Wanneer systemen zelfstandig leren.....

Voordelen, voorwaarden, inspanning en kosten voor AI en ML

In samenwerking met onze Duitse collega Robotik and Production voerden we een Round Table gesprek met experts op het gebied van kunstmatige intelligentie en machine learning. Hierbij ging het om mogelijke en bestaande toepassingen, voordelen, toegevoegde waarde en de noodzakelijke voorwaarden, inspanning en kosten. Thomas Lantermann, Senior Consultant Digitalization bij Mitsubishi Electric Industrial Automation, Dr. Martin Bleider, Head of Consulting Services bij Hahn Digital, Alexander Trebing, Managing Director bij Cretec, en Michal Maly, mede-oprichter en directeur van AI bij Photoneo, namen deel aan het gesprek.

Redactie: In welke toepassingen en functies van robotica ziet u het grootste potentieel voor het gebruik van kunstmatige intelligentie en machine learning? Waar kunnen AI en ML vandaag de dag worden gebruikt?


Thomas Lantermann, Mitsubishi Electric:
Tijd is geld. Het motto geldt ook voor de installatie, programmering en het gebruik van robots in de productie. Vooral met betrekking tot het gebrek aan geschoold personeel in deze gebieden.  Wanneer AI in het spel komt, kan het ondersteuning bieden op al deze gebieden. Zo kan bijvoorbeeld de positionering van de robots in het systeem vooraf worden gesimuleerd en automatisch worden aangepast. Camerasystemen kunnen de veilige procesgang zelf overnemen. Programmeren kan de reisafstanden verbeteren op het gebied van snelheid en energie-efficiëntie. AI voorkomt automatisch botsingen bij het gebruik van meerdere robots. In de productie helpt het bij het permanent optimaliseren van zelfoptimalisatie en het verkorten van cyclustijden van toepassingen. Opties zoals voorspellend onderhoud direct in de robot voorkomen dure downtime en verhogen zo de kosteneffectiviteit.

  Lanterman

"AI is een investering, maar de ROI moet na slechts een paar maanden worden bereikt zijn. Op de lange termijn kan geen enkel bedrijf afzien van bepaling van de ROI." Thomas Lantermann, Mitsubishi Electric (Afbeelding: Mitsubishi Electric Europe B.V.)

Dr. Martin Bleider, Hahn Digital: De technologie is het meest effectief, waar patronen en classificaties kunnen worden geïdentificeerd. Deze omvatten bijvoorbeeld anomaliedetectie voor onderhoudswerkzaamheden tot voorspellend onderhoud en het verkorten van de inbedrijfstelling door het instellen van de best mogelijke procesparameters of op het gebied van robotprogrammering, waarbij met behulp van AI route optimalisaties zoals het vermijden van botsingen kunnen worden uitgevoerd. Daarnaast kunnen we AI-gebaseerde gesloten besturingscircuits gebruiken om de OEE van reeds volledig geautomatiseerde productieprocessen te verhogen. Behalve op het laatste punt vindt de implementatie al plaats op veel gebieden. Gesloten AI-gebaseerde besturingslussen zijn echter nog steeds de uitzondering.

Alexander Trebing, Cretec: Als een industriële robot vandaag wordt gekocht, moet de programmering zo eenvoudig mogelijk zijn, zodat de robot altijd nieuwe taken kan uitvoeren. De volgende stap voor industriële robots moet zijn om over te gaan naar de volgende fase van hun software. Wat is er makkelijker dan in plaats van programmeren, gewoon grafisch parameteriseren? De robot wordt handmatig met de hand getraind met eenvoudige instelling van “grip” poses zoals we het vandaag de dag nog aan een werknemer laten zien. Zodra de workflow correct is uitgevoerd en de robot zich bewust is van zijn omgeving, kan de robot vervolgens zelfstandig de volgorde van bewegingen testen en verbeteren. AI kan de robot zijn werk leren, en machine learning kan hem helpen dit werk op zichzelf te verbeteren.

treby

"Op dit moment is AI en machine learning nog steeds state of the science, niet state of the technology"  Alexander Trebing, Cretec (Afbeelding: Cretec GmbH)

Michal Maly, Photoneo: We zien nu al dat automatisering profiteert van de vooruitgang in convolutional neurale netwerken. We kunnen objecten van verschillende vormen vinden en in kaart brengen die niet overeenkomen met één geometrische beschrijving, maar behoren tot een algemene klasse die wordt gedefinieerd door voorbeelden. Hetzelfde geldt voor kwaliteitscontrole.

