Τι έγινε
Το Business Insider αναφέρει ότι ο κατασκευαστής αεροσκαφών Safran επεκτείνει τη χρήση του λογισμικού επιθεώρησης ποιότητας με τεχνητή νοημοσύνη που αναπτύχθηκε από την Loopr AI. Μετά από πιλοτικά έργα που ξεκίνησαν πριν από δύο χρόνια, η Safran εισάγει τώρα την τεχνολογία στις εγκαταστάσεις παραγωγής της στο Marysville της Ουάσιγκτον και στη Σάντα Μαρία της Καλιφόρνια. Το σύστημα χρησιμοποιεί συνθετικά δεδομένα για την αντιμετώπιση της σπανιότητας δεδομένων στον εντοπισμό ελαττωμάτων, μειώνοντας τους χρόνους επιθεώρησης για εξαρτήματα όπως τα καπάκια τουαλέτας από 20-30 λεπτά σε 5-10 λεπτά.
Σύμφωνα με το Business Insider, ο Safran ξεκίνησε πιλοτικά έργα με το Loopr AI πριν από δύο χρόνια για να ελέγξει εάν η τεχνητή νοημοσύνη θα μπορούσε να βελτιώσει τον εντοπισμό ελαττωμάτων μειώνοντας παράλληλα τον χρόνο επιθεώρησης και τεκμηρίωσης. Η εταιρεία αντιμετώπισε προκλήσεις επειδή παράγει μια μεγάλη ποικιλία ανταλλακτικών, αλλά όχι σε μεγάλους όγκους, καθιστώντας δύσκολη τη συγκέντρωση των χιλιάδων συνόλων δεδομένων πραγματικού κόσμου που απαιτούνται συνήθως για την εκπαίδευση ισχυρών μοντέλων τεχνητής νοημοσύνης.
Για να το αντιμετωπίσει αυτό, το Loopr AI χρησιμοποίησε τη δημιουργία συνθετικών δεδομένων, δημιουργώντας νέα δείγματα εκπαίδευσης από υπάρχουσες εικόνες και τροποποιώντας τα για να αυξήσει το μέγεθος των δεδομένων. Αυτό επέτρεψε στη Safran να προσομοιώσει διάφορα σενάρια παραγωγής ενώ επικυρώνει τα αποτελέσματα σε σχέση με δεδομένα του πραγματικού κόσμου. Το λογισμικό εντοπίζει καλλυντικά ελαττώματα σε συγκροτήματα καμπίνας συγκρίνοντάς τα με σχέδια παραγωγής και συγκεκριμένες απαιτήσεις εξαρτημάτων.
Η εφαρμογή έχει αποφέρει μετρήσιμα κέρδη αποτελεσματικότητας. Για επιθεωρήσεις καθισμάτων τουαλέτας, ο χρόνος διαδικασίας μειώθηκε από 20 σε 30 λεπτά σε μόλις 5 έως 10 λεπτά. Το σύστημα δημιουργεί αυτόματα φύλλα ελαττωμάτων και επιθεώρησης, μια εργασία που προηγουμένως εκτελούνταν χειροκίνητα από επιθεωρητές. Ο Bindioa Ouali, ανώτερος διευθυντής ψηφιακής παραγωγής της Safran, δήλωσε ότι αυτή η ταχύτερη διαδικασία επέτρεψε στην εταιρεία να παράγει 10% έως 15% περισσότερα εξαρτήματα από πριν, αυξάνοντας την απόδοση για την τελική συναρμολόγηση.
