Memanfaatkan AI untuk Merevolusi Otomasi Industri

Pendekatan paling canggih untuk sistem robotik sepenuhnya pintar

AI (kecerdasan buatan) memungkinkan otomatisasi sejumlah proses bisnis dan aplikasi industri yang semakin banyak. Lingkup dan kecepatan otomatisasi pintar secara langsung tergantung pada kemajuan AI dan sebagai telles mengalami lonjakan besar di beberapa tahun terakhir. Digabungkan dengan 3D machine vision yang canggih, AI memungkinkan robot untuk mengenali, melokalkan, dan menangani jenis objek apa pun sehingga mengotomatisasi tugas yang terlalu berbahaya, monoton, atau memenuhi untuk manusia.

Namun apa yang dimaksud dengan AI dalam otomasi industri, bagaimana cara kerjanya, dan apa kemungkinan yang dibukanya bagi pabrik dan bisnis yang berusaha untuk modernitas, inovasi, dan produktivitas yang ditingkatkan? Pertama, mari kita lihat permulaan AI dan perkembangan bertahapnya.

Dari arsitektur pertama hingga jaringan saraf konvolusional

Istilah AI mungkin mewakili sejumlah kemampuan dan proses mesin – dari statistik sederhana melalui pohon keputusan hingga jaringan saraf, seperti jaringan saraf konvolusional, atau bahkan pendekatan yang lebih canggih seperti reinforcement learning.

Sejarah perkembangan AI menyaksikan beberapa pendekatan tetapi jaringan saraf terbukti menjadi yang paling menjanjikan dan menarik berkat kemampuan mereka untuk menyederhanakan.

Pada tahun 1990-an dan awal tahun 2000, jaringan saraf mendapatkan perhatian besar berkat aplikasi pertama yang berhasil dalam pengenalan karakter yang termasuk pembacaan angka tulisan tangan dalam cek bank dan kode pos surat. Jaringan saraf ini dilatih pada kumpulan data yang disebut MNIST dataset (singkatan dari Modified National Institute of Standards and Technology), yang merupakan kumpulan digit tulisan tangan dari 0 hingga 9 yang digunakan dalam machine learning dan machine vision untuk melatih sistem pemrosesan citra. MNIST dataset berfungsi sebagai dasar untuk pengujian algoritma klasifikasi dan masih digunakan hingga saat ini untuk tujuan pelatihan dan pengujian.

Meskipun jaringan saraf klasik ini mampu belajar praktis apa pun, mereka mewakili arsitektur fully-connected lama dan melatihnya memerlukan banyak waktu dan usaha. Ini karena semua neuron di satu lapisan terhubung sepenuhnya dengan neuron di lapisan berikutnya – yang berarti sejumlah besar parameter yang perlu dipelajari, yang naik seiring ukuran citra. Meskipun kinerja komputer membaik seiring waktu, masih memakan waktu sangat lama untuk melatih pengenalan citra yang kecil pun.

Titik balik dalam perkembangan AI ditandai dengan pengenalan jaringan saraf konvolusional (CNN). CNN terutama digunakan untuk menganalisis citra visual, termasuk klasifikasi citra atau pengenalan pola, dan membentuk tulang punggung banyak sistem machine vision modern. Bidang aplikasi utama lainnya adalah pemrosesan bahasa alami.

CNN, dengan kata lain yang sangat kasar, terinspirasi oleh sistem korteks visual di otak. Ide utama di balik CNN bukan untuk menghubungkan semua neuron satu sama lain, seperti yang terjadi pada jaringan fully-connected, tetapi hanya dengan neuron tetangga untuk menciptakan kedekatan, karena input yang berdekatan, seperti piksel, membawa informasi yang terkait. Ini berarti CNN dapat memiliki beberapa lapisan dan neuron di satu lapisan hanya terhubung dengan neuron di lapisan berikutnya yang spasial dekat dengan mereka. Ini mengurangi kompleksitas, jumlah neuron dalam jaringan, dan oleh karena itu juga jumlah parameter yang perlu dipelajari. Berkat ini, CNN lebih cepat dilatih, membutuhkan lebih sedikit sampel, dan juga dapat diterapkan pada citra yang lebih besar.

Istilah “convolutional” merujuk pada proses penyaringan di mana CNN mendeteksi pola. Lapisan individual convolve, yaitu menggabungkan, input dan memberikan hasilnya ke lapisan berikutnya.

Kemajuan dalam perkembangan CNN juga telah dipercepat oleh kemajuan dalam unit pemrosesan grafis (GPUs). Kinerja dan kekuatan perhitungan mereka telah meningkat sangat besar selama beberapa tahun terakhir, membuka kemungkinan baru untuk melatih CNN.

