DIREC har igangsat en række projekter med fokus på fremtidens arbejdsplads, der involverer forskellige aspekter af AI, robotter og hybridarbejde. Projekterne skal bidrage til at udvikle teknologierne, der muliggør den moderne arbejdsplads, og give os ny viden om de muligheder, der åbner sig med ny avanceret digital teknologi.
Nye AI-modeller, såsom chatrobotter og billed-, tekst- og videogenerering, har vist os de muligheder, AI tilbyder. Robotter forbedres langsomt, og især når de kombineres med nye AI-løsninger, er de i stand til at håndtere et stigende antal opgaver.
Avanceret digital teknologi kan skabe store muligheder for danske virksomheder, sikre konkurrencefordele og forbedre samarbejde, produktivitet, effektivitet og innovation.
Men hvordan vil den næste generation af algoritmer påvirke måden, vi arbejder på? Hvordan vil interaktionen mellem robotter, mennesker og AI-systemer påvirke arbejdspladsen? Hvordan kan danske virksomheder udnytte teknologien, og hvad er faldgruberne?
AI-teknologi kan give virksomheder en række fordele, men det er en afgørende faktor, at vi har tillid til, at teknologien opfører sig på en bestemt måde. En måde at skabe tillid på er at kunne forklare, hvorfor algoritmerne har valgt eller anbefalet en bestemt handling. Dette kaldes Explainable AI. En anden mulighed er at skabe sikkerhedsforanstaltninger, der kun tillader den kunstigge intelligens at handle inden for visse begrænsninger.
Udforsk DIREC-projekterne, der løser denne udfordring.
I dag er manuel visuel inspektion af korn stadig en af de vigtigste kvalitetssikringsprocedurer i værdikæden for at bringe korn fra marken til bordet.
Sammen med virksomhedspartnere har dette projekt til formål at udvikle og validere en metode til automatiserede billeddannelsesbaserede løsninger, der kan erstatte subjektiv manuel inspektion og forbedre ydeevne, robusthed og konsistens af inspektionen.
Metoden har potentiale til at give kornindustrien et nyt disruptivt værktøj til at sikre kvalitet og optimere værdien af landbrugsråvarer.
I den vestlige verden vurderes ca. hver tiende medicinske diagnose til at være forkert, hvilket resulterer i, at patienterne ikke får den rigtige behandling. Forklaringen kan være manglende erfaring og uddannelse hos lægepersonalet.
Sammen med klinikere har dette projekt til formål at udvikle forklarende AI, der kan hjælpe medicinsk personale med at træffe kvalificerede beslutninger ved at agere som en mentor, der giver feedback og råd, når personalet træner.
Det er vigtigt, at den forklarlige AI giver gode forklaringer, som er lette at forstå og bruge under det medicinske personales arbejdsgang.
Der er et væld af grunde til at indføre hjemme- og hybridt arbejde. Klimaudfordringerne er stigende, landegrænser er sværere at krydse, balancen mellem arbejde og privatliv kan være lettere at opnå, nye muligheder såsom direkte oversættelse, automatisk transskription og referat af møder, for at nævne nogle få.
Men stigningen i hybridt arbejde har også visse udfordringer, og problemet med fysisk tilstedeværelse er fortsat en begrænsning. Hvordan kan vi udvikle den næste generation af værktøjer til at understøtte hybridt arbejde?
Udforsk DIREC-projektet, der fokuserer på denne udfordring.
COVID-19-pandemien og den medfølgende nedlukning viste de potentielle fordele og muligheder ved hjemmearbejde samt de iøjnefaldende mangler, det medfører. ‘Zoom-træthed’ som resultat af høj kognitiv belastning og intense mængder øjenkontakt er kun toppen af isbjerget.
Hjemme- og hybridarbejde er kommet for at blive, men hvordan skal disse arbejdsmetoder se ud i fremtiden? Skal vi blot forsøge at rette op på det, vi allerede har, eller kan vi være dristigere og udforme en anden slags fremtid på arbejdspladsen?
