Deep Learning: “Gamechangeren” til automatisering og effektiv produktion i industrien

Deep Learning kommer til at ændre industrien. Maskiner kommer til at overtage opgaver, der kræver menneskelig intelligens. Med den tiltagende digitalisering af processer og dataindsamling i virksomhederne vil brugen af Deep Learning ligeledes vokse og muliggøre et mere effektivt samarbejde mellem menneske og maskine. Det vil revolutionere automatiseringen og produktionen og føre til mere effektive og præcise beslutningsprocesser såvel som større produktivitet, samtidigt med at ressourcerne til udvikling er markant lavere.

I vores podcast “SICKnificant” har vi talt med Dr. Christoph Eichhorn, strategisk produktmanager for digitale serviceydelser og løsninger, om de muligheder, som Deep Learning skaber, og om at aflaste menneskerne fra trættende opgaver og øge kvaliteten.

Deep Learning som et delområde af den kunstige intelligens og maskinel indlæring er i de senere år blevet vigtigere og vigtigere på grund af den øgede adgang til data og computerydelse. Teknologien revolutionerer automatiseringen i produktionen og på andre områder, idet den sætter maskiner i stand til at løse opgaver, der indtil nu har krævet menneskelig intelligens. Dr. Christoph Eichhorn, som er ansvarlig for KI-løsninger hos SICK, forklarer det sådan: “Deep Learning er en del af den maskinelle indlæring. Det bruger man kunstige neurale netværk til, såkaldte “deep neural networks”, der også er i stand til at klare komplekse situationer. De kan overtage komplicerede beslutningsprocesser, for eksempel i kvalitetskontrollen, og gøre det muligt for virksomhederne at automatisere og digitalisere flere og flere processer. Dermed løfter de produktionen op på et højere niveau.”

Digitalisering og kunstig intelligens

Industriens digitaliseringskoncept har udviklet sig enormt i de senere år. Data fra sensorer og fra andre kilder, der indtil nu primært har været brugt til umiddelbar processtyring, gemmes i takt med digitaliseringen – og der er således også adgang til dem på et abstrakt niveau. Det er ikke nok bare at indsamle data. Kunstig intelligens spiller en vigtig rolle, når det handler om at trække essensen ud af disse data, hvilket så kan føre til yderligere optimering.

Et eksempel herpå er en applikation i træindustrien, hvor man med flere gigabytes indlæringsdata har kunnet indlære et neuralt netværk, så som træffer beslutninger mere præcist, hurtigere og vedvarende, end det er muligt for det menneskelige øje. Samtidigt er netværket mindre end én megabyte og benytter sig alligevel af en kæmpe mængde af erfaringer. Konceptet kan overføres til et vilkårligt antal anvendelsessituationer.

Merværdi KI-baseret automatisering

Men der er ikke altid behov for så store datamængder for at kunne drage nytte af kunstig intelligens. Implementeringen af Deep Learning-projekter kan forløbe meget forskelligt og afhænger af de enkelte kundekrav. Det er ikke altid nemt at formulere kravet og forventningen, men det er ikke desto mindre en forudsætning for vellykket brug af kunstig intelligens. “Sagt på en nem måde: Selv med KI kan man kun nå frem til det ønskede resultat, hvis man ved, hvad man vil. Når det er afklaret, forventer alle kunder en nem og fleksibel løsning på deres problem,” siger Eichhorn.

“Takket være KI kan vore kunder selv automatisere opgaver, som tidligere var meget svære at automatisere. God eksempler herpå er kvalitets- og montagekontroller med reflekterende dele, kontrol af loddesteder og sortering af naturprodukter. Det er som oftest møjsommelige arbejdsopgaver, der kræver, at fagpersonale bruger meget tid på dem, og som derfor ofte kun udføres stikprøvevis.”

Indlæring af kunstige neurale netværk

Ved at bruge Deep Learning oplever automatiseringen et paradigmeskift. I stedet for at finde ud af, hvilke detaljer der er relevante for beslutningen, for at kunne specificere en række konkrete regler, anvender man eksempler. Algoritmen lærer at træffe selvstændige afgørelser. “Vi indlærer en løsning i stedet for at programmere den, hvilket er markant hurtigere og mere effektivt. Det er dog vigtigt at understrege, at Deep Learning ikke er et alternativ til den menneskelige ekspertise. Den vil fortsat være nødvendig for at udnytte hele teknologiens potentiale. Deep Learning understøtter og udvider menneskets evner,” forklarer Eichhorn og afslutter: “Takket være vore Deep Learning-tools, som er lette at betjene, kan brugere, der kender problemstillingen, også løse dem selvstændigt uden større programmeringskendskab. Det er nemlig kun dem, der ved, hvad løsningen går ud på – og hvad den ikke går ud på – og kan vælge egnede indlæringseksempler bedre end nogen anden. Med vore tools kan de starte indlæringen af kunstig intelligens helt intuitivt og dermed løse en meget specifik og individuel opgave.”

Læs mere her

Læs mere her

Læs mere her

Læs mere her