Постепенное внедрение ИИ на заводском полу

Глубокие нейросети в промышленной автоматизации

Сан-Хосе, Калифорния — Глубокие нейронные сети уверенно проникают в промышленные среды, готовые трансформировать заводскую автоматизацию.

Ранние внедренцы уже встраивают нейросети как интеллект за компьютерным зрением камер. Со временем эти сети заберутся в робототехнические манипуляторы, сенсорные шлюзы и контроллеры, переформируя производственные процессы. Переход, однако, происходит измеренным темпом.

«Мы всё ещё на ранних фазах, что, вероятно, станет многолетней эрой прогресса и алгоритмов машинного обучения следующего поколения, но я думаю, что в ближайшие несколько лет мы увидим огромный прогресс», — сказал Роб Хай, технический директор IBM Watson.

Нейросети начинают заселять шлюзы и контроллеры на базе Linux, способные на многоядерную x86-архитектуру, которые всё чаще окружают заводское полу. Новые 5G-сети в конечном итоге обеспечат этим системам бесшовный доступ к удалённым дата-центрам, добавил Хай.

Ранние шаги в авто, аэро и медицине

Автомобилестроение, авиация и здравоохранение уже делают первые шаги, в основном со смарт-камерами. Canon встраивает платы Nvidia Jetson в промышленные камеры для активации глубокого обучения. Cognex Corp., ведущий вендор промышленных камер, расширяет свои предложения глубокого обучения. Китайский стартап Horizon Robotics поставляет камеры наблюдения со встроенными ускорителями вывода глубокого обучения.

«Все ранние внедренцы применили глубокое обучение для визуального восприятия, и остальные начинают это замечать», — сказал Дипу Талла, гендиректор по автономным машинам Nvidia. «Восприятие относительно легко, исследователи считают его решённой проблемой. Теперь главные задачи — использование ИИ для взаимодействия с людьми и детального управления — это 10-летние исследовательские проблемы. В областях вроде навигации дронов и роботов мы на стадии прототипов».

Талла называет робототехнику «пересечением компьютеров и ИИ», но многие промышленные применения глубокого обучения будут менее гламурными — и придут раньше.

Фокус на предиктивном обслуживании

Заводские роботы пока не используют ИИ, говорит Даг Олсен, CEO Harmonic Drive LLC, ведущего поставщика робототехнических компонентов. В краткосрочной перспективе фокус сместится от умных манипуляторов к встраиваемым системам, предсказывающим отказы и собирающим данные использования для планирования профилактического обслуживания. «Именно там ИИ может прижиться первым», — объяснил Олсен.

Стратегия ведущих чипмейкеров

Крупные производители чипов выстраиваются за этим трендом. Renesas три года назад начала эксперименты, внедряя ИИ-микроконтроллеры на конечных узлах для обнаружения неисправностей и предиктивного обслуживания на производственных линиях одного из своих полупроводниковых фабов. В октябре Renesas выпустила первые MCU с динамически переконфигурируемыми процессорными блоками для обработки изображений в реальном времени, с планами выпустить контроллеры, поддерживающие когнитивные задачи в реальном времени в 2020 г. и инкрементальное обучение в 2022 г.

STMicroelectronics идёт похожим путём со своим семейством STM32. В феврале компания анонсировала систему-на-чипе для глубокого обучения и разрабатываемый ускоритель, нацеленные частично на обнаружение дефектов на заводском полу.

Перспективы умных роботов

Умные роботы всё равно появятся. Стартап covariant.ai работает над их оснащением обучением с подкреплением. «Оснащение роботов способностью видеть и действовать на основе того, что они видят, станет одной из крупнейших перемен, которые глубокое обучение внесёт в ближайшие годы», — сказал Питер Аббил, исследователь ИИ, основатель Covariant и директор лаборатории робототехники UC Berkeley.

Аббил демонстрирует впечатляющие симуляции роботов, обучающихся бегать нейросетевыми методами, но предостерегает, что область всё ещё в зачаточном состоянии. «Фактически, мы запустили Covariant частично потому, что промышленное ИИ-пространство пока не так заполнено», — сказал он.