У PRS Europe BP & R сідає з Альберто Піовезаном у переробці Томри, щоб обговорити важливість нейронних мереж та сортування пластівців.
[GD] Як відчуваєш себе, як виграти категорію “Інновації машин для переробки” з GainNext?
[AP] Ми в захваті від того, що отримали цю галузеву відзнаку за нашу інноваційну технологію, Gainnext. Це свідчення роботи, яку ми виконували.
Ми поглиблюємо свої знання з нейронних мереж. Глибоке навчання, підмножина ШІ, дозволяє машині думати як людина. Ми вводимо мільйони зображень у нейронну мережу, щоб навчити її виявляти та розпізнавати об'єкти на основі візуальних характеристик, таких як конкретні форми продукту або розміри. Ми поєднуємо це з більш традиційними сенсорними технологіями.
Нам потрібно почати шукати за рамки датчиків NIR або VIS, оскільки ми збираємо багато даних. Як ми можемо ефективно обробити цю суму? При правильному навчанні систем глибокого навчання може розблокувати нові способи сортування високо складних матеріалів.
[GD] Я знаю, що один з останніх досягнень Томри – це сортування “Флейк”. Чи можете ви пояснити, що це?
[AP] У вдосконаленій механічній переробці неможливо досягти рівнів чистоти, достатньо високим для процесу екструзії без пластівця.
Ця технологія може виявити різні типи полімерів (ПЕТ, ПП та ПЕ, серед інших), кольори та забруднення. За допомогою PPWR є більша увага у видаленні забруднень, таких як BPA, промисловий хімічний бісфенол А. Ми можемо орієнтуватися на матеріали, які генерують BPA або відповідають за BPA, такі як полікарбонат. Ми можемо розбити забруднення та очистити пластівці.
Це також робить процес екструзії високоефективним. Якщо у вас є хороші процеси сортування попереднього відсортування та пластівців, врожайність може бути дуже високою протягом усього часу. Ми пропонуємо передсортування та сортування пластівців як пакет, і поділяємо технологію, дані та ШІ між ними. Повне рішення може збалансувати будь -який тип вхідного забруднення. Це розблокує можливості для переробників з точки зору зменшених витрат, більш високої маржі та більш широкого вибору матеріалів для сировини.
[GD] Як розвивався погляд Томри щодо AI з моменту впровадження першої в галузі технології глибокого навчання для сортування відходів у 2019 році?
[AP] 2019 рік був, коли ми вперше запустили наше рішення з глибоким навчанням, Gainnext. Тоді він міг видалити лише силіконові картриджі з потоку ПЕ. Це вимагає добре навченої нейронної мережі, оскільки матеріал однаковий, а колір може бути будь-яким залежно від бренду та дизайну. Іноді об'єкти, які ми націлюємо, розбиті, розчавлені або мають щось інше, що їх перекривають.
Це довело, що ми можемо чогось навчити нейронній мережі, і це може ефективно вивчити та виконати завдання. Він працював у багатьох місцях, від поля до великого масштабу, тому ми почали запускати подальші пакети додатків.
Сюди входять програми PP, PET та HDPE продовольчі продукти, які вперше дозволили сортувати їжу проти непродовольства. Ми запустили алюмінієвий очищувач UBC, кілька складних застосувань для сортування деревини тощо. Нейронна мережа повинна знати, як виглядає пляшка з їжею ПП або контейнер для ПП. Для цього потрібна кваліфікована команда AI та експертів галузі, оскільки матеріали постійно розвиваються залежно від країни, сезону, брендингу тощо.
У нас є чудова система, яка може навчитися. Тепер справа в тому, щоб зрозуміти, чого навчити його та як продовжувати будувати навколо неї міцну інфраструктуру.
[GD] Які тенденції в AI та переробці ви очікуєте побачити вперед, і що б ви хотіли побачити більше?
[AP] Я хотів би бачити більше переробки взагалі. PPWR дає йому приємний приріст, а також викликає певні проблеми.
Те, що ми намагаємось зробити з нашими технологіями, – це збільшити врожайність та знизити експлуатаційні витрати. Ми знаємо, що у нас є продукт, який може відрізнити будь -який тип матеріалу та кольору. Але як ми продовжуємо робити це все більш ефективним, щоб наші клієнти могли збільшити свої маржі у складній ринковій ситуації?
У Томрі наші клієнти – наш пріоритет. Як міжнародна компанія, ми отримуємо інформацію з усього світу. Ми розуміємо, як все робиться в інших місцях, допомагаючи нам побачити, що працює, а що ні. Таким чином, ми можемо проконсультуватися з нашими клієнтами з конкретного питання та обговорити переваги та недоліки, щоб досягти рішення. Вони приходять до нас за якістю наших машин, процесу проектування та нашого консультативного підходу. Вся справа в широких знаннях у поєднанні з правильною технологією.
[GD] Здається, все ще багато скептицизму навколо ШІ. Як би ти на це відповів?
[AP] AI – це термін, який часто неправильно розуміють. AI у своєму найосновнішому визначенні-це лише процес прийняття рішень машини. Ті, хто стверджує, що це не нове, про що вони мають на увазі?
Сьогоднішні нейронні мережі корисні. Вони можуть думати і діяти як людина. Ми все ще намагаємось зрозуміти широту речей, які вони можуть зробити. Якщо ми зможемо покращити якість прийняття рішень, це виграш. Ми розширюємо спектр того, що можна відсортувати, витягуючи більше дробів.
Це зводиться до навчання клієнтів. Ось чому я дбаю про відмінність AI та нейронних мереж, що використовуються для останніх систем глибокого навчання. Нам потрібно вірити в розробку нових технологій, оскільки це може допомогти нам стати більш ефективними. Інформування людей – це перший крок до того, щоб вони реалізували доступні можливості.