على سبيل المثال، سيمنز سيماتيك روبوت بيك إيه آي يتوسع في هذه الرؤية للقدرة على التكيف، وتحويل الروبوتات الصناعية القياسية – التي كانت تقتصر في السابق على المهام الصعبة والمتكررة – إلى آلات معقدة. ومن خلال تدريبه على البيانات الاصطناعية – المحاكاة الافتراضية للأشكال والمواد والبيئات – يقوم الذكاء الاصطناعي بإنشاء روبوتات للتعامل مع المهام غير المتوقعة، مثل انتقاء عناصر غير معروفة من الصناديق الفوضوية، بدقة تزيد عن 98%. عندما تحدث أخطاء، يتعلم النظام، ويتحسن من خلال ردود الفعل الواقعية. والأهم من ذلك، أن هذا ليس مجرد إصلاح لروبوت واحد. يتم توسيع نطاق تحديثات البرامج عبر الأساطيل، مما يؤدي إلى ترقية الروبوتات للعمل بشكل أكثر مرونة وتلبية الطلب المتزايد على الإنتاج الأمثل.
مثال آخر هو شركة الروبوتات ANYbotics، التي إنشاء نماذج ثلاثية الأبعاد للبيئات الصناعية الذي يعمل بمثابة التوأم الرقمي للبيئة الحقيقية. يتم دمج البيانات التشغيلية، مثل درجة الحرارة والضغط ومعدلات التدفق، لإنشاء نسخ طبق الأصل افتراضية من المرافق المادية حيث يمكن للروبوتات التدريب. على سبيل المثال، يمكن لمحطة الطاقة استخدام خطط موقعها لإنشاء عمليات محاكاة لمهام التفتيش التي تتطلب قيام الروبوتات بأدائها في منشآتها. يؤدي ذلك إلى تسريع تدريب الروبوتات ونشرها، مما يسمح لها بأداء عملها بنجاح بأقل قدر من الإعداد في الموقع.
تسمح المحاكاة أيضًا بمضاعفة الروبوتات للتدريب بشكل قريب من التكلفة. يقول بيتر فانكهاوزر، الرئيس التنفيذي لشركة NyBotics، والمؤسس المشارك لشركة NyBotics: “في المحاكاة، يمكننا إنشاء الآلاف من الروبوتات الافتراضية لممارسة المهام وتحسين سلوكها. وهذا يسمح لنا بتسريع أوقات التدريب وتبادل المعرفة بين الروبوتات”.
لأن الروبوتات تحتاج إلى فهم بيئتها بغض النظر عن الموقع أو الإضاءة، ANYbotics وشريك Digica ابتكرت طريقة لتوليد آلاف الصور الاصطناعية لتدريب الروبوتات. ومن خلال إزالة العمل المضني المتمثل في جمع أعداد كبيرة من الصور الأصلية من أرضية المتجر، يتم تقليل الوقت اللازم لتعليم الروبوتات ما يحتاجون إلى معرفته إلى حد كبير.
وبالمثل، تستفيد شركة سيمنز من البيانات الاصطناعية لإنشاء بيئات محاكاة لتدريب نماذج الذكاء الاصطناعي والتحقق من صحتها رقميًا قبل نشرها في المنتجات المادية. “باستخدام البيانات الاصطناعية، نقوم بإنشاء اختلافات في موضع الكائن والإضاءة وعوامل أخرى للتأكد من أن الذكاء الاصطناعي يتكيف بشكل جيد مع المواقف المختلفة،” يقول فينسينزو دي باولا، المشروع في شركة سيمنز، الرائد. “نحن نحاكي كل شيء بدءًا من كيفية توجيه القطع إلى ظروف الإضاءة والظلال. وهذا يسمح بتدريب النموذج في ظل سيناريوهات مختلفة، مما يحسن القدرة على التكيف والاستجابة للعالم الحقيقي.
لقد أثبتت التوائم الرقمية والبيانات الاصطناعية أنها علاجات قوية لندرة البيانات وتدريب الروبوتات المكلف. يمكن للروبوتات التي تتدرب في بيئات اصطناعية أن تتكيف بسرعة وبتكلفة زهيدة مع مجموعة واسعة من الإمكانيات والسيناريوهات البصرية في العالم الحقيقي. يقول دي باولا: “نحن نتحقق من صحة نماذجنا في هذه البيئة الاصطناعية قبل نشرها فعليًا”. “يسمح لنا هذا النهج بتحديد أي مشكلات محتملة مبكرًا وتعديل النموذج بأقل تكلفة ووقت.”
يمكن أن يمتد تأثير هذه التكنولوجيا إلى ما هو أبعد من التدريب الأساسي للروبوت. إذا تم استخدام بيانات الأداء الواقعي للروبوت لتحديث توأمه الرقمي وتحليل التعديلات المحتملة، فإنه يخلق دورة ديناميكية من التحسين لزيادة تعلم الروبوت وقدراته وأدائه بمرور الوقت
روبوت متعلم جيدًا في العمل
مع الذكاء الاصطناعي والمحاكاة التي تدعم عصرًا جديدًا في تدريب الروبوتات، ستجني المؤسسات الفوائد. يتيح التوأم الرقمي للشركات نشر الروبوتات المتقدمة مع تقليل أوقات الإعداد بشكل كبير، كما أن القدرة المتزايدة على التكيف لأنظمة الرؤية التي تعمل بالذكاء الاصطناعي تجعل من السهل على الشركات تغيير خطوط الإنتاج استجابة لمتطلبات السوق المتغيرة.
