Uczenie maszynowe w S2S-Systemdrucker GmbH to temat obszerny i bardzo specyficzny – a przy tym taki, który może uczynić druk 3D z granulatu zasadniczo wydajniejszym. W tym wpisie wyjaśniamy, jak wykorzystujemy modele uczenia maszynowego, aby dla wymagających materiałów takich jak ferryty, ceramika techniczna czy mieszanki materiałowe znaleźć optymalną parametryzację – i dlaczego nasze podejście świadomie opiera się na klasycznym uczeniu maszynowym, a nie na generatywnej AI.
Czym jest uczenie maszynowe – krótko
W dużym uproszczeniu uczenie maszynowe działa tak: za pomocą iteracyjnych pętli treningowych i matematycznych układów równań trenowana jest sieć neuronowa. Wytrenowana sieć potrafi następnie na podstawie dowolnie wielu parametrów wejściowych podejmować decyzje względnie dostarczać prognozy – i to tym lepiej, im więcej wysokiej jakości danych treningowych jest do dyspozycji.
Dla druku 3D robi się to interesujące dokładnie wtedy, gdy w grę wchodzi zadanie, które klasycznie wymaga dużego doświadczenia, czasu i iteracyjnych serii prób: parametryzacja.
Wyzwanie: każdy materiał i każde wymaganie są inne
Typowy projekt zaczyna się u nas tak: firma zwraca się do nas i mówi: „potrzebujemy takich a takich właściwości drukowanej części i całość musi powstać z tego konkretnego materiału”.
Wtedy zaczyna się nasza właściwa praca: jak sparametryzować maszynę? Jak ustawić granulat, mieszankę, wydajności wytłaczania? Właśnie w druku z granulatu z materiałami technicznymi przestrzeń parametrów jest ogromna – temperatury, zachowanie przy wytłaczaniu, proporcje mieszanki i właściwości materiału zazębiają się ze sobą. Klasycznie do optymalnego ustawienia dochodzi się przez serie prób. To działa, ale kosztuje czas i materiał.
Nasze podejście: uczyć się z każdego projektu
Tu wkraczają nasze modele uczenia maszynowego. Dysponujemy rosnącym zasobem danych: zakończone projekty, nasza baza materiałów, nasza baza parametrów. Na tej podstawie trenujemy modele, które uczą się dokładnie tych zależności.
W nowym projekcie wygląda to tak: podajemy modelowi parametry wejściowe projektu klienta – pożądane właściwości części, materiał, warunki brzegowe. Wytrenowany model analizuje te dane wejściowe i na podstawie swojego treningu proponuje parametryzację: proporcje mieszanki, wydajności wytłaczania i dalsze wielkości procesowe. Zamiast zaczynać od zera, startujemy z ugruntowaną, opartą na danych rekomendacją – i znacznie skracamy drogę do optymalnego ustawienia.
Niebezpieczeństwo przeuczenia – i jak mu przeciwdziałamy
Kto pracuje z uczeniem maszynowym, musi znać i traktować poważnie jeden problem: przeuczenie (overfitting). Model uczy się wtedy danych treningowych niejako na pamięć, zamiast uogólniać leżące u ich podstaw zależności. Skutek: na znanych danych daje znakomite wyniki, przy nowych, nieznanych konstelacjach zawodzi. Właśnie przy danych procesowych z produkcji, których z natury rzeczy nie ma w nieograniczonej ilości, to niebezpieczeństwo jest realne.
Dlatego od początku wbudowaliśmy w nasze procesy treningowe mechanizmy zapobiegające przeuczeniu – tak aby nasze modele dostarczały wiarygodnych rekomendacji także przy nowych kombinacjach materiałów i wymaganiach, a nie tylko odtwarzały przeszłość.
Ważne: klasyczne uczenie maszynowe zamiast generatywnej AI
Jedna kwestia leży nam na sercu: uczenie maszynowe jest wprawdzie formalnie poddziedziną sztucznej inteligencji – ale to, co tu stosujemy, nie ma nic wspólnego z tym, co dziś najczęściej rozumie się pod pojęciem „AI”, czyli z modelami językowymi albo generatywną AI. Nasze procesy uczenia maszynowego opierają się na wzorach matematycznych i jasno zdefiniowanych procedurach treningowych. Sieć neuronowa poszerza swoją wiedzę wzdłuż krzywych uczenia, które celowo sterujemy i dopasowujemy do zdefiniowanych punktów.
Decydująca różnica: mamy ten proces w ręku. Zachowanie modeli jest zrozumiałe, trening kontrolowany, a wyniki powtarzalne. Do zastosowań przemysłowych – gdzie niezawodność jest ważniejsza niż efektowne pokazy – to właśnie jest właściwe podejście.
Podsumowanie
Uczenie maszynowe zmienia nasze doświadczenie projektowe w aktywne narzędzie: każdy zakończony projekt, każdy punkt danych z bazy materiałów i parametrów poprawia rekomendacje dla następnego. Dla naszych klientów oznacza to krótsze fazy rozruchu, mniejsze zużycie materiału w seriach prób i szybciej powtarzalne wyniki – także, a zwłaszcza, przy wymagających materiałach.
Mają Państwo projekt ze szczególnymi wymaganiami materiałowymi? Prosimy o kontakt – być może nasz model ma już gotową odpowiednią parametryzację.