Közel 5 éve hallottunk utoljára a jövőbe mutató technológiát alkalmazó CAM rendszerről, mely a működési megoldását tükrözően AiCAM néven vált ismerté. A fejlesztők már az első verziók kialakításánál is forradalmian új megoldásokat alkalmaztak, melyekre a most megjelenő verziónak még mindig sikerül hozzátennie, és nem is keveset! Nézzük meg milyen újdonságok jelennek meg az új verzióban.
Először 2015 tavaszán adtunk hírt az AiCAM-ről, annak megjelenésekor. (Érdemes elolvasni a 2015-ös AiCAM hírt, hogy már akkoriban hol tartott a rendszer!) Az első verzió alapját az az automatizmus képezte, mely a rendszert használó CAM programozó(k)tól tanult és az itt felhasznált „tudása” alapján készítette a szerszámpályákat. Természetesen minél többet tanítottuk a rendszert, annál hatékonyabb műveleteket tudott készíteni. Az első gond pont ebből – egy személy tanította a rendszert – jelentkezett, hiszen így a rendszer csak a CAM programozó „tudását” alkalmazta, új tudást nem tudott „beszerezni”.
Ezzel a fejlesztők is tisztában voltak, így az első verziónak hatalmas ötlete abban rejlett, hogy a rendszer által „megszerzett tudás” megosztható volt a felhasználók között! Pontosabban ennek technikai megoldása került kidolgozásra, de az üzleti modell ekkor még nem volt kidolgozva.
A következő éveben, 2016-ban, egy nagyon hatékony üzleti modellel állt elő a fejlesztő társaság: az AiCAM által „megszerzett tudás” egy CAM Knowledge Exchange rendszerben (CAM Tudásbázis Tőzsde) megosztható és a program bérlési ára annál kevesebb, minél több „tudást” osztunk meg a felhasználók között! (Erről a 2016-os AiCAM hírben olvashatunk részletesen.) Így tulajdonképpen egy kezdő felhasználó is készíthet professzionális műveleteket az AiCAM-el, igaz ekkor a bérlési ára is magasabb, hiszen a „tudást” is meg kell fizetni. Míg egy profi felhasználó a rendszer „tanításával” csökkentheti a havi költségeket.
A gond ezzel ott jelentkezett, hogy mi alapján döntsék el, hogy a tudásbázisban található megoldások közül a rendszer melyiket válassza? Hogyan döntse el a tudásbázis a „tudás-információ” megérkezésekor, hogy az valóban értékes tudás, vagy csak egy „kezdő próbálkozása” ?
Az évek során szerzett tapasztalatok alapján és a technológia fejlődését követve a fejlesztőknek megint sikerült egy nagyszerű megoldással áthidalni a problémákat, és a rendszer működését újra futurisztikus szintre emelni!
A megoldás első fontos eleme a Tudásbázis motorjának számítási kapacitás bővítése drasztikusan! Ezt egyfelől bérelt szervereken való futás alapozza meg, melyhez a felhasználók számítógépén futó AiCAM-eknek kiküldött, elosztott számítások (Distributed Computing) teszik fel a pontot. Így az AiCAM-et futtató számítógépek „üres” idejükben a Tudásbázisnak számításait futtatják, ezzel dinamikusan változtatható a szervereken és az épp aktuálisan szabad kapacitással rendelkező PC-ken futtatható számítások. Természetesen azok az AiCAM felhasználók, akik számítási kapacitást osztanak meg további kedvezményt kapnak az AiCAM bérleti árából.
A jelentősen megnövekedett számítási kapacitás segítségével megvalósulhat a Tudásbázisból kiválasztandó megoldás optimumának keresése és a Tudásbázisba bekerülő „tudás” minőségének ellenőrzése. Egy adott művelet Tudásbázisban található megoldási sémái közül az optimális megoldás kiválasztása nagyon egyszerű: ki kell számolni a szerszámpályát az összes lehetséges sémával. Ennek technikai háttere a megnövekedett számítási kapacitás, mely a Generative Design-hoz hasonlóan több megoldást kipróbál és a lehetséges megoldások közül különböző szempontokra optimalizált megoldást ajánl fel. Ezzel jelentősen megnövekedett az AiCAM hatékonysága, hiszen a Tudásbázisból az adott feladatra többféle optimalizált megoldásból választhatunk, így biztosítható, hogy a „pillanatnyi tudás” alapján legjobb megoldást alkalmazzuk. Természetesen a kulcskérdés itt az adott „pillanatnyi tudás”, hiszen lehet olyan jobb megoldás, mely még nincsen a rendszerben.
Erre a problémára is sikerült egy frappáns megoldást találni a fejlesztőknek: alkalmazzuk tisztán generatív megoldást a szerszámpályák számításához és ezek közül keressük az optimumot, majd az így AI által megtalált megoldáshoz mentsük el a sémát! Így párhuzamosan egy AI által épített Tudásbázis is fejlődik, mely így már nem tartalmaz semmilyen emberi tényezőt, az tisztán „gépi” információk alapján áll össze és fejlődik. Így ezt a Tudásbázist nem „szennyezi” be semmilyen emberi tényező. Egy adott feladat beérkezésekor a Tudásbázis nem csak az „emberi” hanem a tisztán AI séma alapján is megkeresi az optimális megoldást és azt is felkínálja választható eredménynek.
A másik problémára, mi szerint osztályozni kell a Tudásbázisba bekerülő „tudást”, úgy szintén a megnövekedett számítási kapacitás hozta meg a lehetőséget. Egy „tudás” Tudásbázisba bekerülése előtt úgy kerül mérlegelésre, hogy a feladat számítása, optimum keresését elvégzi a Tudásbázis, majd összeveti a bejövő megoldás eredményeivel. Ehhez tulajdonképpen egy optimum keresési feladatot kell lefuttatnia a meglévő „tudás” és AI sémák alapján. A bejövő megoldás ezen optimumoktól való eltérés alapján van osztályozva, értékelve. Természetesen ez az értékelés anyagi oldalra is kihat, tehát most már nem csak attól függ a bérleti díj csökkenés mértéke, hogy hány megoldást küld be egy CAM programozó, hanem annak minősége is értékelésre kerül.
Az eddigieket összesítve és végig gondolva az AiCAM páratlan megoldásokat és technológiákat használ, mely reményeink szerint hamarosan elérhető lesz szélesebb körben is, és nem mindig Áprilisban hallhatunk az újdonságokról!
