epoint

Według badań Europejskiego Stowarzyszenia Producentów Samochodów w Europie rośnie liczba zakładów produkujących dla branży motoryzacyjnej. W 2022 r. było ich około 322 (w tym 38 fabryk baterii elektrycznych) w porównaniu do 301 w roku 2021. Natomiast kilka miesięcy temu pojawiła się informacja, że główni producenci baterii elektrycznych ze Skandynawii i Azji planują inwestycje o łącznej wartości około 10 miliardów euro w nowe europejskie gigafabryki. Autorem tekstu jest Donato Montanari, dyrektor generalny i wiceprezes działu Machine Vision, Zebra Technologies.

Donato Montanari

Budowanie nowych zakładów i modernizacja istniejących wspiera produkcję pojazdów elektrycznych. To również doskonała okazja do inwentaryzacji oprzyrządowania i procesów mających zwiększyć wydajność i jakość pracy personelu. Niedawno serwisy informacyjne doniosły, że wiodący producent pojazdów elektrycznych usunął ponad 100 etapów z procesu produkcji baterii, 52 elementy wyposażenia z warsztatu blacharskiego i ponad 500 części z projektu swoich flagowych pojazdów. Rezultatem reorganizacji procesów była 35% redukcja kosztów materiałów dla samochodów dostawczych i oszczędności o podobnej skali dla innych pojazdów.

Kiedy w grę wchodzi tworzenie nowych i rozwój istniejących fabryk oraz zamawianie rozwiązań, należy skoncentrować się na konkretnym przypadku, jednak dane wejściowe i zatwierdzenia pochodzą z zasobów całej korporacji. Istnieje prawdopodobieństwo, że różne zakłady będą korzystać z innych rozwiązań dla podobnych przepływów pracy. Może się także pojawić ryzyko, że wiedza specjalistyczna i dane nie będą współdzielone między zakładami. Chodzi na przykład o wykorzystanie nowych rozwiązań opartych na sztucznej inteligencji, dla których jakość danych ma kluczowe znaczenie. Może to również dotyczyć zespołów kontroli wizualnej korzystających z systemów wizji maszynowej w celu zapewnienia jak najlepszej jakości i zgodności.

Raport firmy Zebra Technologies na temat systemów wizyjnych wykorzystujących AI w branży motoryzacyjnej wskazuje, że prawie 20% liderów w Niemczech i Wielkiej Brytanii twierdzi, że ich systemy wizji maszynowej oparte na sztucznej inteligencji mogłyby działać lepiej lub robić więcej.

Czy istnieją sposoby na skuteczniejsze wdrożenie i wykorzystanie technologii takich jak głębokie uczenie maszynowe? Czy możemy zrównoważyć dyskusje na temat bezpieczeństwa i zarządzania chmurą z możliwościami wykorzystania jej do wspomagania przepływów pracy, takich jak testowanie i kontrola jakości za pomocą głębokiego uczenia maszynowego oraz nowych zasobów obliczeniowych i współpracy dla inżynierów i naukowców zajmujących się danymi?

Wyzwania związane z danymi pochodzącymi z różnych stron

Sztuczna inteligencja, a zwłaszcza uczenie głębokie, rozwija się dzięki danym. Aby systemy osiągały oczekiwane wyniki i znajdowały zastosowanie w rzeczywistości, kluczowe znaczenie dla szkolenia i testowania modeli uczenia głębokiego ma ilość danych, ich różnorodność, a także jakość oraz to, jak szybko są dostarczane.

Doświadczenie i dostępny czas mogą się różnić między zespołami i lokalizacjami, co może prowadzić do izolacji i utrudniać pozyskanie wysokiej jakości danych. Dane muszą być przechowywane, oznakowane i wykorzystywane do szkolenia modeli, przy czym inne zestawy danych są potrzebne do ich testowania. W tych przypadkach nie ma sensu, aby dane firmy pozostawały od siebie odseparowane, co utrudniałoby szkolenie modeli widzenia maszynowego.

Sieć neuronowa oparta na głębokim uczeniu powinna być wystawiona na jak największą zmienność parametrów m.in. różne godziny i dni produkcji. Zbiór danych należy budować w oparciu o informacje pozyskane w losowo wybrane dni, co może być kłopotliwe, ponieważ wymaga zbierania tych danych przez pewien czas. Jest to jednak niezbędne, aby wyszkolić solidny model. Alternatywnym rozwiązaniem jest wykorzystanie platformy do symulowania danych treningowych.

Procesy przemysłowe są również poddane różnym czynnikom środowiskowym, takim jak zmieniające się światło otoczenia, różne materiały, wibracje, hałas, temperatury i zmiany warunków produkcji. Nieuwzględnienie tych zmiennych w danych treningowych może prowadzić do powstania mniej dokładnego modelu.

Pomiędzy zakładami mogą się pojawić różnice w precyzji, odległości roboczej, oświetleniu i innych czynnikach, z którymi model będzie musiał sobie poradzić, dlatego zbiory danych treningowych odzwierciedlają pełen zakres wariacji, jakie mogą się pojawić w rzeczywistości. Jeśli procesy przemysłowe obejmują wiele zakładów, błędem jest gromadzenie danych tylko z jednego z nich i przechowywanie ich w izolacji. Dane powinny być zbierane i udostępniane z różnych warunków środowiskowych i miejsc, w których odbywa się produkcja – tylko jak to zrobić?

