Kunstig intelligens kræver meget data – og den rigtige data. I et MADE Udviklingsprojekt har fire virksomheder fået indsigt i, hvilke data de har behov for, og hvordan de kan træne AI til at bruge data til at spotte fejl i deres produkter.
Godt 20 strategisk placerede visionsystemer holder skarpt øje, imens maskiner fremstiller dele i beige og hvide nuancer, samler dem, og gør dem klar til afsending.
Visionsystemerne er en del af en større automatisering af Dansac’s produktion af stomiposer i Fredensborg. De hjælper operatører med at spotte fejl i produkter og agerer øjne for produktionens mange robotarme.
Men der er stadig manuelle huller – eksempelvis i kvalitetskontrollen af såkaldte stomiplader, der kan beskrives som dobbeltklæbende plader, der fastgør stomiposen til huden.
Den kvalitetskontrol er ikke lige til at automatisere. Dansac producerer 800 forskellige varianter af stomiplader, der også hver især varierer i udseendet, fordi pladerne er lavet af et naturprodukt. Derfor er kvalitetskontrollen i dag manuel:
”Hver eneste plade, der kommer ud af maskinen, kigger en mand på,” forklarer Supervisor, Project Portfolio i Dansac Peter Ipsen.
Det betyder blandt andet, at operatøren hellere er ”safe” than ”sorry”.
”Vi har en idé om, at en stor del af de plader, som smides ud hvert år, kan fiskes op af skraldespanden,” siger Peter Ipsen.
Det er fremtiden
Dansac er ikke alene om udfordringen med at automatisere kvalitetskontrol. I et MADE Udviklingsprojekt er de gået sammen med Danfoss Drives og MM Composite for med hjælp fra Teknologisk Institut at lære, hvordan en kunstig intelligens (AI) kan trænes med data fra visionteknologi til at spotte fejl i produkter.
”Det nye for os er at lægge AI oveni. Det er fremtiden,” siger Peter Ipsen om projektet og tilføjer ”Hvis du spørger mig, om der står en mand der og tjekker kvalitet om 7 år, er svaret nej.”
En rapport fra McKinsey og Innovationsfonden peger på, at kunstig intelligens har potentiale til at skabe gevinster op imod 35 milliarder kroner ekstra i BNP fra 2030 i Danmark. Det skyldes blandt andet at maskiner hjulpet på vej af AI kan overtage rutineopgaver og dermed frigøre arbejdskraft til andre opgaver.
Men vejen mod en produktion med AI er belagt med data – rigeligt med data.
Rigeligt med data
”En forudsætning er at have nok data – også f.eks. på de enkelte fejltyper. At få nok data er typisk noget af det sværeste for at kunne gå i gang med at arbejde med kunstig intelligens,” fortæller Seniorspecialist i Teknologisk Institut Thomas Høiberg Giselsson, der ledte virksomhederne gennem projektet.
Danfoss Drives gik ind i projektet med håb om at automatisere kvalitetskontrol af deres produktion af printplader. De har et visionsystem, som opsamler data, men det viste sig ikke helt gearet til opgaven:
”Vi kunne ikke få bulk-data ud,” måtte Kristian Revall Thorsen, der er Supply Chain Development Manager i Danfoss erkende undervejs.
Samtidig var der en meget lav frekvens af fejl, hvilket betød, at AI’en havde meget lidt data på fejltyper at blive klogere på.
Dansac’s case tilbød til gengæld nok data til, at projektets deltagere kunne følge en opbygning af en AI-løsning. Dansac sendte 100 plader uden- og med fejl i Teknologisk Instituts retning, så den kunstige intelligens kunne blive oplært. Men studenten var ikke fejlfri.
”Når vi samler vores folie, samler vi den med blå tape – det er ret nemt at se som menneske, at der var noget blåt, som skal kasseres – men det kræver en del gentagelser for et AI system at se, at det her er en fejl”, siger Peter Ipsen.
Det var der ikke i de 100 fejlbehæftede plader sendt til Teknologisk Institut. Der var to-tre styk med blå tape, og da ca. en tredjedel af datasættet lægges til side for at teste, hvad AI’en har lært om fejl baseret på de resterende data, skulle AI’en her genkende blå tape som en fejl efter at have set det måske en enkelt eller to gange.
”Modellen bliver aldrig bedre end datasættets evne til at vise sandheden,” pointerer Thomas Høiberg Giselsson.
Derfor er der her et behov for at justere oplæringen af AI’en f.eks. ved at fodre den med flere eksempler på blå tape eller bruge en anden oplæringsmodel, der ikke er lige så afhængig af at se fejl. Alternativt kan man også vælge at spotte fejlen med blå tape gennem standard billedanalyse.
Godt på vej
På trods af blå tape og besværligheder med at få store mængder data, er både Danfoss Drives og Dansac kommet godt på vej mod en fremtid med AI.
”Resultaterne var utroligt positive,” fortæller Peter Ipsen.
AI’en havde gennem Teknologisk Instituts oplæring lært at opsnappe 93 pct. af fejlene i produkterne.
”Vi skal have skaleret det her op. Vi skal ud og have sat det på maskinen og prøve det i praksis,” fortæller Peter Ipsen.
Her vil AI’en vokse sig stærkere, som den absorbere viden om fejltyper.
Samtidig har Danfoss drives fundet en løsning til at få nok data ud af deres visionsystem. Med afsæt i den viden, de har fået ud af projektet, arbejder Danfoss Drives nu med at lære en AI, hvordan et rigtigt produkt ser ud frem for at oplære i fejltyper, da der er så få fejl i produktionen af printplader.
”Vi har fået meget ud af projektet, også selvom det ikke blev præcis som vi troede,” siger Kristian Revall Thorsen.
Håbet for begge virksomheder er at få et værktøj, som kan skaleres ud til andre steder produktion.
