AI's geleidelijke opmars op de fabrieksvloer

SAN JOSE, Calif. — Diepe neurale netwerken bewegen stilaan naar industriële omgevingen, klaar om fabrieksautomatisering te transformeren.

Vroege adopters en visuele perceptie

Vroege adopters embedden neurale netwerken al als de intelligentie achter computer-vision camera's. Naarmate de tijd vordert zullen deze netwerken robotarmen, sensor gateways en controllers infiltreren, wat productieprocessen herschikt. De overgang volgt zich echter op een gematigd tempo af.

'We zijn nog in de vroege fasen van wat waarschijnlijk een multi-decennia lange era van vooruitgang en next-generation machine learning algoritmes wordt, maar ik denk dat we enorme vooruitgang zullen zien in de komende paar jaar,' zei Rob High, chief technology officer voor IBM Watson.

Neurale netwerken beginnen Linux-capable, multicore x86 gateways en controllers die de fabrieksvloer steeds meer omringen te bevolken. Opkomende 5G cellulaire netwerken zullen deze systemen uiteindelijk naadloze toegang verlenen tot remote datacenters, voegde High toe.

Automotive, aerospace en healthcare sectoren nemen al vroege stappen, voornamelijk met slimme camera's. Canon embeddeert Nvidia Jetson borden in zijn industriële camera's om deep learning te activeren. Cognex Corp., een toonaangevende industriële camera leverancier, breidt zijn eigen deep-learning aanbod uit. Chinees startup Horizon Robotics levert surveilance camera's die hun deep-learning inference accelerators incorporeren.

'Alle vroege adopters hebben deep learning geïmplementeerd voor visuele perceptie, en anderen beginnen ze op te merken,' zei Deepu Talla, general manager van autonomous machines bij Nvidia. 'Perceptie is redelijk eenvoudig te doen, en onderzoekers zien het als een opgelost probleem. Nu liggen de grote problemen in het gebruik van AI voor interactie met mensen en gedetailleerdere actuatie – dit zijn 10-jarige onderzoeksproblemen. In gebieden als drone en robotnavigatie zijn we meer in de prototypestage.'

Talla noemt robotica 'het snijvlak van computers en AI', maar veel industriële toepassingen van deep learning zullen minder glamourvol zijn – en sneller arriveren.

Predictief onderhoud als eerste stap

Fabriekrobots gebruiken nog geen AI, zegt Doug Olsen, CEO van Harmonic Drive LLC, een toonaangevende leverancier van robotcomponenten. Op korte termijn zal de focus verschuiven van slimme robotarmen naar embedded systemen die falen voorspellen en gebruiksdata verzamelen om preventief onderhoud in te plannen. 'Dat is waar AI eerst greep kan krijgen,' legde Olsen uit.

Grote chipmakers lijnen zich uit met deze trend. Renesas begon drie jaar geleden met experimenteren, AI-ingeschakelde microcontrollers op eindknopen te deployen om fouten te detecteren en onderhoudsbehoefte te voorspellen in productielijnen in een van hun semiconductor fabs. In oktober lanceerde Renesas zijn eerste MCUs met dynamisch herconfigureerbare processorblokken voor real-time beeldverwerking, met plannen om controllers te releasen die real-time cognitie ondersteunen in 2020 en incrementeel leren in 2022.

STMicroelectronics volgt een vergelijkbare benadering met zijn STM32 lijn. In februari kondigde het een deep-learning system-on-chip en een accelerator in ontwikkeling aan, gericht op foutdetectie op de fabrieksvloer.

De toekomst van slimme robots

Slimme robots zullen uiteindelijk arriveren. Startup covariant.ai werkt er aan ze te voorzien van reinforcement learning. 'Robots uitrusten om te zien en te handelen op wat ze zien, zal een van de grootste verschillen zijn die deep learning in de komende paar jaren zal maken,' zei Pieter Abbeel, AI-onderzoeker, oprichter van Covariant en robotica lab directeur aan UC Berkeley.

Abbeel toont indrukwekkende simulaties van robots die leren rennen met neurale-netwerk technieken, maar waarschuwt dat het veld nog in de kinderschoenen zit. 'We startten Covariant deels omdat de industriële AI-ruimte nog niet zo druk is,' zei hij.