Redactie: Welke voordelen verwachten gebruikers van het gebruik van AI en machine learning? Waar is de grootste toegevoegde waarde?

Trebing, Cretec: Het grote voordeel is dat je met AI en ML vrijwel elke robot kan aansturen. We zullen niet langer beperkt beschikbare programmeurs nodig hebben maar eerder meer meedenkende werknemers. Die zich dan veel gemakkelijker op automatiseringsterreinen in kunnen werken en zonder al te veel voorkennis nieuwe taken voor robots kunnen definiëren en onderwijzen.­

Dr. Bleider, Hahn Digital: De grootste toegevoegde waarde ligt in het geautomatiseerd opdoen van kennis over de oorzaken van veranderingen of fouten in processen en de geautomatiseerde verbetering van deze afwijkingen. AI ondersteunt en automatiseert het werk van procesingenieurs die processen met veel handmatige inspanning stabiliseren en deze verbeteren in termen van kengetallen. Het samenspel van AI, data en expertise zal echter belangrijk blijven, omdat een procesexpert niet kan worden vervangen door AI.

Maly, Photoneo: Voor veel objecten is het onmogelijk om een exacte geometrische definitie van hun vorm of kwaliteit te definiëren. Een appel is bijvoorbeeld geen bol. Elke appel heeft een andere vorm en grootte. Ook kunnen we een verbrande taart zien, maar we kunnen er geen definitie voor schrijven. Dit is waar AI helpt. AI geeft tientallen voorbeelden en leert op basis van die voorbeelden daarvan.

Lantermann, Mitsubishi Electric: Het grootste voordeel is de verlaging van de programmeerkosten. Omdat het gebruik van AI en ML het ontwerp, de testprocedures en de daaruitvolgende aanpassing van systemen op voorhand mogelijk maakt. Nieuwe technologieën zoals Augmented Reality stellen de ontwerper in staat om een systeem live in de ontwikkelingsfase te ervaren en direct te verbeteren. ML maakt het mogelijk om continu de kwaliteit van de producten te controleren en indien nodig vroegtijdige waarschuwingen te geven. Op deze manier kunnen onderdelen die tijdens de productie als defect worden gedetecteerd, onmiddellijk uit het productieproces verwijderd worden waardoor dure herbewerkingen worden vermeden. Het gebruik van diverse analysemethoden in combinatie met AI kunnen de stabiliteit en robuustheid van de productie verhogen.

Redactie: Wat zijn de vereisten voor bedrijven om AI en machine learning te gebruiken? Hoeveel kost het starten met deze deze technologieën?

 Maly, Photoneo:
Natuurlijk, het proces is fijn afgesteld. Je moet bijvoorbeeld voldoende variaties te bieden en aandacht besteden aan uitersten. En testen in de pilot is natuurlijk ook nodig. Soms kan het moeilijk zijn om de gegevens te verzamelen: Als er een defect artikel of een product van lage kwaliteit optreedt per 1.000 artikelen, en u wilt bijvoorbeeld monsters verzamelen, moeten ze afkomstig zijn van 100.000 geproduceerde artikelen. Natuurlijk u items die u hebt verzameld als onderdeel van het kwaliteitsbeheerproces in het verleden opnieuw gebruiken als u ze hebt opgeslagen. Dit proces kost tijd om te verbeteren en te finetunen, net als de standaardbenadering van kwaliteitscontrole.

Maly

"ReinforcementLearning is veelbelovend als het gaat om complexe robotbewegingen." Michal Maly, Photoneo (Afbeelding: Photoneo s.r.o.)

Lantermann, Mitsubishi Electric: Het doel is om systemen te verbeteren en de kwaliteit van de productie op lange termijn te waarborgen. Een directe implementatie in de apparaten of ook door het ondersteunen van cloudapplicaties is hier denkbaar. Een andere optie is het bewerken van big data in de Edge-range. Hier kan de AI de Big Data Analytic direct op voorhand (locaal) maken. Wat duidelijk is, is dat AI natuurlijk een investering is, maar de ROI moet zich snel realiseren. In onze ervaring, meestal na slechts een paar maanden. En op de lange termijn kan hier geen enkel bedrijf omheen.

