Putaran pertama penerapan AI telah hadir dalam pemrosesan bahan laser. Putaran kedua akan mempercepat pembelajaran mesin secara besar-besaran. Yang paling penting: AI menjual.
ANDREAS THOSS, EDITOR KONTRIBUSI
Sejauh ini, AI telah mencapai kemajuan luar biasa berdasarkan kemampuannya memproses data dalam jumlah besar. Menganalisis jutaan dokumen teks, misalnya, mengarah pada pengembangan model bahasa besar yang kita gunakan untuk berkomunikasi seolah-olah kita adalah manusia. Hal ini telah menjadi janji sejak awal ilmu komputer, dan juga menjadi tema di banyak buku fiksi ilmiah. Hal ini baru terealisasi akhir-akhir ini.
Atas izin Institut Fraunhofer untuk Teknologi Laser ILT, Aachen, Jerman.
Dalam industri, AI telah mencapai hal-hal yang lebih menakjubkan dan kini menjadi jauh lebih cepat.
AI di industri
Penerapan AI di industri jauh melebihi pemrosesan bahasa (walaupun agen AI juga menguasai situs web vendor). Pertama, mereka membantu mengotomatiskan beberapa tugas pemrosesan gambar yang berbeda. Pengembang mesin Jerman TRUMPF, misalnya, menawarkan mode AI khusus untuk perangkat lunak pengolah gambarnya. Untuk pengelasan jepit rambut pada motor listrik, AI membantu mengidentifikasi mitra pengelasan (seperti jepit rambut) ketika kesulitan muncul karena kontras, pantulan, atau bayangan pada gambar. Menurut TRUMPF, solusi ini telah meningkatkan "hasil-pertama" dari 99,2% menjadi 99,8%. Ini setara dengan 4x lebih sedikit bagian yang "tidak oke".
Tapi ini baru permulaan. Di masa depan, AI akan menggunakan data dari berbagai sumber dan meningkatkan produktivitas sebelum, selama, dan setelah pemrosesan. Kemampuannya untuk memproses data dalam jumlah besar sangat tepat waktu karena beberapa tren menyebabkan semakin banyaknya pembuatan data di industri.
Salah satu tren tersebut adalah pengendalian kualitas. Produsen mobil, misalnya, dapat memotret setiap lapisan las dan melacak masalah ketahanan hingga proses manufaktur. AI dapat membedakan lapisan las yang "baik" dan "buruk" berdasarkan foto yang dikumpulkan selama produksi. Ini adalah contoh prosedur inline, atau pasca-proses, yang menghasilkan data di seluruh langkah produksi penting. Tentu saja, ini tidak hanya berlaku pada manufaktur mobil.
Tren kedua terkait dengan digital twins. Mesin atau fasilitas produksi yang lengkap disimulasikan dalam dunia digital, dimana proses pengelasannya sendiri disimulasikan di komputer. Data nyata membantu menyempurnakan model tersebut, meskipun data yang dihasilkan pada dasarnya adalah data sintetis.
Kedua tren tersebut terkait erat dengan evolusi AI. Dalam pengendalian kualitas, pembelajaran mesin (ML) digunakan untuk memisahkan bagian yang baik dan buruk. Mesin mempelajari parameter mana yang penting, dan operator atau pemrogram menetapkan ambang batas peringatan atau kapan mesin harus berhenti.
Penggunaan AI dalam-inspeksi pascaproses juga telah dibuktikan. Misalnya, perusahaan Jerman Scansonic MI menggunakan AI untuk mengidentifikasi lapisan las yang baik dan buruk pada gambar. Penelitian lebih lanjut akan menentukan bagaimana diagnostik "penggunaan dalam-proses" dapat digunakan untuk kontrol proses-loop tertutup. Selain pemrosesan gambar, hal ini mungkin melibatkan sensor spektral, triangulasi laser untuk pencitraan 3D, atau tomografi koherensi optik untuk diagnostik kedalaman las.
Pengelasan adalah contoh yang kuat, tapi itu hanyalah salah satu. Teknologi tersebut dapat (dan akan) digunakan dimanapun kasus penggunaannya cukup besar untuk membenarkan investasi.
AI dalam pengendalian kualitas terutama digunakan untuk pengenalan pola bagian yang diproses. Untuk menutup lingkaran kendali, AI memerlukan pengetahuan tentang proses sejak awal. Oleh karena itu, peneliti menggunakan simulasi proses yang diberi parameter proses sebanyak mungkin. Di sini, AI memiliki potensi yang lebih besar - dapat menghubungkan parameter input dan output. Para peneliti di Fasilitas Laser Pusat di Laboratorium Rutherford Appleton Dewan Fasilitas Sains dan Teknologi di Inggris, misalnya, telah menggunakan AI untuk mengoptimalkan sistem laser untuk percepatan plasma1. Ada banyak tombol yang harus diputar, dan proses laser plasma sangat nonlinier. AI membantu para ilmuwan menstabilkan sistem dan membangun saluran plasma untuk percepatan elektron.
