Festo орієнтована на розумне виробництво майбутнього. Будучи лідером у сфері технологій та інновацій у промисловій автоматизації, ми прагнемо закріпити штучний інтелект (AI) як ключову технологію та основну компетенцію та використовувати її послідовно для рішень автоматизації наших клієнтів. Тому ми досліджуємо нові можливості та сфери застосування.
Штучний інтелект означає різноманітність методів і прийомів. Сюди входять такі методи, як глибоке навчання, навчання з підкріпленням або біоінспірований ШІ. Багато з цих методів не є новими, але збільшені обчислювальні потужності та модернізована інфраструктура дозволяють широко використовувати їх у промисловому виробництві. За допомогою ШІ ми можемо вирішувати проблеми, які раніше були нерозв’язними: наприклад, у розробці керування складними системами з сильною динамікою потоку часто неможливо працювати з методами, заснованими на моделях. Абстракції занадто неточні або математично занадто складні. Навчання з підкріпленням дозволить нам тренувати такі системи в майбутньому
Завдяки навчанню з підкріпленням машини можуть самостійно навчитися досягати поставленої мети або вирішити проблему. Велика перевага полягає в тому, що комп’ютер сам знаходить спосіб, який може значно відрізнятися від того, який знайде людина з досвідом. У багатьох випадках генеруються рішення, про які раніше не думали. Сфери застосування дуже різноманітні: від технологій керуваання та робототехніки до планування ланцюга постачань, навчання з підкріпленням відкриває величезний потенціал.
Глибоке навчання особливо підходить для індивідуальних навичок, якими робот повинен володіти дуже добре: наприклад, захоплення невідомих предметів, але завжди одним і тим самим захоплювальним пристроєм. Festo впроваджує алгоритми глибокого навчання в галузі технічного зору, а також для комбінації сенсорів для тактильних, акустичних та інфрачервоних давачів у робототехніці. До цих пір роботи часто мали в основі камеру і не могли продовжувати роботу, наприклад, у разі відсутності світла. Тактильні, акустичні та інфрачервоні давачі підвищують надійність роботів, а також дозволяють їм функціонувати у складніших умовах.
У сфері розподілених неоднорідних систем ми досліджуємо, чи можуть різні системи вчитися одна в одної: чи може, наприклад, система керування передати свої знання роботу. У цьому випадку знання означають не обмін даними, а те, що системи спілкуються одна з одною і обмінюються тому, чому вони навчилися, одна з одною. Якщо це можливо, цілі системи можуть самостійно оптимізуватися та ставати кращими, у міру встановлення більш інтелектуальних компонентів. Наприклад, якщо вісь шпинделя і циліндр великого розміру працюють один за одним, циліндр осі шпинделя повідомляє, що його слід висунути на більшій швидкості, а не з повним тиском. Разом вони економлять енергію і є більш ефективними.
Навчання у природи є важливим принципом для Festo, і не тільки в біоніці. Природа також може бути моделлю для алгоритмів. Нейронні мережі частково змодельовані за структурою людського мозку, але функціонування нейронних мереж ще ближче до роботи мозку людини. Вони можуть передавати й обробляти інформацію незалежно один від одного (а не лише шарами, як у нейронних мережах). Вони працюють більш енергоефективно та швидше, і тому можуть бути перспективним підходом для вбудованих систем з невеликою обчислювальною потужністю.
У рамках співпраці «Промисловість у кампусі» з Тюбінгенським університетом ми спільно досліджуємо, чи можуть нейронні мережі, що розвиваються, вирішувати більш складні чи навіть творчі завдання.
На додаток до іншої спільної дослідницької діяльності, Тюбінгенський університет і Festo працюють над узагальнюваністю та передавальністю алгоритмів. Важливо, що для кожної системи та кожного випадку використання не потрібно навчати окрему модель, щоб ми могли передавати алгоритми.