Yapay zeka destekli endüstriyel meta veri tabanında robotları eğitmek

Örneğin Siemens’in SIMATIC Robot Seçim AI Bu uyarlanabilirlik vizyonunu genişleterek, bir zamanlar katı ve tekrarlayan görevlerle sınırlı olan standart endüstriyel robotları karmaşık makinelere dönüştürüyor. Sentetik veriler (şekillerin, malzemelerin ve ortamların sanal simülasyonları) konusunda eğitilmiş olan yapay zeka, robotları kaotik kutulardan bilinmeyen öğeleri toplamak gibi öngörülemeyen görevleri %98’in üzerinde doğrulukla yerine getirmeye hazırlıyor. Hatalar meydana geldiğinde sistem öğrenir ve gerçek dünyadan geri bildirimler yoluyla iyileşir. En önemlisi, bu sadece tek robotlu bir çözüm değil. Yazılım güncellemeleri tüm filoya ölçeklenerek robotları daha esnek çalışacak şekilde yükseltir ve uyarlanabilir üretime yönelik artan talebi karşılar.

Bir başka örnek ise robotik firması ANYbotics’tir. endüstriyel ortamların 3 boyutlu modellerini oluşturur gerçek ortamların dijital ikizleri olarak işlev görür. Sıcaklık, basınç ve akış hızları gibi operasyonel veriler, robotların eğitim verebileceği fiziksel tesislerin sanal kopyalarını oluşturmak için entegre ediliyor. Örneğin bir enerji tesisi, tesislerinde robotların gerçekleştirmesi gereken denetim görevlerinin simülasyonlarını oluşturmak için saha planlarını kullanabilir. Bu, robotların eğitimini ve dağıtımını hızlandırarak minimum saha kurulumuyla başarılı bir şekilde performans göstermelerine olanak tanır.

Simülasyon aynı zamanda eğitim amaçlı robotların neredeyse maliyetsiz şekilde çoğaltılmasına da olanak tanır. “Simülasyonda, görevlerin alıştırmasını yapmak ve davranışlarını optimize etmek için binlerce sanal robot oluşturabiliriz. Bu, eğitim süresini hızlandırmamıza ve robotlar arasında bilgi paylaşmamıza olanak tanıyor” diyor ANYbotics’in CEO’su ve kurucu ortağı Péter Fankhauser.

Çünkü robotların yönelim veya ışıklandırmadan bağımsız olarak çevrelerini anlaması gerekiyor. ANYbotics ve ortağı Digica robot eğitimi için binlerce sentetik görüntü üretme yöntemi yarattı. Üretim alanından çok sayıda gerçek görüntü toplamaya yönelik zahmetli çalışmanın ortadan kaldırılmasıyla, robotlara bilmeleri gerekenleri öğretmek için gereken süre büyük ölçüde azaldı.

Benzer şekilde Siemens, yapay zeka modellerini fiziksel ürünlere dağıtılmadan önce dijital olarak eğitmek ve doğrulamak amacıyla simüle edilmiş ortamlar oluşturmak için sentetik verilerden yararlanıyor. Siemens proje lideri Vincenzo De Paola, “Sentetik verileri kullanarak, yapay zekanın farklı koşullara iyi uyum sağlamasını sağlamak için nesne yöneliminde, aydınlatmada ve diğer faktörlerde farklılıklar yaratıyoruz” diyor. “Parçaların yöneliminden ışık koşullarına ve gölgelere kadar her şeyi simüle ediyoruz. Bu, modelin çeşitli senaryolar altında eğitim almasına olanak tanıyarak gerçek dünyaya uyum sağlama ve doğru yanıt verme yeteneğini geliştiriyor.”

Dijital ikizler ve sentetik veriler, veri kıtlığına ve maliyetli robot eğitimine karşı güçlü panzehirler olarak kanıtlanmıştır. Yapay ortamlarda eğitim alan robotlar, gerçek dünyada karşılaşabilecekleri çok çeşitli görsel olasılıklara ve senaryolara hızlı ve ucuz bir şekilde hazırlanabilmektedir. De Paola, “Modellerimizi fiziksel olarak devreye almadan önce bu simüle edilmiş ortamda doğruluyoruz” diyor. “Bu yaklaşım, olası sorunları erken tespit etmemize ve modeli minimum maliyet ve zamanla geliştirmemize olanak tanıyor.”

Bu teknolojinin etkisi, başlangıçtaki robot eğitiminin ötesine geçebilir. Robotun gerçek dünya performans verileri, dijital ikizini güncellemek ve potansiyel optimizasyonları analiz etmek için kullanılırsa, robotun öğrenmesini, yeteneklerini ve performansını zaman içinde sistematik olarak geliştirmek için dinamik bir iyileştirme döngüsü yaratabilir.

İyi eğitimli robot iş başında

Yapay zeka ve simülasyonun robot eğitiminde yeni bir çağa güç vermesiyle kuruluşlar bunun avantajlarından yararlanacak. Dijital ikizler, şirketlerin kurulum sürelerini önemli ölçüde kısaltarak gelişmiş robotları devreye almalarına olanak tanıyor ve yapay zeka destekli görüş sistemlerinin gelişmiş uyarlanabilirliği, şirketlerin değişen pazar taleplerine yanıt olarak ürün hatlarını değiştirmesini kolaylaştırıyor.