Fyrsta umferð gervigreindarforrita er þegar komin í leysiefnisvinnslu. Önnur umferð mun flýta fyrir vélanámi verulega. Mikilvægast: gervigreind selur.
ANDREAS THOSS, RITSTJÓRI
Hingað til hefur gervigreind tekið miklum framförum á grundvelli getu þess til að vinna úr miklu magni gagna. Greining á tugum textaskjala leiddi til dæmis til þróunar stórra tungumálalíkana sem við höfum samskipti við eins og þau séu mannleg. Þetta hefur verið loforð frá fyrstu dögum tölvunarfræðinnar, sem og þema í mörgum vísindaskáldsögubókum. Það hefur verið uppfyllt aðeins nýlega.
Með leyfi Fraunhofer Institute for Laser Technology ILT, Aachen, Þýskalandi.
Í iðnaði hefur gervigreind afrekað enn undraverðari hluti og hefur nýlega orðið ótrúlega hraðari.
AI í iðnaði
Notkun gervigreindar í iðnaði er langt umfram tungumálavinnslu (þótt gervigreind umboðsmenn sigri líka vefsíður söluaðila). Í fyrsta lagi hjálpa þeir til við að gera nokkur mismunandi myndvinnsluverkefni sjálfvirk. Þýski vélaframleiðandinn TRUMPF býður til dæmis upp á sérstaka gervigreindarstillingu fyrir myndvinnsluhugbúnað sinn. Fyrir hárnálasuðu í rafmótorum hjálpar gervigreind við að bera kennsl á suðufélagana (eins og hárnælur) þegar erfiðleikar koma upp vegna birtuskila, endurkasta eða skugga í myndinni. Samkvæmt TRUMPF hefur lausnin aukið „first--yield“ úr 99,2% í 99,8%. Þetta jafngildir 4× færri "ekki í lagi" hlutum.
En þetta er bara byrjunin. Í framtíðinni mun gervigreind nota gögn frá mörgum aðilum og bæta framleiðni fyrir, meðan á og eftir vinnslu. Hæfni þess til að vinna úr gríðarlegu magni af gögnum er sérstaklega tímabær þar sem nokkrar straumar leiða til sífellt meiri gagnasköpunar í iðnaði.
Ein slík þróun er gæðaeftirlit. Bílaframleiðendur geta til dæmis myndað hvern suðusaum og rakið endingarvandamál til framleiðsluferla. Gervigreind getur greint á milli „góðra“ og „slæma“ suðusauma byggt á ljósmyndum sem safnað er við framleiðslu. Þetta er dæmi um innbyggða, eða eftir-ferli, ferli sem framleiðir gögn í öllum mikilvægum framleiðsluþrepum. Það á auðvitað við um fleira en bílaframleiðslu.
Önnur þróun er tengd stafrænum tvíburum. Fullkomnar vélar eða framleiðsluaðstaða er líkt eftir í stafrænum heimi þar sem suðuferlið sjálft er hermt í tölvunni. Raunveruleg gögn hjálpa til við að bæta slík líkön, þó að gögnin sem þau framleiða séu í meginatriðum tilbúin.
Báðar stefnurnar eru nátengdar þróun gervigreindar. Í gæðaeftirliti er vélanám (ML) notað til að aðgreina góða og slæma hluta. Vélin lærir hvaða færibreytur eru mikilvægar og stjórnandi eða forritari setur viðmiðunarmörk fyrir viðvaranir eða hvenær vélin ætti að stöðvast.
Einnig hefur verið sýnt fram á notkun gervigreindar í skoðunum eftir-ferli. Til dæmis notar þýska fyrirtækið Scansonic MI gervigreind til að bera kennsl á góða og slæma suðusauma á myndum. Frekari rannsóknir munu ákvarða hvernig hægt er að nota „nota í-ferli“ greiningu fyrir lokaða-lykkjuferlisstýringu. Auk myndvinnslu getur þetta falið í sér litrófsskynjara, leysiþríhyrning fyrir þrívíddarmyndatöku eða sjónræn samhengissneiðmynd fyrir suðu-dýptargreiningu.
Suðu er sterkt dæmi, en það er bara eitt. Slík tækni getur (og verður) verið notuð hvar sem notkunartilvikið er nógu stórt til að réttlæta fjárfestinguna.
AI í gæðaeftirliti er fyrst og fremst notað til mynsturþekkingar á unnum hlutum. Til að loka stjórnlykkjunni krefst gervigreindar þekkingar um ferlið frá upphafi. Þess vegna nota rannsakendur vinnsluhermun(ir) sem eru fóðraðir með eins mörgum ferlibreytum og mögulegt er. Hér hefur gervigreind enn meiri möguleika - það gæti tengt inntaks- og úttaksfæribreytur. Vísindamenn við Central Laser Facility í Rutherford Appleton rannsóknarstofu vísinda- og tækniráðsins í Englandi hafa til dæmis notað gervigreind til að fínstilla leysikerfi fyrir plasmahröðun1. Það eru margir hnappar til að snúa og leysiplasmaferlið er mjög ólínulegt. AI hjálpaði vísindamönnunum að koma á stöðugleika í kerfinu og koma á plasmarás fyrir rafeindahröðun.
