Malzemelerin üzerindeki barkodların tanımlanması söz konusu olduğunda yapay zekanın Artificial Intelligence (AI) kullanılması fayda sağlar. Müdahalede kullanılan faktörler sistemin devreye alınması ve işletimi esnasında hızlı ve kolay bir şekilde belirlenebilir.
Zaman alan aramalara gerek kalmadan
Barkod okuyucular, üretim veya lojistikte mal ve malzemeleri tanımlamak için kullanılan sensörlerdir. Bunu, bir dizi standartları karşılayan barkodları algılayarak ve barkodların kimliklerini üst sisteme aktararak yaparlar. Bu cihazların otomatik uygulamalarda kullanılmasındaki temel amaç, mümkün olan en yüksek okuma kalitesini elde etmektir: Esasen, barkod okuyucular etiketleri algıladığında, bu görevi gerçekleştirdikleri kalite değişir ve bu kalite yüzdelik ifadeyle görüntülenebilir. Yüzde, tespit edilen kontrastla ilgilidir. Değer belirli bir eşiğin altındaysa etiket okunmaz. Sistem operatörlerinin karşılaştığı zorluklardan biri, yeterli okuma kalitesi sağlamadıklarında en kısa sürede bunun nedenlerini belirlemektir. Bu işlem, olası hata kaynaklarıyla ilgili ek veriler olmadan zaman alıcı bir iş haline gelebilir. Özellikle intralojistik gibi büyük sistemlerde, bine kadar barkod okuyucusu ile kilometreler uzunluğundaki nakliye güzergahlarında yapılacak arama, samanlıkta iğne aramaya benzer: Kuşku duyulan durumlarda, nakliye güzergahının tamamı izlenmelidir. Bu eylem de zaman baskısı altında, kötü hizalanmış bir sensörü veya doğrudan ortamındaki engelleyici faktörleri tanımlamak için gerçekleştirilir. Barkod okuyucunun hizalanmasının doğru bir şekilde yapılması, okumanın çoğu zaman başarıyla yapılması ancak bazen etiketleri algılamaması gibi vakalarda durum daha da kötüleşir. Bunun nedeni, barkod okuyucunun hafif eğimli olması veya yalnızca sınır alanında okuması veya yetersiz kalitedeki etiketler gibi diğer faktörlerin rol oynayabilmesi olabilir.
Okuma kalitesini etkileyen faktörler
Hataların nedenlerini bulmak için ilgili verileri oluşturmada barkod okuyucunun kendisini kullanmak yalnızca belirli koşullar altında mümkündür. Sensörlerin kendi durumlarını izlediği ve gerektiğinde OPC UA üzerinden üst sisteme veri aktardığı doğrudur. Bununla birlikte, bu kendi kendini izleme eylemi sınırlı bir işlevselliğe sahiptir; bir sensör yalnızca kendi verisini dikkate alır. Yani, “şu anda okuyorum”, “mükemmel okuma” veya “çok kötü okuma” gibi bilgileri hesaplanan yüzde okuma kalitesi gönderir. Zayıf okuma kalitesinin nedeni, her bir cihaz tarafından belirlenemez. Bu durumda olası üç etkili faktör vardır: Cihazın kendisi, barkod etiketi ve ortamdaki bozucu faktörler. Barkod okuyucunun kendisi ile ilgili olası hata kaynakları, algılanacak etiketlerle zayıf hizalamayı veya teknik bir hatayı içerir. Buna karşılık, etiketler hasarlı, kirli veya kötü basılmış olabilir, bu da hasarın derecesine veya baskı kalitesine bağlı olarak yalnızca okuma kalitesini düşürebilir veya tanımlamayı tamamen engelleyebilir. Çevreye müdahale eden faktörler arasında arka planda güneş ışığı veya yayıcıların neden olduğu titreşimler, toz ve parlama yer alır. Örneğin soğuk hava depolarında nem, barkod okuyucunun tarama penceresinde buğulanmaya neden oluyorsa engelleyici bir faktör olabilir.