Η τεχνολογία λειτουργεί τόσο σε αυτοματοποιημένη όσο και σε υβριδική λειτουργία. Σε αυτοματοποιημένες ρυθμίσεις, οι ρομποτικοί βραχίονες φωτογραφίζουν μέρη πριν και μετά την εφαρμογή βαφής για ανάλυση AI. Σε υβριδικές ρυθμίσεις, όπως για σύνθετα συγκροτήματα καμπίνας, οι επιθεωρητές τραβούν χειροκίνητα φωτογραφίες από διαφορετικές γωνίες και τις ανεβάζουν στο σύστημα. Το AI εντοπίζει πιθανά προβλήματα και δημιουργεί τεκμηρίωση, ενώ οι άνθρωποι μπορούν να ελέγξουν, να επιβεβαιώσουν ή να διορθώσουν τα ευρήματα, κάτι που βοηθά στη βελτίωση του μοντέλου με την πάροδο του χρόνου.
Το Business Insider αναφέρει ότι με την ολοκλήρωση των επιτυχημένων πιλότων, η Safran εισάγει τώρα την τεχνολογία της Loopr στις εγκαταστάσεις της στο Marysville της Ουάσιγκτον και στη Σάντα Μαρία της Καλιφόρνια. Το σύστημα είναι αγνωστικό ως προς το υλικό, μπορεί να λειτουργεί σε διάφορους τύπους καμερών και tablet που χρησιμοποιούνται ήδη από την εταιρεία.
Στοιχεία πηγής: businessinsider.com ↗
Γιατί έχει σημασία
Αυτή η ανάπτυξη καταδεικνύει μια πρακτική εφαρμογή συνθετικών δεδομένων στην επίλυση του προβλήματος της «σπανιότητας δεδομένων» που είναι εγγενές στην κατασκευή χαμηλού όγκου και μεγάλης ποικιλίας. Με την αυτοματοποίηση του εντοπισμού και της τεκμηρίωσης καλλυντικών ελαττωμάτων, η Safran αναφέρει αύξηση 10-15% στην απόδοση παραγωγής. Αυτή η μελέτη περίπτωσης υπογραμμίζει πώς η τεχνητή νοημοσύνη μπορεί να τυποποιήσει τις διαδικασίες διασφάλισης ποιότητας, να μειώσει τα σφάλματα που σχετίζονται με την ανθρώπινη κόπωση και να διατηρήσει τη θεσμική γνώση, προσφέροντας ένα αναπαραγόμενο μοντέλο για άλλες αεροδιαστημικές και κατασκευαστικές εταιρείες που αντιμετωπίζουν παρόμοιες προκλήσεις δεδομένων.
Η βασική καινοτομία εδώ είναι η χρήση συνθετικών δεδομένων για να ξεπεραστεί το πρόβλημα της σπανιότητας δεδομένων στην εξειδικευμένη κατασκευή. Η παραδοσιακή εκπαίδευση τεχνητής νοημοσύνης απαιτεί μεγάλα σύνολα δεδομένων πραγματικών ελαττωμάτων, τα οποία είναι σπάνια και δαπανηρά να δημιουργηθούν σε περιβάλλοντα παραγωγής χαμηλού όγκου. Δημιουργώντας τεχνητά δεδομένα που μιμούνται πραγματικά ελαττώματα, οι εταιρείες μπορούν να εκπαιδεύσουν αποτελεσματικά μοντέλα χωρίς να περιμένουν χρόνια ιστορίας παραγωγής.
Αυτή η ανάπτυξη έχει άμεσες πρακτικές επιπτώσεις για τη λειτουργική αποτελεσματικότητα. Η αναφερόμενη αύξηση της απόδοσης κατά 10-15% και η μείωση του χρόνου επιθεώρησης υποδηλώνουν ότι η τεχνητή νοημοσύνη μπορεί να μειώσει σημαντικά το κόστος της διασφάλισης ποιότητας. Αυτό είναι ιδιαίτερα σημαντικό για τους κατασκευαστές αεροδιαστημικής όπου η ακρίβεια είναι κρίσιμη και το κόστος εργασίας είναι υψηλό.