Salah satu pemimpin paling diakui di bidang AI, sering disebut sebagai “Kakek AI”, adalah Geoffrey Hinton. Dia memiliki gelar dalam psikologi eksperimental dan kecerdasan buatan. Kombinasi ini memberikan wawasan besar bagaimana melatih jaringan saraf buatan.

Pada tahun 2012 muridnya Alex Krizhevsky menandai titik balik lain dalam AI ketika ia membuat CNN yang dapat meniru cara otak manusia mengenali objek. CNN dinamai AlexNet dan untuk pertama kalinya dalam sejarah memungkinkan mesin untuk mengidentifikasi objek seperti orang.

Keberhasilan ini mempopulerkan jaringan saraf konvolusional dan menunjukkan rentang aplikasi yang luas tempat CNN dapat digunakan.

Melatih jaringan saraf konvolusional

Dalam pengenalan objek, penting bahwa CNN memiliki properti yang disebut invariance. Ini berarti bahwa CNN invarian terhadap translasi, sudut pandang, ukuran, atau iluminasi untuk dapat menginterpretasikan pola input dan mengklasifikasikan objek tanpa memikirkan di mana dan bagaimana mereka ditempatkan dalam citra. Untuk mencapai ini, CNN perlu dilatih pada sejumlah contoh. Salah satu praktik terbaik untuk meningkatkan jumlah data yang relevan dalam kumpulan data adalah data augmentation.

Augmentation adalah praktik memodifikasi data input, yaitu citra asli, untuk menghasilkan beberapa versi lain yang sedikit diubah. Teknik augmentation termasuk flip horizontal atau vertikal, rotasi, scaling, cropping, memindahkan citra di arah X atau Y, dan lainnya.

Melatih CNN pada data yang diubah membuat neuron imun terhadap augmentation tersebut dan mencegahnya mempelajari pola yang tidak relevan. Seekor bebek yang dibalik tetap akan dikenali sebagai bebek.

Yang sangat berguna di sini adalah yang disebut transfer learning. Untuk menghilangkan jumlah data pelatihan, seseorang dapat menggunakan jaringan yang sudah ada dan sudah dilatih dan menerapkan beberapa filternya untuk pengenalan jenis objek baru. Misalnya, jaringan yang dilatih untuk pengenalan anjing juga dapat digunakan untuk pengenalan kucing dengan mempertahankan beberapa filter dan hanya memodifikasi bagian tertentu. Ini berarti jaringan akan menyesuaikan diri untuk pengenalan kucing.

Manfaat jaringan saraf konvolusional modular

Nilai besar CNN terletak pada arsitektur mereka dan fakta bahwa modul individual melihat blok citra tunggal. Modul tidak perlu dilatih secara bersamaan dan dapat dengan mudah digabungkan. Penggabungan modul yang sudah dilatih ini melahirkan arsitektur kompleks yang dapat digunakan untuk segmentasi. 

Berbeda dengan AlexNet, yang hanya dapat mengenali apa yang ada dalam citra, CNN kompleks ini dapat melakukan segmentasi objek dan menentukan lokasi objek dalam citra.

Modularitas ini memungkinkan seseorang untuk menggunakan saluran input yang berbeda, yang berarti jika CNN digunakan untuk data hitam & putih, ia juga dapat digunakan untuk data warna, dan jika digunakan untuk data warna, ia dapat diperluas dengan informasi kedalaman. Menambahkan informasi tambahan meningkatkan kinerja CNN, yang termasuk akurasi yang ditingkatkan dan pengenalan objek serta posisi mereka yang lebih baik.

Dari pengenalan objek ke solusi otomatisasi pintar

Berdasarkan fitur dan karakteristik di atas dari jaringan saraf konvolusional, Photoneo mengambil CNN sebagai dasar untuk sistem kecerdasan robotik canggih dan solusi otomatisasi mereka. 

CNN Photoneo bekerja dengan data hitam & putih, data warna, serta informasi kedalaman. Algoritma dilatih pada kumpulan data besar objek dan jika mereka menemui jenis item baru, mereka dapat dengan cepat menyederhanakan, yaitu mengenali dan mengklasifikasikan objek yang belum pernah “dilihat” sebelumnya. 

Mari kita ambil konsep kotak, misalnya. Algoritma dilatih pada kumpulan data besar kotak sehingga mereka memahami bahwa kotak memiliki sejumlah sisi, tepi, dan titik sudut. Prinsip ini juga akan bekerja untuk kotak yang belum pernah ditemukan oleh algoritma sebelumnya, bahkan yang dicubit atau rusak. Nilai terbesar AI terletak pada fakta bahwa ia dapat menyederhanakan konsep yang telah dilatih tanpa perlu pelatihan ulang lebih lanjut.