I samarbejde med virksomheder søger dette projekt en fremtidsvision, der integrerer erfaringerne omkring hybridt arbejde.
Med indførelse af robotteknologier er et brændende spørgsmål, hvordan kan vi nemt programmere robotter til at støtte os i at nå vores forretningsmål, uden at vi behøver at være eksperter i robotteknologi? Hvordan kan vi udvikle brugergrænseflader, der gør det muligt for alle at programmere robotter? Eller hvordan styrer vi flere robotter, der arbejder i fx et lager eller en fabrik?
Udforsk DIREC-projekter, der løser disse udfordringer.
Lavvolumenproduktion udgør en stor del af den danske produktionsindustri. Et udækket behov i denne industri er fleksibilitet og tilpasningsevne i fremstillingsprocesser. Eksisterende løsninger til automatisering af industrielle logistikopgaver omfatter kombinationer af automatiseret opbevaring, transportbånd og mobile robotter med specielle læsse- og lossepladser.
Disse løsninger kræver imidlertid store investeringer og er ikke omkostningseffektive til lavvolumenproduktion, desuden er lavvolumenproduktion ofte arbejdskrævende.
Sammen med industrielle partnere vil dette projekt undersøge produktionsscenarier, hvor en maskine kan betjenes af utrænet personale ved at bruge lavkodeudvikling til adaptiv og rekonfigurerbar robotprogrammering af logistiske opgaver.
I dag har robotter og droner et stadigt bredere sæt opgaver. Imidlertid er sådanne robotter begrænset i deres kapacitet til at samarbejde med hinanden og med mennesker.
Hvordan kan vi udnytte de potentielle fordele ved at have flere robotter, der arbejder parallelt for at reducere tiden til færdiggørelse? Hvis robotter får opgaven kollektivt som en sværm, kan de potentielt koordinere deres drift i farten og tilpasse sig baseret på lokale forhold for at opnå optimal eller næsten optimal opgaveydelse.
Sammen med industrielle partnere har dette projekt til formål at adressere samarbejde med flere robotter og designe og evaluere teknologiske løsninger, der gør det muligt for brugere at engagere og kontrollere autonome multirobotsystemer.
En robotdatabase med information om tidligere robotløsninger kan spare produktionsvirksomheder for tid og penge og give mindre virksomheder mulighed for også at automatisere deres produktion.
Selvom det lyder enkelt, er der flere udfordringer forbundet med at skabe en robotdatabase. Robotdata er fx komplicerede, da de består af billeder, baner, kraftvektorer, information om forskellige materialer, CAD-filer osv.
Med input fra industri og internationale eksperter har dette afsluttede projekt fået en meget bedre forståelse af udfordringerne. Næste trin er at udvikle software, der giver mulighed for genbrug af robotdata.
Fysiske produkter får i stigende grad et digitalt lag, der kan give nye funktionaliteter, indsamle data og give mulighed for nemt at overvåge og vedligeholde disse produkter.
Det digitale lag har ofte begrænsede computerressourcer, så hvordan kan vi bruge avancerede AI-algoritmer på disse enheder? Hvad er den bedste måde at skabe software til disse enheder? Og hvordan sørger vi for, at de er sikre?
Udforsk DIREC-projekter, der løser disse udfordringer.
Udstyrs nedetid er dyrt og en kilde til en række sikkerheds- og juridiske udfordringer. I dag har mange virksomheder organisationer en konservativ tidsplan for at forebygge vedligeholdelse uafhængigt af udstyrets tilstand. Dette resulterer i unødvendige serviceomkostninger og lejlighedsvise afbrydelser af produktionen på grund af uventede fejl.
Derfor er det nødvendigt i mange brancher at gå fra almindelig vedligeholdelse til forudsigelig vedligeholdelse. Rapporten ‘An AI Nation: Harnessing the Opportunity of Artificial Intelligence in Denmark’ anslår, at muliggørelse af prædiktiv vedligeholdelse via AI har et potentiale på 14-19 milliarder for den private sektor i Danmark.
