روزنه هایی برای رشد و پیشرفت فناوری با استفاده از تکنیک های هوش مصنوعی - وبلاگ دانشگاه

به گزارش وبلاگ دانشگاه، شیوع ویروس کرونا راهبر شرکت ها را تغییر داده است. در این بین بعضی از آنها کرونا را فرصتی مناسب برای رشد و پیشرفت دانسته و با تکیه بر فناوری هوش مصنوعی، راه های جدیدی را برای ارائه محصولات خود فراهم نموده اند.

به گزارش خبرنگار حوزه علم، فناوری و دانش بنیان گروه دانشگاه خبرگزاری وبلاگ دانشگاه، شرکت های فراوریی در برابر کروناویروس جدید راهبردهای مختلفی را در دستور کار خود قرار داده اند. بعضی کاملاً حالت دفاعی به خود گرفتند و در گوشه ای منتظرند تا آب ها از آسیاب بیفتد. اما دسته ای دیگر که از مدت ها پیش بخش عمده امور را به اتوماسیون سپرده بودند حال، اوضاع همه گیری اخیر را به عنوان فرصتی برای رشد بیشتر، انعطاف بالاتر و تحرک بیشتر بر ذهن کارکنان و پرسنل خود دیکته کردند. این شرایط در سایه تکیه بر فناوری هوش مصنوعی امکان پذیر شده است. با تلفیق تجربه ها و بازخورد محصولات پیشین و صدالبته تکنیک های هوش مصنوعی، راه های جدیدی برای ارائه محصولات متمایز و درعین حال کاهش هزینه مقدور خواهد شد.

هوش مصنوعی برای ساختن آینده

نظارت دائمی و بلادرنگ در فرایند فراوری بدین معنی است که در هر لحظه خط فراوری را رصد کنیم و نسبت به خروجی های آن ارزیابی داشته باشیم. بدین طریق می توان فرایند فراوری را عیب یابی کرد، نرخ ضایعات را پیش بینی و در خصوص تاریخ تحویل محصول به مشتری و موارد دیگر نیز اطمینان کسب کرد. نظارت دائمی همچنین منبعی عالی برای فراوری داده های کاربردی است.

همان طور که می دانید یکی از کلیدی ترین عناصر هوش مصنوعی داده است و از طریق داده های نظارتی می توان مدل های یادگیری ماشین را تقویت نمود. الگوریتم های یادگیری ماشین(چه نظارت شده و چه بدون نظارت) می توانند داده های فوری چندین شیفت مختلف فراوری را در عرض چند ثانیه تفسیر نموده و فرآیندها، خطاها، مسائل بعضاً ناشناخته را کشف کنند.

تحقیقات شرکت فناوری اطلاعات فرانسوی کاپژمینی نشان می دهد 29 درصد از محصولات هوش مصنوعی در بخش فراوری، صرف حفظ ماشین آلات و تجهیزات می گردد. تیم تحقیقاتی کاپژمینی همچنین دریافتند که پیش بینی اینکه چه زمان ماشین ها / تجهیزات یک شرکت احتمالاً خراب می گردد و توصیه در خصوص اینکه بهترین زمان برای تعمیر و نگهداری چه موقعی است، محبوب ترین مصارف هوش مصنوعی در زمینه صنایع فراوریی،در حال حاضر محسوب می شوند. به عنوان مثال جنرال موتورز، تصاویر دوربین های نصب شده بر روبات های مونتاژ را ارزیابی می نماید، تا به یاری آن علائم و نشانه های ناکارآمدی تجهیزات آن بخش را تجزیه وتحلیل کند.

شرکت خودروسازی جنرال موتورز برای پیاده سازی این الگوریتم با شرکت نرم افزاری Autodesk همکاری نموده تا در طراحی خود به حالت بهینه دست یابد. جنرال موتورز از ماه مه سال 2018، از نرم افزار طراحی مولد Autodesk استفاده می نماید تا قطعات طراحی شده برای فراوری را بهینه سازی کند. در آزمایشات اخیر مشخص شد قطعات تازه 40 درصد سبک تر و 20 درصد قوی تر بوده اند.

استفاده از اپلیکیشن ویدئویی در فنلاند

نوکیا شرکت مشهور و دیرین فنلاندی نیز یک اپلیکیشن ویدئویی را عرضه نموده است که با استفاده از فناوری یادگیری ماشین کار می نماید و به کاربر خط مونتاژ و فراوری، در صورت بروز خطا یا تناقض در فرایند فراوری هشدار می دهد. نوکیا این اپلیکیشن ویدیویی را برای نظارت بر فرایند خط مونتاژ یکی از کارخانه های خود در اوولو، فنلاند مورد تست قرار داده است.

تجزیه وتحلیل تصاویر به صورت آنی، به تکمیل بازرسی کیفیت محصول در صنایع مختلف یاری می نماید تا شرکت ها محصولات خود را با اطمینان بیشتر و مطابق با الزامات دقیق و مشخص شده فراوری کنند. انتظار می رود دوربین های با وضوح بالا درحالی که نرم افزار و فناوری های تشخیص تصویر مبتنی بر هوش مصنوعی همچنان در حال توسعه هستند، هم زمان رایج تر و ارزان تر شوند.

