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.