#Определения искусственного интеллекта (ИИ) сильно различаются в производстве в области промышленной автоматизации и в повседневной жизни за пределами лаборатории.
«Искусственный интеллект» — это наука, охватывающая несколько различных технических и инженерных дисциплин, включая машинное зрение, компьютерное зрение, машинное обучение и глубокое обучение. Если система, основанная на таком сочетании технологий, спроектирована правильно (от анализа приложения до окончательной проверки), она может принести огромную пользу предприятию.
Джон Маккарти, профессор информатики в Стэнфордском университете, известен как «отец искусственного интеллекта». Искусственный интеллект можно определить как «науку и технику создания интеллектуальных машин, особенно интеллектуальных компьютерных программ». Речь идет об использовании компьютеров для решения аналогичных задач у людей, но искусственный интеллект не обязательно должен ограничиваться биологически воспринимаемыми методами.
В этом случае искусственный интеллект может предоставить производителям в различных отраслях ценный инструмент для автоматизированного контроля систем машинного зрения. В рамках искусственного интеллекта есть подмножества машинного обучения и глубокого обучения. Машинное обучение использует методы, с помощью которых машины могут «учиться» совершенствоваться в выполнении различных задач. Одним из таких методов является глубокое обучение, которое использует искусственные нейронные сети, такие как сверточные нейронные сети, для моделирования процесса обучения человеческого мозга.
Глубокое обучение, разновидность машинного обучения, и машинное обучение стали популярными в области промышленной автоматизации благодаря своей способности «обучаться» на основе непрерывного анализа моделей с течением времени. Процесс глубокого обучения начинается с данных. Например, чтобы помочь машинному зрению обнаружить дефекты продукта, производители создают предварительный набор данных, загружая изображения, описывающие дефекты или особенности, которые необходимо обнаружить, вместе с «хорошими» изображениями. Глубокое обучение происходит путем совместной маркировки предварительного набора данных, обучения модели и проверки результатов с использованием тестовых изображений исходного набора данных, тестирования производительности в рабочей среде и переобучения для охвата новых случаев или функций.
При учете всех факторов и выполнении соответствующих шагов программное обеспечение становится полезным при внедрении инструментов глубокого обучения в новые или существующие автоматизированные системы контроля, включая обнаружение дефектов, классификацию элементов и проверку сборки. В частности, это программное обеспечение представляет ценность во многих приложениях, таких как обнаружение дефектов, классификация функций и проверка достоверности. Технология искусственного интеллекта может помочь в принятии субъективных решений по проверке, которые в противном случае потребовали бы проверки вручную. Технология искусственного интеллекта может помочь выявить сценарии, которые имеют высокий уровень сложности или изменчивости, что затрудняет выявление конкретных особенностей.
Применение искусственного интеллекта в приложениях не приносит пользы каждому приложению и не является независимой технологией. Скорее, технология искусственного интеллекта представляет собой мощный инструмент в наборе инструментов автоматизированного контроля, который можно использовать в нескольких различных отраслях, предоставляя производителям множество вариантов при выборе решения. Они могут кодировать решения самостоятельно, используя такие платформы, как PyTorch или TensorFlow, приобретать готовые решения или выбирать продукты или системы с поддержкой искусственного интеллекта для конкретных приложений.
На рынке существует несколько готовых решений искусственного интеллекта, которые позволяют конечным пользователям создавать свои собственные модели без привязки к конкретному приложению. Например, платформа контроля качества Elementary предлагает то, что компания называет «полноценной системой технического зрения» с головками визуализации и программным обеспечением машинного обучения с расширенной аналитикой, предназначенной для выявления проблем, постоянного улучшения и открытия новых возможностей для различных производственных процессов. Система сочетает в себе традиционные инструменты машинного зрения, такие как считывание штрих-кодов и оптическое распознавание символов, с возможностями машинного обучения, добавляющими в систему возможности внешнего контроля. В целом система предоставляет дополнительные возможности обнаружения.
