Artificiell intelligens (AI) kan beskrivas som algoritmer ihop med mjukvara. Det finns många industriella tillämpningar där AI kan användas, bland annat för avsyning.
–Avsyning är ett område där AI kan innebära mycket stora förbättringar och effektiviseringar för ett företag, säger Martin Cheung, technical solution engineer på KmK Instrument.
KmK Instrument i Västerås är en leverantör av produkter inom mätteknik. Företaget erbjuder VISION AI–lösningar till hela norra Europa.
–Vårt AI–system, som bland annat kan användas för att effektivisera avsyning/inspektionsuppgifter, är i grund och botten ett otränat neutralt nätverk. För att nätverket ska fungera med intelligens behöver den bli lärd av mänsklig intelligens, när den är upplärd är det en duktig simulering av mänsklig intelligens, säger Martin Cheung.
Genom att använda sig av AI för avsyning kan det ske mer tillförlitligt jämfört med om en människa utför kontrollen. Går man vidare och integrerar AI med en automationslösning med en robot blir kontrollen än mer rationell.
–Med manuella avsyningar låser man en anställd till att utföra avsyningar dag in och dag ut för att detektera defekter på bearbetade detaljer, det är ganska förlegat, säger Martin Cheung.
Han jämför med att det är vanligt förekommande att bearbetningsprocesser automatiseras. Men när det gäller avsyning utförs den fortfarande manuellt och det är människoögon som ska upptäcka fel.
–Det är hög tid att effektivisera avsyningen och avlasta monotona jobb från operatören. Människan är inte skapad för att kunna repetera på det sättet.
Det kan vara lätt hänt att en CNC-operatör, som utför avsyning, förlorar skärpan för en kort stund och missar en eller flera defekter. Samtidigt som operatören avsynar kanske personen tänkte på vad som ska köpas till helgens aktiviteter.
I stället för att CNC-operatörer lägger ned tid på att avsyna kan den tiden användas till att utföra andra arbetsuppgifter, exempelvis som att förbereda verktygsmaskinen för nästa jobb.
KmK med partner äger själva AI:t och affärsmodellen bygger på olika månadsprenumerationer efter behov. För att industrialisera användningen behövs ett logg-in konto som är webb-baserat. All inlärning av det neurala nätverket sker online och här annoteras/tränas bilden efter det behov som föreligger, till exempel att leta en defekt i bild. När annoteringen/inlärningen är färdig laddas en fil ned till en lokal PC som ska användas för applikationen.
I AI–hubben kan man enkelt lära bilder genom att annotera defekter, identifiera föremål eller räkna artiklar, samt verifiera OCR-koder med mera.
Funktionen och gränssnittet är mycket enkelt och användarvänligt. Det krävs inga programmeringskunskaper eller omfattande förkunskaper för att komma igång, det enda som behövs är lite PC-vana.
Att annotera bilder i AI innebär att man markerar objekten i bild för att ge sammanhang eller information till algoritmerna. Det finns olika annoteringstekniker och former. Till exempel avgränsningsrutor, polygoner, nyckelpunkter och semantisk segmentering. Processen är avgörande för en lyckad industrialisering av applikationen som vill uppnås.
Det finns en del rädsla ute i industrin när det gäller artificiell intelligens.
–Det är inte konstigt, AI är nytt och många företag vet inte hur de ska hantera detta, säger Martin Cheung.
Många är också oroliga för att AI innebär att människor förlorar sina jobb, men så behöver det inte bli, menar han.
–Operatörer som tidigare utförde avsyningar behöver inte bli arbetslösa. De kan få nya uppgifter som att stötta och handleda AI-systemet. Det blir också nya yrkesroller inom industrin som exempelvis skulle kunna benämnas: AI-operatörer, AI-tekniker eller AI-ingenjörer, avslutar Martin Cheung.
Fakta artificiella neurala nätverk
Ett neuronnät eller artificiellt neuronnät är ett samlingsnamn på ett antal självlärande algoritmer som försöker efterlikna funktionen i biologiska neuronnät. Algoritmer som emulerar neuronnät kan ofta klara problem som är svåra att lösa med konventionella datalogiska metoder. Källa: Wikipedia