Dette projekt har sammen med industrielle partnere til formål at afdække, hvordan AI og datadrevne metoder kan løse problemet, så virksomheder får mindst muligt spildtid, når produktionen står stille.
AI er i øjeblikket begrænset af behovet for massive datacentre og centraliserede arkitekturer, samt behovet for at flytte data til algoritmer. For at overvinde denne begrænsning skal AI-algoritmer udvikle sig fra en meget struktureret, kontrollerete og centraliseret arkitektur til et mere fleksibelt, adaptivt og distribueret netværk af enheder.
Sammen med industrielle partnere har dette projekt til formål at udvikle metoder og værktøj til at migrere AI-algoritmer fra skyen til et distribueret netværk af AI-aktiverede edge-enheder. Denne transformation er muliggjort ved at fusionere AI og IoT til “Artificial Intelligence of Things” (AIoT), der har skabt en voksende sektor af indlejret AI, hvor hver del af AI-behandlingen udføres på sensorenhederne ved ‘the edge’, snarere end i skyen.
Det forventede resultat af projektet er en AI-ramme, der understøtter den autonome opdagelse og behandling af forskellige data fra en distribueret samling af AI-aktiverede edge-enheder.
Behovet for sikkerhed i IoT-systemer er enormt, men det er svært at opnå på grund af systemernes karakteristika.
Sammen med en række virksomheder har dette projekt til formål at identificere sikkerheds- og sikkerhedskrav til IoT-systemer og udvikle algoritmer til kvantitativ risikovurdering og beslutningstagning, samt skabe værktøjer til at designe og certificere IoT-sikkerhedstræningsprogram, der vil sætte danske virksomheder i stand til at opnå sikkerhedcertificering af deres IoT-enheder, hvilket kan give dem et forspring på et marked, der sandsynligvis vil kræve en sådan certificering i den nærmeste fremtid.
Et tilbagevendende problem i digitaliserede industrier er at designe og koordinere hybridsystemer, der inkluderer IoT, edge og cloud-løsninger. I øjeblikket er vedtagne metoder og værktøjer ikke effektive til dette formål, fordi de stoler for meget på uformelle specifikationer, der er manuelt skrevet og fortolket af mennesker.
Sammen med industrielle partnere har dette projekt til formål at udforske anvendeligheden af teknologier og -metoder til design af reaktive hybrid IoT-edge-cloud-arkitekturer i industrien.
Disse teknologier er baseret på utvetydige formelle sprog, som kan behandles af computere for at kontrollere for foretrukne designegenskaber og for at implementere komponenter til overvågning af systemernes korrekte funktion. Vedtagelse af disse teknikker har vist sig at øge produktiviteten i digitale industrier væsentligt (fx 4x stigning i udviklingshastighed)
Virksomheder skaber en enorm mængde data om deres forretningsprocesser. Hvordan kan virksomheder bedre udnytte disse data, og hvordan kan vi udvikle innovative AI-løsninger, der bruger disse data?
Udforsk DIREC-projekter, der løser disse udfordringer.
I dag er forretningsprocesser i private virksomheder og offentlige organisationer bredt understøttet af Enterprise Resource Planning, Business Process Management og Electronic Case Management systemer, der tages i brug med det formål at forbedre effektiviteten af forretningsprocesserne.
Resultat er dog ofte et stadig mere omfattende informationssystemlandskab, hvilket fører til ineffektivitet, begrænset forståelse af forretningsprocesser, manglende evne til at forudsige og finde årsagen til tab, fejl og svindel og manglende evne til at tilpasse forretningsprocesserne. Denne mangel på forståelse, smidighed og kontrol over forretningsprocesser lægger en stor byrde på virksomhederne og organisationerne.
Projektet har sammen med industrielle partnere til formål at udvikle metoder og værktøjer, der sætter industrien i stand til at udvikle nye effektive løsninger til at udnytte den enorme mængde forretningsdata, der genereres af disse systemer.