Diterapkan pada industri, simulasi proses berbasis AI{0}}dapat memungkinkan penutupan loop untuk kontrol proses. AI mengetahui tombol mana yang harus diputar untuk mengembalikan kualitas produk ke spesifikasi. Ia dapat belajar dengan bereksperimen secara virtual dengan semua kenop dan menjelajahi lanskap parameter. Ada-model terkenal untuk menyelesaikan tugas ini.
Namun menguji semua variasi dapat memakan waktu- dan tenaga-. Pertanyaan menarik pada saat ini berkaitan dengan pengetahuan sebelumnya: Seberapa cepat pembelajaran AI dapat terjadi jika model tersebut diberikan apa yang sudah diketahui manusia tentang prosesnya?
Tren AI di industri fotonik
Pada. 2 dan 3 Oktober 2025, asosiasi industri Jerman SPECtaris - didukung oleh Institut Fraunhofer untuk Teknologi Laser ILT (Fraunhofer ILT) dan Asosiasi Federal BITMi - mengadakan lokakarya tentang AI dalam fotonik. Peserta berasal dari lembaga penelitian, termasuk Fraunhofer ILT sendiri, dan beberapa universitas, namun sebagian besar dari industri, dengan perwakilan dari Microsoft, ZEISS, TRUMPF, Audi, Precitec Vision, Bystronic, Blackbird Robotersysteme, 4D Photonics GmbH, dan banyak lagi. Meskipun sebagian dari 27 presentasi membahas AI dalam desain optik, lokakarya ini terutama berfokus pada penerapan AI dalam teknologi laser industri.
Asisten AI dapat membantu operator laser menemukan tutorial yang tepat dalam basis pengetahuan yang luas atau mengoptimalkan perencanaan lintasan dalam pemotongan laser. Yang lebih menarik adalah bagaimana AI mendukung keputusan yang kompleks, misalnya, dalam pengendalian kualitas pengelasan laser atau proses manufaktur aditif laser. Carlo Holly, ketua Teknologi Sistem Optik di RWTH Aachen University dan kepala departemen di Fraunhofer ILT, merangkum tren utama dalam presentasi plenonya: "Kami sekarang beralih dari-AI berbasis data menuju AI berbasis data- dan fisika-informasi."
Holly menjelaskan hal ini dengan contoh dari penelitiannya. Sebuah tim di Fraunhofer ILT sebelumnya mengembangkan proses deposisi material laser berkecepatan tinggi (EHLA, atau deposisi material laser berkecepatan sangat tinggi). Lebih dari 100 parameter mempengaruhi kualitas pelapisan dalam proses ini. Jadi, proses pemindahan ke material lain biasanya memakan waktu dua tahun dengan 1500 percobaan dan analisis. Dengan menggunakan model proses pengganti dan model pengoptimalan AI (Bayesian), tim Holly mengurangi jumlah pengujian secara signifikan: Hanya diperlukan 17 uji coba untuk menemukan parameter proses yang optimal2.
Tentu saja, menemukan model dan strategi yang tepat merupakan subjek penelitian yang berkelanjutan. Yang menggembirakan, penelitian saat ini menunjukkan bahwa waktu untuk optimalisasi proses telah dikurangi menjadi hitungan menit, bukan hitungan bulan. Dan, tentu saja, pengoptimalan proses otomatis adalah langkah selanjutnya menuju kontrol-proses loop tertutup.
ML dengan data beranotasi 10× lebih sedikit
Meskipun pengoptimalan proses mendapat manfaat dari pengetahuan sebelumnya, ML mungkin mendapat manfaat sebaliknya. Holly memperkenalkan fakta mengejutkan ini di lokakarya SPECTARIS dengan ide ML bebas anotasi-. Rekannya, Julius Neuß, kemudian mendemonstrasikan seperti apa pengendalian kualitas proses pengelasan, berdasarkan eksperimen menggunakan pengelasan laser pada rumah baterai aluminium.
Sebagai titik awal, Neuß membandingkan pendekatan baru ini dengan alur kerja klasik yang diawasi. Dalam pengaturan yang diawasi, operator harus membuat anotasi setiap bagian lapisan las secara manual: posisi kawat, kumpulan lelehan, geometri manik, pori-pori, dan percikan (Gambar 1). Bahkan untuk kumpulan data yang kecil, hal ini dengan cepat-membutuhkan tenaga kerja. Selain itu, AI hanya mempelajari apa yang diberi label secara eksplisit, dan ketahanannya dibatasi oleh keragaman dan kualitas kumpulan data yang dianotasi.