یکی از مسائل شرکت های فراوریی این است که در بسیاری مواقع میزان فراوریشان با نرخ تقاضا همخوانی ندارد. گاهی فراوری آن قدر زیاد است که محصول در بازار تا مدت ها به فروش نمی رسد گاهی هم برعکس کفاف بازار را نمی دهد. بنابراین پیش بینی میزان تقاضا مهم است و بهبود دقت پیش بینی تقاضا در صنایع مختلف بسیار می تواند مفید باشد. شرکت صنایع غذایی دانون از یک سیستم یادگیری ماشینی برای بهبود دقت پیش بینی تقاضا استفاده می نماید. آنها از یادگیری ماشین برای بهبود هماهنگی و برنامه ریزی در بازاریابی، فروش، مدیریت حساب، زنجیره تأمین و امور اقتصادی استفاده می کنند و تصمیم آنها در به کارگیری هوش مصنوعی منجر به پیش بینی های دقیق تری شده است.

دانون به دنبال این است تا بتواند فراوری محصولات را بر اساس تقاضاها برآورد کند. این سیستم منجر به کاهش 20 درصدی خطای پیش بینی، کاهش 30 درصدی زیان، و کاهش 50 درصدی اشتباه در برآورد حجم تقاضای مشتریان شده است.

از مواد غذایی تا ترابری

شرکت تالس، یکی از تأمین کنندگان پیشرو در سیستم های الکترونیکی، ترابری و صنایع دفاعی است و به تازگی از یادگیری ماشین برای نگهداری و پیشگیری از خطر، در خطوط راه آهن و قطار سریع السیر اروپا استفاده نموده است. این شرکت داده های قدیمی و فعلی را از طریق هزاران سنسور در قطعات قطار و خطوط ریلی بین المللی جمع آوری می نماید و با یاری هوش مصنوعی، مسائل بالقوه در زمینه تجهیزات، تعمیرات و احتیاج به جایگزینی قطعات را تشخیص می دهد و قابلیت اعتماد را بالا می برد.

کارخانجات شرکت خودروسازی بی ام و نیز از هوش مصنوعی استفاده می کنند تا تصاویر مؤلفه ها و اجزای مختلف مورداستفاده در خط فراوری خود را ارزیابی کنند. این ارزیابی ها به شرکت اجازه می دهد تا به صورت بلادرنگ، هرگونه انحراف از استانداردهای کیفی موردنظر شرکت را تشخیص دهند. بی ام و در بخش بازرسی نهایی کارخانه دینگولفینگ به یاری یک برنامه هوش مصنوعی، داده های سفارش خودرو را به صورت زنده با ماشین جدید فراوریشده مقایسه می نماید.

اگر داده ها با آنچه فراوری شد مطابقت نداشته باشند، به عنوان مثال، اگر بخشی از ماشین مطابق استاندارد مشخص شده نبود، نرم افزار به تیم بازرسی نهایی یک اعلان هشدار می فرستد. نکته جالب در خصوص بی ام و این است که الگوریتم های هوش مصنوعی خود را که در خط فراوری به کار برده، بر روی پلتفرم منبع باز به اشتراک گذاشته است.

ایمنی بالاتر

اشنایدر الکتریک، برای بهبود ایمنی کارگران، کاهش هزینه ها و دستیابی به اهداف پایدار رو به هوش مصنوعی آورده است. این شرکت از یک راهکار تحلیلی پیش بینی IoT مبتنی بر سرویس یادگیری ماشین آزور مایکروسافت استفاده می نماید. دانشمندان اشنایدر الکتریک از داده های کارخانجات برای مدل سازی استفاده می کنند تا مشخص گردد در چه زمان و مکانی به تعمیر و نگهداری احتیاج است. با بهره مندی از قابلیت های اتوماتیک یادگیری ماشین برای انتخاب مدل های بهینه، در وقت صرفه جویی می گردد و بهره وری کلی کار بالا می رود. شاید ذکر این نکته جالب باشد که این شرکت از وقتی از محصول مبتنی بر سرویس یادگیری ماشین مایکروسافت استفاده کرد، توانست تنها در مدت دو روز 10 تا 20 درصد بازدهی را افزایش دهد!

نیسان نیز در حال استفاده از هوش مصنوعی برای طراحی مدل های جدیدش است. آنها امید دارند در عرضه سری مدل های نسل بعدی محصولات خود، چرخه فراوری را سریع تر کنند. نیسان نام این برنامه را DriveSpark نامیده و به مدت چهار سال است که طبق آن عمل می نماید. طراحان نیسان انتظار دارند با استفاده از سیستم DriveSpark مدل های جدیدی فراوری کنند که کاملاً مطابق با آخرین خواسته های بازار در این صنعت باشد. آنها همچنین با به کارگیری هوش مصنوعی، پیروز شدند کارایی مدل های موجود را نیز ارتقا دهند.

شرکت دوربین عکاسی کانن سیستم پیشرفته ای را با نام تشخیص نقص اموال ارائه نموده که سطح جدیدی از کنترل کیفیت را در مراکز فراوریی خود عرضه می نماید. کانن مهارت های انسانی، بازخوردها و تکنیک های هوش مصنوعی، ازجمله یادگیری ماشین، بینایی کامپیوتر و مدل سازی و ... را تلفیق نموده تا به افزایش دقت و کارایی در تست قطعاتش دست یابد. سیستم مزبور می تواند به صورت هوشمندانه تصاویر قسمت های بازرسی شده را تجزیه وتحلیل کند، به طور اتوماتیک نقایص احتاقتصادی دوربین ها را شناسایی کند و حتی مواردی که ممکن است توسط چشم انسان دیده نشده باشند را تشخیص دهد.