Tekoälyhaasteet AM:lle yhdessä

Tekoälyä (AI) voidaan käyttää additiivisessa valmistuksessa (AM) monin eri tavoin. Syvän koneoppimisjärjestelmän luominen ei kuitenkaan ole suoraviivaista. AMEXCI:n tekoälyohjelmapäällikkö Maud Chidiac selittää, miksi AMEXCI käynnisti Rosetta-protokollan ja miksi on ratkaisevan tärkeää, että eri sidosryhmät kokoontuvat yhteen koodin murtamiseksi.   

Koneoppimisalgoritmit tarvitsevat suuria määriä dataa, ennen kuin ne voivat alkaa tuottaa tehokkaita tuloksia. AMEXCI:n toukokuussa 2020 käynnistämässä Rosetta-protokollassa on kyse AM-tietojen käyttäjien voimien yhdistämisestä ja erityyppisten toisiaan täydentävien metallien L-PBF-seurantatietoaineistojen keräämisestä.
- Tärkein yhteinen haaste yrityksille on saada monipuolinen, johdonmukainen ja vankka tietokokonaisuus koneoppimismallin kouluttamista varten. Toivomme, että kumppanimme haluaisivat liittyä Rosetta-protokollaan ja osallistua ei-kriittisten seurantatietojen keskinäiseen vaihtoon, jotta kaikki mahdolliset käyttötapaukset voitaisiin kattaa, Maud Chidiac sanoo. 

Kun nämä raakadatat on kerätty algoritmin kouluttamisen pääaineistoksi, seuraava kysymys on, mitä niillä tehdään? Vaikka useimmilla alan toimijoilla on erilaiset strategiat AM-dataa varten, yksi yhteinen haaste on määritellä oikea laajuus näiden tietokokonaisuuksien perusteella. AMEXCI on vuoden ajan tehnyt pohjatyötä - tutkinut tekoälysovellusten mahdollisia alueita AM-työnkulussa, määritellyt tiedonkeruustrategian ja rajannut soveltamisalan. Painopistealueita voisivat olla suunnittelutiedot, simulointitiedot, testaus- ja seurantatiedot. Tärkeintä on ajatella laajasti mutta aloittaa konkreettisesti.
- Valitsimme laajuudeksi keskittyä sisäisten seurantajärjestelmiemme havaintoihin ja yrittää selvittää, mitä ne voivat kertoa tulostuksen aikana tapahtuvista virheistä. Koska me kaikki kamppailemme pyrkiessämme purkamaan seuranta- ja AM-työnkulkujen tietoja, uskomme, että AM-tietojen käyttäjien välisen vuoropuhelun avaaminen voisi olla myönteinen kehitysaskel alalle, sanoo Maud Chidiac.

Täydentävien tekoälylähestymistapojen hyödyntäminen 

Osallistuminen Rosetta-pöytäkirjaan ei rajoitu pelkästään tietojen jakamiseen, vaan se antaa osallistujille mahdollisuuden jakaa kokemuksia omasta lähestymistavastaan.
- Riippumatta siitä, millä tavoin yritykset tutkivat koneoppimista AM:n kannalta, hyödynnämme toisiaan täydentäviä tekijöitä. Osallistuvilla yrityksillä on pääsy foorumiin, jossa ne voivat jakaa haasteensa muiden kanssa. Haluamme olla liikkeellepaneva voima, jotta tämä yhteinen aloite hyödyttää yksittäisiä tekoälymatkojamme, sanoo Maud Chidiac.