Майк Бручански сказал: «Искусственный интеллект — это не волшебство, он не может делать все, но он может добавить новые мощные возможности к автоматизированным системам обнаружения. Обнаружение аномалий — например, обнаружение явного комка в зерне — — является ярким примером инструмента машинного зрения, который может работать в сочетании с системами машинного зрения для контроля качества». Брушански сказал, что общие приложения для проверки систем элементарного зрения включают потребительские упакованные товары (включая этикетки, колпачки и аксессуары), медицинские изделия. устройства, автомобильные детали и агрегаты, а также продукты питания и напитки (часто с использованием уникальных версий для проверки сборки).
Он сказал: «Например, при проверке расфасованных сэндвичей на завтрак было бы сложно построить шаблон, который позволил бы программному обеспечению понять, находится ли сыр не в том месте или его вообще нет, Наша платформа обеспечивает аналогичный подход при проверке сборки медицинского оборудования, а также выполняет ряд автомобильных проверок: от идентификации нормативных этикеток до проверки сварных швов на наличие вмятин, пустоты или трещины».
近年、特定のタスクの合理化と簡素化を目的として、アプリケーションに特化した人工知能製品が数多く登場しています。場合によっては、システム全体を数時間以内に稼働させる必要がある場合もあります。 Rapid Robotics の Rapid Machine Operator (RMO) は、そのようなシステムの代表的な例です。各 RMO は一般的な機械オペレーターのタスクを処理できるように設計されており、6 軸ロボット アーム、3D 深度センサー、グリッパー、エッジ コンピューティングおよび人工知能処理用のコントロール ボックスが含まれています。同社によれば、rmoには事前トレーニングされた人工知能アルゴリズムが搭載されているという。
RapidRobotics の製品担当副社長、Juan Aparicio 氏は次のように述べています。「各 RMO は、顧客固有の生産要件を満たすように設計されています。これらのモジュール式ワークセルにより、メーカーは迅速、コスト効率よく、低リスクで自動化を拡張できます。」 」
アパリシオ氏は、人工知能の進歩により、ロボット自動化の導入がこれまでよりも簡単かつ効率的になっていると述べました。
「私たちの分野において、AI の最も重要な価値提案の 1 つは、自動化に向けた人材の多様性です。よく言われるのは、自動化が米国の製造業に浸透しているということです。私たちの仕事を通じて、これが確かに重要であることがわかりました。 「研究者を驚かせたことに、仕事の未来に関する最近の MIT の報告書では、中小規模の製造業者にはロボットがほとんど存在していないことが判明しました。」