Το σύστημα αντιμετωπίζει επίσης το ζήτημα της ανθρώπινης κόπωσης και υποκειμενικότητας. Ενώ οι έμπειροι επιθεωρητές μπορούν να εντοπίσουν έως και το 90% των ελαττωμάτων, η απόδοσή τους μπορεί να ποικίλλει λόγω κόπωσης. Η τεχνητή νοημοσύνη παρέχει ένα σταθερό πρότυπο, αφαιρώντας την υποκειμενικότητα και διατηρώντας τις γνώσεις έμπειρων χειριστών σε κλιμακούμενη μορφή.
Αυτή η μελέτη περίπτωσης χρησιμεύει ως απόδειξη της ιδέας για την ευρύτερη εφαρμογή συνθετικών δεδομένων στη βιομηχανική τεχνητή νοημοσύνη. Αποδεικνύει ότι η τεχνητή νοημοσύνη δεν είναι μόνο για καταναλωτικά αγαθά μεγάλου όγκου, αλλά μπορεί να αναπτυχθεί αποτελεσματικά σε σύνθετους, χαμηλού όγκου και υψηλής ακρίβειας κατασκευαστικούς τομείς.
Διαδραστικός Μηχανισμός: Πώς λειτουργεί στην πραγματικότητα
Εξερευνήστε την υποκείμενη τεχνολογία πίσω από αυτήν την εξέλιξη διαδραστικά.
Which training-log entry describes one completed epoch?
Τι να παρακολουθήσετε στη συνέχεια
Παρακολουθήστε τις μετρήσεις μακροπρόθεσμης απόδοσης του συστήματος επιθεώρησης τεχνητής νοημοσύνης στις νέες εγκαταστάσεις των ΗΠΑ, ειδικά όσον αφορά τους ρυθμούς ανάκλησης ελαττωμάτων και τη συνέπεια απόδοσης. Παρακολουθήστε για ευρύτερη υιοθέτηση εργαλείων παραγωγής συνθετικών δεδομένων στην αλυσίδα εφοδιασμού της αεροδιαστημικής και πιθανές ρυθμιστικές απαντήσεις στη διασφάλιση ποιότητας με τη βοήθεια τεχνητής νοημοσύνης σε βιομηχανίες που είναι κρίσιμες για την ασφάλεια.
Παρακολουθήστε την απόδοση του συστήματος επιθεώρησης τεχνητής νοημοσύνης στις νέες εγκαταστάσεις των ΗΠΑ για να δείτε εάν τα κέρδη απόδοσης που αναφέρθηκαν στα πιλοτικά διατηρούνται σε κλίμακα. Αναζητήστε τυχόν αναφορές ψευδών θετικών ή αρνητικών που ενδέχεται να απαιτούν περαιτέρω συντονισμό μοντέλου.
Παρατηρήστε εάν άλλες αεροδιαστημικές ή κατασκευαστικές εταιρείες υιοθετούν παρόμοια εργαλεία επιθεώρησης με βάση τα συνθετικά δεδομένα. Αυτό θα μπορούσε να σηματοδοτήσει μια ευρύτερη στροφή του κλάδου προς τη διασφάλιση ποιότητας με τη βοήθεια AI.
Παρακολούθηση των ρυθμιστικών εξελίξεων σχετικά με τη χρήση της τεχνητής νοημοσύνης στην κρίσιμη για την ασφάλεια παραγωγή. Καθώς η τεχνητή νοημοσύνη αναλαμβάνει περισσότερους ρόλους στον ποιοτικό έλεγχο, οι ρυθμιστικές αρχές μπορεί να χρειαστεί να θεσπίσουν νέα πρότυπα για την επικύρωση και την επίβλεψη.
Παρακολουθήστε για περαιτέρω εξελίξεις από το Loopr AI και άλλους παρόχους συνθετικών δεδομένων καθώς επεκτείνουν τις προσφορές τους σε άλλες βιομηχανίες που αντιμετωπίζουν παρόμοιες προκλήσεις έλλειψης δεδομένων.