Kolejna kwestia związana z podejściem opartym na izolowaniu danych dotyczy ich opisywania na potrzeby szkolenia modeli głębokiego uczenia. Niestety niedokładne, niejasne i niespójne oznaczenia nieuchronnie prowadzą do powstawania nieprecyzyjnych modeli. W związku z tym należy pamiętać o dokładnym i jednolitym oznaczaniu próbek w różnych zakładach produkcyjnych, aby zespoły mogły współuczestniczyć w dalszym rozwoju projektów.

Praktyka pokazuje, że część wad podczas kontroli jest od razu wychwytywana i oznaczana, tymczasem inne defekty są pomijane – to powszechny błąd występujący w rzeczywistych projektach. Co więcej, czasami zaklasyfikowanie czegoś jako wady odbywa się wyłącznie na podstawie subiektywnej oceny, dlatego ważna jest wzajemna weryfikacja. Wszystkie wady, niezależnie od ich rodzaju, powinny być wyraźnie oznaczone na wszystkich próbkach. Bez ujednoliconego podejścia i wykorzystania chmury, problem oznaczania danych między zakładami zlokalizowanymi w różnych miejscach wciąż pozostaje wyzwaniem.

Platformy głębokiego uczenia w chmurze

Zespoły zajmujące się wizją maszynową w różnych branżach produkcyjnych potrzebują nowych sposobów na wykorzystanie głębokiego uczenia maszynowego, które powinno obejmować korzystanie z chmury. Oparta na chmurze platforma widzenia maszynowego umożliwiłaby zespołom bezpieczne przesyłanie, etykietowanie i dodawanie adnotacji do danych z wielu lokalizacji produkcyjnych w różnych miejscach, krajach i regionach. Większy, bardziej zróżnicowany zakres połączonych danych na platformie opartej na chmurze z różnych lokalizacji i środowisk zwiększa skuteczność uczenia głębokiego. Taka platforma pozwalałaby zarejestrowanym użytkownikom współpracować równocześnie, tworzyć adnotacje, szkolić się i testować projekty oraz dzielić się wiedzą.

Gdyby użytkownicy o określonych rolach, prawach i obowiązkach mieli dostęp do platformy opartej na chmurze, mogliby trenować i testować modele głębokiego uczenia. Wysokiej jakości dane szkoleniowe i testowe mogą zwiększyć jakość i dokładność analizy inspekcji wizualnej. W niektórych przypadkach będzie to znacznie lepsze rozwiązanie od konwencjonalnego, opartego na regułach widzenia maszynowego. Takie wyniki są pożądane przez producentów z branży motoryzacyjnej, baterii elektrycznych, półprzewodników, elektroniki i opakowań.

Rozwiązanie oparte na chmurze zapewnia także skalowalność i dostępność mocy obliczeniowej. W tradycyjnych systemach tylko wybrani pracownicy mają dostęp do mocnych kart graficznych (GPU) w swoich komputerach, aby przeprowadzać duże treningi modeli. Natomiast dzięki chmurze każdy użytkownik może korzystać z tej samej wysokiej mocy obliczeniowej bezpośrednio ze swojego laptopa. Choć wiąże się to z pewnymi kosztami, to dzięki modelowi subskrypcyjnemu (pay-as-you-go), może być to bardziej opłacalne niż inwestowanie we własne serwery i dodatkowy, trudny do znalezienia personel IT.

Subskrypcyjny model oprogramowania jako usługi ułatwiłby zespołom zajmującym się wizją maszynową dostęp do platformy opartej na chmurze, jak również zwiększyłby ich elastyczność, ponieważ nowe funkcje, modele i aktualizacje byłyby płynnie dodawane przez partnera technologicznego. Platformy głębokiego uczenia w chmurze pozwolą na wdrażanie modeli na komputerach i urządzeniach. Wesprze to elastyczne, zdigitalizowane przepływy pracy na linii produkcyjnej, na komputerze lub urządzeniu, gdziekolwiek znajduje się użytkownik lub zespół.

Liderzy branży produkcyjnej w Europie oczekują, że sztuczna inteligencja będzie napędzać wzrost. Stale rosnąca popularność AI, w połączeniu z priorytetem, jaki liderzy nadają transformacji cyfrowej, podkreśla dążenie firm do ulepszenia zarządzania danymi i wykorzystania nowych technologii, które poprawiają widoczność i jakość w całym procesie produkcyjnym. Obecnie jednym z największych wyzwań w zarządzaniu jakością jest integracja danych. Mając na uwadze cele związane z AI, danymi i planowane nowe zakłady motoryzacyjne, nadszedł czas, aby wykorzystać potencjał chmury do zarządzania danymi i zwiększenia korzyści płynących z głębokiego uczenia maszynowego.

Subscribe
Powiadom o
guest
0 komentarzy
najstarszy
najnowszy oceniany
Inline Feedbacks
View all comments