Künstliche Intelligenz (KI) hat im Kontext der jüngsten digitalen Revolution in der Industrie nachweislich große wirtschaftliche Effizienzgewinne ermöglicht. Insbesondere im Bereich der Industrierobotik hat KI das Potenzial, mühsame, schwere oder komplexe Aufgaben zu automatisieren und damit menschliche Arbeitskräfte zu unterstützen. Um eine korrekte Funktionsweise zu garantieren, ist die Erstellung eines großen Datensatzes und lange Trainingszeiten des KI-Systems notwendig. Viele kleine oder mittelgroße Fertigungsunternehmen arbeiten mit einer großen Vielfalt an unterschiedlichen Artikeln. Eine Kommissionierung der Artikel ist somit sehr individuell und ergibt lediglich eine kleine Datenmenge je Artikel. Die gemeinsame Nutzung von Daten über Fabriken und Unternehmen hinweg ist ein vielversprechender Ansatz, um mehr Daten für industrielle Anwendungsfälle zu gewinnen. Beispielsweise kann dasselbe Robotermodell für ähnliche Aufgaben in mehreren Fabriken und Unternehmen verwendet werden.

Die gemeinsame Nutzung von Daten hat sich jedoch in der Praxis als schwierig erwiesen, da Unternehmen ihre kritischen Produktionsdaten ungern aus Angst vor wirtschaftlichen Nachteilen mit anderen Unternehmen oder sogar Konkurrenten teilen. Die daraus resultierenden kleinen Datensätze führen zu weniger genauen KI-Modellen für Roboteranwendungen und das volle Potenzial von KI-Systemen in industriellen Umgebungen wird nicht ausgeschöpft. Federated Learning ist ein aufkommender Ansatz für verteiltes, die Privatsphäre erhaltendes, maschinelles Lernen. Das Training von KI-basierten Systemen erfolgt lokal, und nur KI- Modellparameter werden dann auf einen zentralen Cloud-Server hochgeladen, der von mehreren Beteiligten gemeinsam genutzt wird. Alle Beteiligten profitieren dann von einem verbesserten KI- Modell, das auf Daten basiert, die an vielen verschiedenen Orten gesammelt wurden, ohne den Datenschutz der beteiligten Unternehmen zu verletzen.

Das deutsch-kanadische FLAIROP-Konsortium strebt die Entwicklung eines internationalen Lernsystems im Bereich robotergestützter Pick-and-Place Aufgaben für unbekannte Objekte an. Ziel ist es, aktuelle KI-Lösungen mit mehr Daten unter Wahrung der Datenschutzbestimmungen zu erweitern. Die Verwendung von vielseitigeren Daten ermöglicht es uns, praktikablere Netzwerkstrukturen zu schaffen und die Erkennungsleistung im Vergleich zum Training mit einem einzelnen Roboter zu erhöhen.