Yapay zeka, bağlamı sağlıyor
AI, çeşitli nedenlerin ayrımının yapılmasında ve bu yapılırken parazitlerin veya düşük okuma kalitesinin nedenlerinin belirlenmesinde katkıda bulunabilir. Leuze, genel bağlamdan alınan verilerle sensörleri iyileştiren çözümler geliştirme amacıyla bir otomobil üreticisiyle çalışıyor. Bunun avantajı, kurulum sırasında müşteriye ek iş çıkarılmadan barkod okuyucuların çalışır durumda kalmasıdır. Veri hacimleri büyüktür: Birçok etiket, işlem sırasında birçok barkod okuyucudan geçer ve çeşitli kurulum yerlerinde okunur. Genel bağlam bu şekilde sağlanır. Matematiksel terimlerle, genel bağlam, sayısız barkod okuyucu, etiketler ve okuyucuların çeşitli kurulum konumları ile çok bilinmeyenli bir denklem olarak tanımlanabilir. İstasyonlarda ve etiket okuma kalitelerinde farklı sonuçlar ortaya çıkabilir. AI, bu karmaşık denklemi sistemini çözer ve düşük okuma kalitesinin nedeninin barkod okuyucu, etiket, etiket türüyle ya da kurulum konumuyla ilgili olup olmadığı sorularını yanıtlar.
Öneri algoritmaları aracılığıyla makine öğrenimi
Leuze, öneri algoritmalarını, yani yapay zeka tabanlı öneri yöntemlerini kullanır. Bu yöntemler, örneğin kullanıcı davranışını değerlendirmek ve bu analize dayalı olarak ilgili filmleri veya dizileri önermek için akış hizmetleri tarafından kullanılan yöntemlerle aynıdır. Bu kullanıcı davranışı analojisinde, barkodlar filmlere, barkod okuyucular ise akış hizmetlerinin kullanıcılarına karşılık gelir. Öneri algoritması, bir etiketi farklı barkod okuyucular için az ya da çok “çekici” olarak değerlendirir. Bu şekilde, belirli bir yüzdeye sahip hangi sensörün veya hangi etiketin “çekici”, yani sınırda veya belirgin şekilde sorunlu olduğunu belirlemek mümkündür.
Her uç cihaz veya bulut için
Teknik açıdan bu tür bir yapay zeka tabanlı çözüm, müşteri gereksinimlerine ve ilgili sisteme bağlı olarak uç cihazlar veya bulutlar aracılığıyla uygulanabilir. Uç cihaz, bir sensör grubunun yakınında bulunan ve sensör grubunun verilerini toplayan, analiz eden ve ileten ayrı bir cihazdır. Birden çok uç cihaz birbirine bağlanabilir. Bir uç cihaz, yalnızca veri toplayıp değerlendirmekle kalmayıp, aynı zamanda analizi sensörlere geri göndererek iki yönlü iletişim yeteneğine sahip olduğundan, bir barkod okuyucu da bu bilgileri iletebilir ve sorunu bildirebilir. Bunun avantajı, müşterinin Bilgi Teknolojileri (BT) mimarisinde herhangi bir değişiklik yapmaya gerek kalmamasıdır. Alternatif olarak, farklı konumlardan gelen veriler birleştirilecekse, çözüm bir bulut üzerinden çalıştırılabilir.
Büyük tasarruf potansiyeli
Leuze’nin hataları belirlemek için yapay zeka tabanlı tavsiyeleri kullanma yaklaşımı, hem devreye alma hem de sistemin çalışması sırasında büyük avantajlar sunar. Hızlı devreye alma zamandan ve paradan tasarruf sağlar. Bu durumda, kötü okuma kalitesinin nedenlerinin bir an önce tespit edilmesinde fayda vardır. Çalışma sırasında, bu yöntem kestirimci bakım sağlar. Bu, yakında bir kapatma gerekliyse, sistem operatörlerinin uygun önlemleri zamanında alabilecekleri ve örneğin, müşterilerine tedarik etmeye devam edebilmeleri için önceden üretim ve dış kaynak temin edebilecekleri anlamına gelir. Bazı durumlarda, bu erken tespiti kolaylaştırmak için birden fazla yıla ait veriler kullanılabilir. Ayrıca sistem öğrenme işlemini sürdürür. Bu nedenle, mallar üzerindeki barkodların tanımlanmasındaki faktörlerin hızlı ve güvenilir bir şekilde belirlenmesi söz konusu olduğunda, AI kullanmak her zaman faydalıdır.