Ini memungkinkan sistem Photoneo untuk mengenali item dengan berbagai bentuk, ukuran, warna, atau materi – kemampuan robotik yang digunakan untuk pelokalan dan penanganan objek campuran, termasuk item organik seperti buah atau ikan, pengurutan paket, pembongkaran pallet yang dimuat dengan kotak, dan banyak aplikasi industri lainnya. 

Juga mungkin terjadi bahwa algoritma menemui objek dengan fitur yang sangat berbeda daripada yang dilatih oleh algoritma. Ini dapat membuat CNN bingung dan menyebabkan penurunan kinerja. Apa yang dapat dilakukan untuk menyelesaikan masalah ini adalah untuk mencegahnya dengan mengekspektasi objek eksotis atau untuk memiliki sistem pelatihan ulang yang baik. Dalam kasus terakhir, kinerja akan sementara lebih rendah tetapi CNN akan dilatih ulang untuk mencapai kinerja penuh dengan cukup cepat.

Jika pelanggan perlu mengambil item yang tidak biasa atau produk non-komersial seperti komponen industri, CNN dapat dilatih pada kumpulan data spesifik yang berisi item eksotis ini.

Saat berkaitan dengan realisasi proyek pelanggan, pelanggan menerima CNN Photoneo untuk uji coba pilot dan studi kelayakan untuk memastikan bahwa jaringan dapat digunakan untuk aplikasi tertentu. CNN ini kemudian dapat ditingkatkan dan dilatih lebih lanjut pada citra dari fase pilot proyek, yang akan memberikan variabilitas yang lebih besar.

Tantangan terbesar dalam pengenalan dan pengambilan objek yang didukung AI

Tantangan terbesar juga dapat dijelaskan sebagai potongan teka-teki terakhir yang hilang dalam rentang objek yang dapat diambil. Potongan terakhir ini adalah tas. 

Kesulitan terletak pada sifat tas karena mereka sangat dapat berubah bentuk dan penuh dengan keriput, lipatan, dan ketidakteraturan lainnya. Meskipun tantangan yang ditimbulkan oleh tas terhadap AI, Photoneo mengembangkan sistem yang mampu mengenali dan mengambil tas, baik itu penuh, setengah penuh, berwarna, transparan, atau semi-transparan. Tugas ini seringkali sulit bahkan untuk mata manusia, yang mungkin merasa sulit untuk mengenali batas antara tas yang ditempatkan secara acak dalam wadah, terutama jika transparan.

Namun, pengenalan dan pelokalan tas yang baik hanyalah bagian dari prasyarat untuk pengambilan objek yang berhasil. Bagian lain berkaitan dengan sisi mekanis aplikasi – gripper robot. Fakta bahwa tas penuh dengan lipatan dan keriput meningkatkan risiko bahwa mereka akan jatuh dari gripper. Risiko ini dapat dicegah dengan menggunakan vacuum gripper yang tepat dengan feedback.

Perkembangan AI di masa depan

Meskipun kemajuan signifikan telah dicapai dalam AI selama beberapa tahun terakhir, bidang ini masih menawarkan ruang luas untuk prestasi baru. Misalnya, yang disebut reinforcement learning mendapat perhatian besar karena tampak sangat menjanjikan dalam menyarankan gerakan kompleks, misalnya memungkinkan robot untuk menyesuaikan posisi item sebelum memegangnya. 

Reinforcement learning tidak hanya mampu mengatasi pengenalan objek tetapi juga masalah mekanis aplikasi. Ini berarti bahwa ini tidak hanya memungkinkan sistem untuk mengenali item tetapi juga menilai langkah individu dari tindakan robot berdasarkan hadiah dan hukuman dan “menghitung” peluang keberhasilan atau kegagalan. Dengan kata lain, algoritma AI dilatih untuk membuat sekutan keputusan yang akan mengarah pada tindakan yang memaksimalkan total hadiah. Contoh kekuatan reinforcement learning adalah menguasai dan memenangi permainan papan Go.

Meskipun potensi yang besar, reinforcement learning erat kaitannya dengan lingkungan tempat ia diterapkan dan keterbatasan yang mungkin ditimbulkannya. Misalnya, gripper yang digunakan dan fungsionalitas serta keterbatasannya akan selalu mempengaruhi kinerja keseluruhan sistem.

AI adalah penggerak utama teknologi yang muncul dan perkembangannya akan sangat tergantung pada sejumlah faktor, termasuk permintaan pasar, harapan pelanggan, persaingan, dan banyak lagi.