Artificial intelligence of kortweg AI is een term, die we in het dagelijks leven intussen steeds vaker tegenkomen. Robots of intelligente software nemen daarbij taken over, die tot dusver slechts in zeer beperkte mate door computers konden worden uitgevoerd en daarom vaak door mensen werden uitgevoerd. In het dagelijkse leven kan men er nauwelijks omheen, artificial intelligence in de één of andere vorm als hulpmiddel in te zetten - bewust of onbewust. Het ondersteunt ons bijvoorbeeld bij het gebruik van navigatieapparatuur, bij videospelletjes of ook, wanneer we de camera van onze smartphone gebruiken. Maar er zijn ook meer voor de hand liggende gebruikssituaties, bijvoorbeeld bij het autonoom rijden of bij het gebruik van spraakassistenten thuis of op de smartphone. Op de achtergrond komen steeds vaker zogenaamde neurale netwerken tot inzet, die zijn gemodelleerd naar de manier waarop het menselijk brein werkt. Ze zijn een belangrijk bestanddeel van Deep Learning, een speciaal subtype van AI.

Ook in de industrie doet artificial intelligence zijn intrede. Met de toenemende inzet van deze technologie wordt het steeds belangrijker te begrijpen, waarom het daarbij eigenlijk gaat, wat Deep Learning inhoudt of hoe neurale netwerken doelgericht worden gegenereerd en hoe ze in de industrie zinvol kunnen worden ingezet, om productieprocessen te optimaliseren. Deze vragen rijzen vooral dan, indien het om zich herhalende, monotone taken gaat, die computers tot nu niet aankunnen en die daarom nog altijd moeizaam door mensen worden uitgevoerd. Met artificial intelligence probeert men, de werkingswijze van het menselijk brein te begrijpen en kunstmatig na te bootsen. Het doel: computers moeten zelfs veeleisende taken, bijvoorbeeld de kwaliteitscontrole door middel van beeldherkenning - met name van organische objecten - betrouwbaar uitvoeren.

De leerkoffer voor artificial intelligence werd ontworpen voor instructeurs, opleiders, leraren en professoren in verschillende onderwijsinstellingen, om het onderwerp artificial intelligence met de leerlingen van dichtbij te beleven en om competenties in de omgang met AI zo praktisch en levendig mogelijk te kunnen onderwijzen.

De set van de leerkoffer omvat echte industriële hardware en software, die in dezelfde vorm ook in talrijke ondernemingen wordt gebruikt. De koffer wordt aangevuld met lesmateriaal, bijvoorbeeld een e-learningcursus als inleiding in het onderwerp of een experimenteerhandleiding met didactisch voorbereide taken en voorbeeldoplossingen.

Om een volledig begrip te krijgen van Deep Learning is het essentieel, er niet alleen theoretische kennis over te vergaren, maar er ook daadwerkelijk mee te werken, fouten te maken en die dan zelfstandig te herstellen. Daarom werd een leerplan met de volgende punten ontworpen, zodat belangstellenden praktische ervaring kunnen opdoen met het maken van eigen neurale netwerken.

• In een interactieve e-learningcursus worden leerlingen voorbereid op de klassikale training. De cursus verschaft elementaire achtergrondkennis en heeft als doel, de verschillende kennisniveaus van de individuele deelnemers op een uniform niveau te brengen.
• Een korte digitale quiz kan later, een paar dagen voor de klassikale opleiding, worden gebruikt, om de in de e-learning cursus verworven kennis te activeren en extra te consolideren, zodat deze tijdens in het kader van de klassikale opleiding kan worden opgeroepen.
• Een set met een te printen experimenteerhandleiding (met voorbeeldoplossing) en voorbeelden van stroomdiagrammen ondersteunt de deelnemers bij het uitvoeren van taken met een echte industriële sensor. Daarbij worden de in de set opgenomen hulpmaterialen, zoals dobbelstenen of metalen badges, gebruikt om de taken van de experimenteerhandleiding intuïtief en stap voor stap op te lossen. Met de programmeerbare camera InspectorP621 van SICK en de cloud-gebaseerde industriële software SICK dStudio kunnen de leerlingen eigen neurale netwerken genereren en deze vervolgens overdragen naar de camera. De leerlingen ervaren, hoe de camera op basis van het gegenereerde neuronale netwerk zelfstandig de resultaten van de kwaliteitscontrole indeelt in vooraf gedefinieerde klassen.

Voor de set werden vijf didactisch voorbereide taken ontworpen, die op elkaar voortbouwen en gericht zijn op een zo duurzaam mogelijke verwerving van competenties met echte praktijkkennis.

In de zesde en laatste taak wordt het door de leerlingen zelfstandig gegenereerde neurale netwerk ten slotte in een 3D-computersimulatie naar een echte productie-installatie overgedragen, om de kwaliteit van het neurale netwerk te testen. Deze taak rondt de leereenheid af en dient tegelijk om de deelnemers te motiveren.

De set kan in verschillende scenario's worden ingekort of in zijn geheel - heel uitdrukkelijk ook door beginners - worden gebruikt. De hardware en software maken het mogelijk, ook eigen taken voor de leerlingen te ontwerpen, zodat geen verplichte binding bestaat met de meegeleverde experimenteerhandleiding. Zelfs de software op de sensor kan worden uitgewisseld, om bijzonder complexe taken met de sensor te ontwerpen resp. op te lossen.

Hier ontdekt u meer over de verwerving van de praktijkset.