Dans l'industrie 4.0, la fabrication avancée est essentielle pour façonner les usines du futur, en permettant d'améliorer la planification, l'ordonnancement et le contrôle. La capacité d'adapter rapidement les lignes de production en réponse aux demandes des clients ou à des situations inattendues est essentielle pour améliorer l'avenir de la fabrication. Bien que l'IA apparaisse comme une solution, les industries s'appuient toujours sur l'expertise humaine en raison des problèmes de confiance et du manque de transparence des décisions de l'IA. L'IA explicable intégrant des connaissances de base liées à la fabrication est cruciale pour rendre les décisions de l'IA compréhensibles et dignes de confiance. Dans ce contexte, nous proposons le cadre S-XAI, une solution intégrée combinant les spécifications de la machine et le MCSK pour fournir une prise de décision explicable et transparente. L'accent est mis sur la fourniture de capacités machine en temps réel afin de garantir une prise de décision précise tout en expliquant simultanément le processus de prise de décision à toutes les parties prenantes concernées. En conséquence, le premier objectif était de formaliser les spécifications des machines, y compris les capacités, les fonctions, la qualité et les caractéristiques des processus, en se concentrant sur la robotique. Pour ce faire, nous avons créé une ontologie des capacités des robots qui formalise tous les aspects pertinents des spécifications des machines, tels que la capacité, l'aptitude, la fonction, la qualité et les caractéristiques du processus. En plus de cette formalisation, le RCO permet aux acteurs de la fabrication de capturer les capacités robotiques décrites dans les manuels de spécification (capacités annoncées) et de les comparer avec les performances réelles (capacités opérationnelles). Le RCO est basé sur le langage de description des services de machines, une ontologie de référence créée pour les services de fabrication et alignée sur l'ontologie formelle de base, l'ontologie de la fonderie industrielle, l'ontologie des artefacts d'information et l'ontologie des relations. Le deuxième objectif était la formalisation du MCSK. Nous introduisons le MCSK et présentons une méthodologie pour l'identifier, en commençant par reconnaître les différents modèles de CSK dans la fabrication et en les alignant sur les concepts de fabrication. L'extraction du MCSK sous une forme utilisable est un défi, c'est pourquoi notre approche structure le MCSK en énoncés NL en utilisant des LLM pour faciliter le raisonnement basé sur des règles, améliorant ainsi les capacités de prise de décision. Le troisième et dernier objectif est de proposer un cadre S-XAI utilisant le RCO et le MCSK pour évaluer si les machines existantes peuvent effectuer des tâches spécifiques et générer des explications NL compréhensibles. Cet objectif a été atteint en intégrant le RCO, qui fournit des capacités opérationnelles telles que la répétabilité et la précision, au MCSK, qui décrit les exigences du processus. En utilisant le raisonnement sémantique basé sur le MCSK, le système S-XAI fournit de manière transparente des explications NL qui détaillent chaque logique et chaque résultat.Dans le cadre du S-XAI, un NN prédit les capacités opérationnelles des robots, tandis que l'IA symbolique incorpore ces prédictions dans un système de raisonnement basé sur le MCSK et fondé sur le RCO.Cette configuration hybride maximise les forces de chaque système d'IA et garantit que les prédictions soutiennent un processus décisionnel transparent.
En outre, la S-XAI améliore l'interprétabilité des prédictions du NN grâce à des techniques XAI telles que LIME, SHAP et PDP, clarifiant les prédictions du NN et permettant d'obtenir des informations détaillées pour un meilleur calibrage et une gestion proactive, favorisant ainsi un environnement de fabrication résilient et informé. |
In Industry 4.0, advanced manufacturing is vital in shaping future factories, enabling enhanced planning, scheduling, and control. The ability to adapt
production lines swiftly in response to customer demands or unexpected situations is essential to enhance the future of manufacturing. While AI is emerging as a solution, industries still rely on human expertise due to trust issues and a lack of transparency in AI decisions. Explainable AI integrating commonsense knowledge related to manufacturing is crucial for making AI decisions understandable and trustworthy. Within this context, we propose the S-XAI framework, an integrated solution combining machine specifications with MCSK to provide explainable and transparent decision-making. The focus is on providing real-time machine capabilities to ensure precise decision-making while simultaneously explaining the decision-making process to all involved stakeholders. Accordingly, the first objective was formalizing machine specifications, including capabilities, capacities, functions, quality, and process characteristics, focusing on robotics. To do so, we created a Robot Capability ontology formalizing all relevant aspects of machine specifications, such as Capability, Capacity, Function, Quality, and Process Characteristics. On top of this formalization, the RCO allows manufacturing stakeholders to capture robotic capabilities described in specification manuals (advertised capabilities) and compare them with real-world performance (operational capabilities). RCO is based on the Machine Service Description Language, a domain reference ontology created for manufacturing services, and aligned with the Basic Formal Ontology, Industrial Foundry Ontology, Information Artifact Ontology, and Relations Ontology. The second objective was the formalization of MCSK. We introduce MCSK and present a methodology for identifying it, starting with recognizing different CSK patterns in manufacturing and aligning them with manufacturing concepts.
Extracting MCSK in a usable form is challenging, so our approach structures MCSK into NL statements utilizing LLMs. to facilitate rule-based reasoning, thereby enhancing decision-making capabilities. The third and final objective is to propose an S-XAI framework utilizing RCO and MCSK to assess if existing machines can perform specific tasks and generate understandable NL explanations. This was achieved by integrating the RCO, which provides operational capabilities like repeatability and precision, with MCSK, which outlines the process requirements. By utilizing MCSK-based semantic reasoning, the S-XAI system seamlessly provides NL explanations that detail each logic and outcome. In the S-XAI framework, an NN predicts the operational capabilities of robots, while symbolic AI incorporates these predictions within an MCSK-based reasoning system grounded in the RCO. This hybrid setup maximizes the strengths of each AI system and ensures that predictions support a transparent decision-making process. Additionally, S-XAI enhances the interpretability of NN predictions through XAI techniques such as LIME, SHAP, and PDP, clarifying NN predictions and enabling detailed insights for better calibration and proactive management, ultimately fostering a resilient and informed manufacturing environment. |