3L: Machine Learning, Deep Learning eta Active Learning
Eremu honek eskaintzen dituen tresnekin (tensorflow, keras, Caffe, sk-learn, etab.) eta programazio lengoaia ezberdinekin lan egiteaz haratago, LORTEKen industriako arazoetara egokitutako algoritmoak diseinatzen ditugu. Egungo 4.0 Industriako datuen eztanda dagokionez, datu jatorri eta mota ezberdinekin, haien trazabilitatearekin eta datu faltsuaren detekzioari dagozkion arazoei egiten diegu aurre. Algoritmoak ad-hoc sortzen ditugu, zehaztasun eta kalitaterik handieneko iragarpen-ereduak sortzeko
Ezagutzaren zaharkitzea da kezkatzen gaituen alderdietako bat, horregatik gure metodoak Self-Learning tekniken bidez laguntzen ditugu. Teknika horiek ahalik eta errendimendu handiena bermatzen dute, bai industriako instalazioari dagokionez, baita testuinguru aldaketen ondorengo tolerantziari dagokionez ere (produktu, parametro nahiz osagarrien aldaketak).
Honako eremuetan aplikatzen ditugu metodo horiek: mantenu prediktiboa, produktuaren optimizazioa, optimizazio energetikoa eta akatsen iragarpena.
Ordenagailu bidezko Ikusmena
Irudi digitalen prozesamendua Machine Learning metodoak aplikatzeko kasu berezi bat da, izan ere, irudiak datu ordenatu-multzo izatearen abantaila du. Testuinguru horretan, ikusmen eremuko arazoei egokitutako teknikak aplikatzen ditugu, hala nola islapen-analisia, kalibrazio kromatikoa eta argiztapen-aldaketak zuzentzeko sistema automatikoak.
Metodo konputazionalei dagokienez, metodo klasikoekin lan egiten jarraitzen dugu, hala nola SVM, RF, Ann, Bayes, etab. Baina ikusmen-algoritmoez ari garela, Deep Learning teknikak eskaintzen dituen azken aurrerapenekin ere lan egiten dugu (CNN, RNn, Gan, etab.).
Ugari dira, ikuste-sistemekin batera, Active Learning software arkitekturak erabiltzen ditugun kasuak. Horrek esan nahi du langile adituak funtsezkoa izaten jarraitzen duela kalitate-kontrolean. Gaur egungo industriak gero eta serie laburragoak fabrikatzea eskatzen du, gero eta produktu barietate handiagoarekin. Langile aditua da, giza/AA interfazeak batuz, algoritmoak fabrikazio-testuinguru berrietara egokitzeko prozesua zuzentzen duena.
Metodo horiek kalitatea kontrolatzeko sistemetan aplikatzen ditugu. Produktu bat ematen dugunean, kamerekin behatzen dugu eta hortik ondorioztatzen dugu pieza ona den ala ez.
Kontrol Adimenduna
Kontrol adimenduneko sistemek adimen artifizialeko teknikak erabiltzen dituzte prozesu konplexuak kontrolatzeko. Oso eredu konplexuak dituzten prozesuak, ez linealak, ziurgabetasun-inguruneak dituztenak edo denborarekin aldatzen diren kontrol irizpide eta helburuak dituztenak. Kontrol adimendunari esker, metodo klasikoen bidez konpondu ezin diren kontrol-arazoak konpon daitezke. Kontrol adimenduna osatzen duten oinarrizko lau teknikak Kontrol Aditua, Kontrol Lausoa, Sare Neuronalak eta Algoritmo Genetikoak dira. LORTEKen teknika horiek prozesu industrial konplexuetan ezartzen lan egiten dugu, kalitatea hobetzeko berariazko helburuarekin.