Notað á iðnaðinn gæti gervigreind-undirstaða ferlihermun gert kleift að loka lykkjunni fyrir ferlistýringu. AI veit hvaða hnappi á að snúa til að koma vörugæðum aftur í forskrift. Það getur lært með því að gera tilraunir með alla hnappana og kanna landslag breytu. Vel-þekkt líkön eru til til að leysa þetta verkefni.
En að prófa öll afbrigði getur verið tíma- og orkufrekt-. Áhugaverða spurningin á þessum tímapunkti tengist fyrri þekkingu: Hversu miklu hraðari getur gervigreindarnám orðið ef líkaninu er gefið það sem menn vita nú þegar um ferlið?
AI þróun í ljóstækniiðnaðinum
Þann . 2 og 3. október 2025 héldu þýsku iðnaðarsamtökin SPECTARIS - studd af Fraunhofer Institute for Laser Technology ILT (Fraunhofer ILT) og sambandssamtökin BITMi - vinnustofu um gervigreind í ljóseindafræði. Þátttakendur komu frá rannsóknarstofnunum, þar á meðal Fraunhofer ILT sjálfu, og nokkrum háskólum, en aðallega úr iðnaði, með fulltrúum frá Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH og fleiri. Þó að sumar af 27 kynningunum hafi fjallað um gervigreind í sjónhönnun, beindist vinnustofan aðallega að gervigreindarnotkun í iðnaðar leysitækni.
Aðstoðarmenn gervigreindar gætu hjálpað leysirekendum að finna réttu kennsluna í stórum þekkingargrunni eða hámarka ferilskipulagningu í leysiskurði. Áhugaverðara er hvernig gervigreind styður flóknar ákvarðanir, til dæmis við gæðaeftirlit með leysisuðu eða framleiðsluferlum leysiefna. Carlo Holly, formaður tækni í ljóskerfum við RWTH Aachen háskólann og deildarstjóri hjá Fraunhofer ILT, tók saman helstu þróunina í þingfundi sínum: "Við erum nú að færast frá gagna-bundinni gervigreind í átt að gagna- og eðlisfræði-upplýstum gervigreind."
Holly útskýrði þetta með dæmi úr rannsóknum sínum. Hópur hjá Fraunhofer ILT þróaði áður ferli fyrir háhraða leysiefnisútfellingu (EHLA, eða mjög háhraða leysiefnisútfellingu). Meira en 100 breytur hafa áhrif á gæði húðunar í þessu ferli. Þannig tekur að flytja ferlið yfir í annað efni venjulega tvö ár með 1500 tilraunum og greiningum. Með því að nota staðgöngulíkan af ferlinu og (bayesískt) gervigreindarhagræðingarlíkan, fækkaði teymi Holly fjölda prófana verulega: Aðeins þurfti 17 tilraunir til að finna bestu ferlibreytur2.
Auðvitað er viðvarandi rannsóknarefni að finna réttu módel og aðferðir. Það er uppörvandi að núverandi rannsóknir hafa sýnt að tíminn fyrir hagræðingu ferla hefur verið styttur í mínútur frekar en mánuði. Og að sjálfsögðu er sjálfvirk vinnslufínstilling næsta skref í átt að lokuðu-ferlisstýringu.
ML með 10× minna merktum gögnum
Þó að hagræðing ferla njóti góðs af fyrri þekkingu, gæti ML hagnast á hinu gagnstæða. Holly kynnti þessa óvæntu staðreynd á SPECTARIS vinnustofunni með hugmyndinni um skýringar-frítt ML. Kollegi hans, Julius Neuß, sýndi síðar hvernig þetta lítur út í gæðaeftirliti suðuferlis, byggt á tilraunum með leysisuðu á rafhlöðuhúsum úr áli.
Sem upphafspunktur bar Neuß nýju nálgunina saman við klassískt verkflæði undir eftirliti. Í uppsetningu undir eftirliti verða rekstraraðilar að skrifa athugasemdir á hvern hluta suðusaumsins handvirkt: vírstöðu, bræðslulaug, rúmfræði perlu, svitaholur og slettur (Mynd 1). Jafnvel fyrir lítið gagnasett verður þetta fljótt-vinnufrekt. Þar að auki lærir gervigreindin aðeins það sem er sérstaklega merkt og styrkleiki þess takmarkast bæði af fjölbreytileika og gæðum merkta gagnasettsins.