## 彼は付け加えました。 #Aparicio 氏は、品質検査、自律移動ロボット、組み立て、ジェネレーティブ デザインなど、AI ベースのロボット導入の機会は数多くあると述べました。 ロボット工学の分野では、Photoneo は自動化ソリューションに人工知能手法を使用して、混合タイプのアイテムを識別、選択、分類しています。同社は、大規模なオブジェクト データセットでトレーニングされた CNN を使用して、さまざまな形状、サイズ、色、素材のアイテムを識別します。ソフトウェアは、これまでに見たことのないオブジェクトに遭遇した場合、以前に遭遇した、または訓練された類似のオブジェクトに基づいてオブジェクトを識別し、分類できます。さらに、顧客がモデルのパフォーマンス低下の原因となる可能性のある異常やカスタマイズ項目を特定する必要がある場合、ソフトウェアを特定のデータセットでトレーニングすることができます。 Photoneo PR スペシャリストの Andrea Pufflerova 氏は、「顧客は、さまざまな形、サイズ、色、素材のアイテムを識別、ピッキング、仕分けできるロボットアイテムピッキングシステムを必要とすることがよくあります。」と述べました。人工知能をそのようなソリューションに統合することで、顧客は、果物や魚などの有機製品を含む混合オブジェクトタイプをローカライズして処理できます。さらに、「これには、柔軟性があり、変形しやすく、しわや凹凸が多いバッグなど、識別が困難な品物も含まれる可能性があります。 包括的なカスタム ソリューション自社の業務に AI ソフトウェアの導入を検討している企業は、さらに一歩進んで、Prolucid のような企業にデータ収集とラベル付けのサポートを含むカスタム機械学習モデルを構築および統合させることができます。 Prolucid CEO の Darcy Bachert 氏は次のように説明しています。原子力や医療を含む製造業の顧客。 「私たちの典型的なアプローチは、コンピュータ ビジョンやその他の既存のツールを使用して、可能な限り簡単な方法で問題を解決することです。これらが適切ではないアプリケーションに遭遇した場合、AI を選択肢として検討し、異常検出や機能分類などの特定のユースケースに適合する既製のモデルを探すことから始めます。 Bachert 氏は、関連するユースケース向けに設計された事前トレーニング済みモデルを備えた TensorFlow などのオープンソース プラットフォームや Python エコシステム全体が、製造業やその他のアプリケーションにおける人工知能の導入に大きなプラスの影響を与えていると指摘しました。 彼は次のように説明しました。「モデルをゼロから開発するのは非常に時間がかかり、製造業の顧客にとっては現実的ではないことがよくあります。 「ただし、事前トレーニングされたバージョンを利用できれば、初期投資が大幅に簡素化されます。」製造における人工知能の将来を見据えて製造における人工知能の将来自動化には、高度な分析を使用して欠陥の傾向を早期に特定し、最終的に欠陥の発生を防ぐことが含まれる場合があります。たとえば、機械学習を使用すると、企業が 1 日の特定の時間帯に欠陥を増やす時期や、プリンターのインクが少なくなって日付コード ラベルが薄れ始める時期を特定できます。 Bruchanski 氏によると、この技術はプロセスの異常を特定し、システムまたはオペレーターにコマンドを送信して調整を行うという。 同氏は次のように述べています。「将来的には、機械学習は欠陥を検出し、エラーの根本にある傾向を特定し、このデータを製造業者に提供することでプロセスの最適化に役立ち、最終的には欠陥のない環境をさらに達成するのに役立ちます。」 " Pufflerova 氏は、モデルベースのアプローチと AI 駆動型のアプローチを組み合わせたハイブリッド AI モデルの開発は、産業用途の可能性も提供すると考えています。 彼女はこう言いました。「今日では、限られた例のセットで適切に動作するようにシステムをトレーニングするだけでは十分ではないかもしれません。また、その内部表現を理解する必要もあります。従来のブラックボックス機械学習や深層学習では、これに比べて、ハイブリッド人工知能モデルは、より速く、よりシンプルな学習を提供し、より優れた解釈性を提供します。」對於Aparicio來說，談論機器人自動化就很難不談論未來的勞動力。
他說:「就人工智慧和自動化使人類角色過時而言，機器人創新將帶來變化，但最終將為人類帶來更多機會。」「例如，機器人的部署總是需要工程師的參與，因為他們需要協調各種整合流程，混合硬體和軟體，並設計一個可靠的系統。」
隨著軟體成為機器人培訓和支援的主要工具，這些角色可能會更多地融入IT。考慮到這些技術的發展速度，企業可能會決定與垂直整合的解決方案提供者合作，讓他們更專注於發展業務，而供應商則管理機器人車隊。 Bachert解釋說，在這種情況下，機器人勞動力將從分散式團隊轉變為集中式方法，使機器人即服務公司能夠利用規模經濟和集中培訓。
當談到如何克服阻礙人工智慧快速應用的障礙時，巴切特總結道，人工智慧只是另一個可以用於工業自動化的工具。然而，他警告說，「隨著開源社群的持續發展，越來越多的預訓練模型可用，這些技術進入現實應用的門檻會降低。這種採用需要最終客戶在他們的團隊中投資培訓，因為人工智慧具有非常獨特的挑戰，而這些挑戰並不總是存在於簡單的電腦視覺或檢測應用程式中。
以上是如何為製造業和自動化應用選擇現人工智慧技術的詳細內容。更多資訊請關注PHP中文網其他相關文章！
