметів. Зрештою, вони зможуть забрати предмети з інших станцій, які вони раніше не бачили. «За допомогою підходу розподіленого навчання, ми керуємо балансом між різноманітністю даних і безпекою даних у промисловому середовищі», — говорить експерт.
Поки що розподілене навчання в основному використовувалося в медичній галузі для аналізу зображень, де захист даних пацієнтів, звичайно, є особливо важливим. Тому немає обміну навчальними даними, такими як зображення або точки захоплення для навчання штучної нейронної мережі. На центральний сервер передаються лише фрагменти збережених знань — локальні дані нейронної мережі, які показують, наскільки міцно один нейрон пов’язаний з іншим. Там дані з усіх станцій збираються та оптимізуються за різними критеріями. Покращена версія потім відтворюється на локальних станціях, і процес повторюється.
Мета — розробка нових, більш потужних алгоритмів для надійного використання штучного інтелекту для промисловості та логістики 4.0 відповідно до рекомендацій щодо захисту даних.
«У дослідницькому проекті FLAIROP ми розробляємо нові способи, за допомогою яких роботи можуть вчитися один у одного, не передаючи конфіденційні дані та комерційні таємниці. Це дає дві основні переваги: ми захищаємо дані наших клієнтів і отримуємо швидкість, тому що роботи можуть виконувати багато завдань швидше. "Наприклад, колаборативні роботи можуть підтримувати виробничих працівників у виконанні повторюваних, складних і виснажливих завдань", — говорить Ян Сейлер, керівник відділу Advanced Develop. Аналітика та контроль у Festo.
«DarwinAI із задоволенням надає нашу Explainable (XAI) платформу для проекту FLAIROP і співпрацює з такими поважними дослідницькими організаціями Канади та Німеччини, а також нашим промисловим партнером Festo. Ми сподіваємося, що наша технологія XAI забезпечить високоякісні процеси, пов’язані з людиною, для цього захоплюючого проекту, який є важливим аспектом нашого розвитку поряд з нашим новим підходом до розподіленого навчання. Завдяки нашій зацікавленості в академічних дослідженнях ми в захваті від цієї співпраці та промислових переваг нашого нового підходу до широкого кола виробничих клієнтів», — сказав Шелдон Фернандес, генеральний директор DarwinAI.
«Університет Ватерлоо в захваті від співпраці з Технологічним інститутом Карлсруе та світовим лідером у галузі промислової автоматизації, Festo, щоб запровадити наступне покоління надійного штучного інтелекту у виробництво», — говорить доктор. Олександр Вонг, співдиректор дослідницької групи зі зору та обробки зображень Університету Ватерлоо та головний науковий співробітник DarwinAI.
«Використовуючи Explainable AI (XAI) DarwinAI та Federated Learning, ми можемо створювати рішення AI, які підтримують фабричних працівників у їхніх щоденних виробничих завданнях, щоб підвищити ефективність, продуктивність та безпеку».