Dr. Bleider, Hahn Digital: Bedrijven moeten vooral realistisch het potentieel van de technologie beoordelen en een solide selectie van use cases uitvoeren. Voor de probleemstelling en de daaropvolgende implementatie is ofwel een intensieve interne kennisopbouw noodzakelijk of de selectie van de juiste partner. Met betrekking tot de kosten kan worden gezegd dat dit geen vraag is die een standaard antwoord kent. Dat is zeer afhankelijk van de de specifieke toepassing.

Trebing, Cretec: Wanneer we vandaag de dag een project implementeren op basis van AI, zijn de inspanningen en kosten helaas nog steeds hoog. Op dit moment zijn AI en ML nog steeds state of the science, niet state of the technology. De toepassingen bestaan en zijn oplosbaar, in sommige gevallen zelfs geïmplementeerd. Op dit moment hebben we echter nog steeds experts nodig om toezicht te houden op de uitvoering en om de producten van de toekomst eruit te ontwikkelen. Zodra dit is overgegaan ‘standards’ zal de inspanning minimaal zijn. De toegang tot deze wereld is vandaag al mogelijk zonder veel inspanning en kosten. Het proces kan stap voor stap worden gedaan en bovenal: het kan nu beginnen.

Redactie: Als je drie jaar in de toekomst zou kunnen kijken, hoe ver zijn AI en machine learning in de robotica praktijk al gevorderd?

Dr. Bleider, Hahn Digital:
Als het niet duidelijk is waarom een AI tot een bepaalde conclusie komt, dan is er geen vertrouwen in AI voor absoluut kritieke aspecten. Dit probleem bestaat voornamelijk uit het gebruik van neurale netwerken met meerdere lagen. Het is absoluut noodzakelijk om metatechnologieën te ontwikkelen en te leveren die de black box-benaderingen van AI-modellen transparanter maken en dus valideerbaar voor deskundige kennisdragers.

Bleider

"Het is absoluut noodzakelijk om meta-technologieën te ontwikkelen die de black box-benaderingen van AI-modellen transparanter maken." Dr. Martin Bleider, Hahn Digital (Afbeelding: Hahn Group GmbH)

Maly, Photoneo: Reinforcement Learning lijkt veelbelovend als het gaat om het voorstellen van complexe bewegingen, zodat de robot de positie van het object kan aanpassen voordat hij het vastlegt. Ik verwacht ook dat de robot een beter begrip van de wereld zal krijgen, althans in de praktijk. Andere gebieden van AI zijn ook in ontwikkeling, bijvoorbeeld de verwerking van natuurlijke taal. Dit kan het gemakkelijker maken om instructies te geven voor directe taken met eenvoudige uitvoering.­­

Trebing, Cretec: De dynamiek van digitalisering versnelt op alle gebieden. Dit betekent dat er meer rekenkracht beschikbaar is voor AI en machine deep learning, en tegelijkertijd groeit het bereik van eenvoudig te integreren AI-algoritmen. De hele omgeving van industriële robots en MRK-systemen met machine deep learning heeft de afgelopen drie jaar tal van nieuwe toepassingsgebieden geopend en veel industriële gebieden sterk beïnvloed. Over drie jaar, met de turbo-digitalisering, de Corona crisis en andere enorme digitale innovatie dynamiek, zullen flexibele applicatie-oplossingen ontstaan die momenteel niet worden bedacht om technologische en economische redenen.

Lantermann, Mitsubishi Electric: In het huidige tempo van AI innovatie, is drie jaar is een hele lange tijd. Het aantal beschikbare datasets uit de verschillende productie- en levensscenario's neemt toe. Dit zal de modellen waarop AI kan bouwen verbreden, zodat AI ons op meer gebieden van het dagelijks leven zal ondersteunen. Het veiligheidsaspect zal echter niet mogen worden onderschat. Want AI kan ons ook helpen onze gegevens, processen en robots te beschermen tegen cyberaanvallen.