Тема#1 AI ассистенты инженера разработчика упаковки

[PackAudit&Consulting]

Ожидается, что применение искусственного интеллекта (ИИ) потенциально откроет новые возможности для повышения эффективности и конкурентоспособности компаний, особенно, в условиях дефицита квалифицированных кадров. Все участники индустрии упаковки заинтересованы в ускорении разработки и принятия решений по выводу новых продуктов на рынок и сейчас открываются новые возможности.
В этой теме и телеграм группе https://t.me/AI_in_RU_packaging_market с вашим участием мы хотим собрать информацию и мнения о том, как будет развиваться использование ИИ в разработке конструктивного дизайна по всей цепочке создания упаковочного решения.
Как будут "выглядеть" и функционировать интеллектуальные ассистенты инженера по упаковке, что вообще это такое и как участникам индустрии подготовиться к использованию возможностей генеративного ИИ ? Как интегрировать и как обучить таких помощников?

Для начала решили оттолкнуться от точки исходных данных/этапа, когда уже известен сам разработанный продукт (содержимое, свойства и примерный вес/объем) и необходимо выбрать варианты его упаковки. Может ли искусственный интеллект (ИИ) выступить помощником в разработке и какие задачи ему можно будет поставить? Для инженера по упаковке могут быть интересны, например, следующие области:
А) Помощь с материалом контейнера первичной упаковки + расширенно барьерные свойства.
Б) Помощь с формой контейнера + варианты декорирования (могут быть уже предложены и даже твердо заданы нейросетью).
В) Помощь с вариантами укупорки или запайки (могут быть концептуально предложены нейросетью, но потребуют проверки и уточнения)
Г) Помощь по вторичной упаковке + варианты декорирования
Д) Помощь в генерировании технической спецификации по критическим показателям для конкретного упаковочного изделия.
Далее вплоть до ложементов и активной упаковки.
Е) Симуляция тестирования прохождения конвейера и товарораспределительной сети (каналов товародвижения)
Ж) Умная упаковка усиленная ИИ

При этом все понимают, что наряду с перспективами использование ИИ может сопровождаться не только сложностями, но и недостатками/ограничениями:
- Ограничения данных. Эффективность ИИ в значительной степени зависит от объема и качества данных, на которых обучена модель. Таким образом, модель может оперировать только той информацией, которую разработчики использовали при создании (обучении) этой модели или в пределах возможности "подкачки" актуальных данных по предмету.
- "Галлюцинации или инфо шумовые" помехи. ИИ может генерировать ответы, не соответствующие действительности, что потенциально может привести к принятию неверных решений и потере времени и ресурсов.
- Конфиденциальность данных и корпоративные ограничения. Внедрение ИИ в корпоративные процессы вызывает опасения по поводу защиты конфиденциальной информации, особенно при использовании публично доступных ИИ-сервисов. Здесь возникает узкое место, - с одной стороны для небольших развивающихся компаний применении ИИ без ограничений - это еще одна возможность обогнать крупные корпорации в скорости процессов принятия решений, с другой стороны системы управления процессами, как и любые другие решения, не развиваются в изоляции от потребностей заказчиков, а небольшие заказчики не имеют бюджетов на финансирование таких инноваций.

Вопросы, которые возникают и на которые собираем ответы:
Главный - "Что дополнительно сможет выдать генеративный ИИ после обучения по каждому направлению и чему учить?"
Второстепенные
"Как интегрировать в уже используемые системы и возможен ли закрытый контур"
"С чем будут случаться "галлюцинации и инфо шумовые" помехи?"
"С чем ИИ пока точно не справится?"
"В каком году новые возможности будут доступны?"
"Сколько это будет стоить?"
Практический - "Как поменяются и должны быть сформулированы поисковые запросы, чтобы повысить качество выдачи?"

Ниже предлагаем совместно рассмотреть каждую область или направление, возможные векторы, как примеры, чтобы приоритизи́ровать и задать параметры и направления для обучения моделей.

[admin]

А) Помощь с материалом контейнера первичной упаковки + расширенно барьерные свойства + расширенно использование вторички
Найти варианты материала, получить доступ к TDS/Спецификации и сейчас в какой-то мере можно через Yandex для полимерных первичных марок и даже вторичных на основе макулатуры, но это уже давно устаревший процесс и лишние, рутинные шаги отнимающие время.

Заинтересованных приглашаем создать платформу ИИ материаловедения, которая по задаче от пользователя будет выдавать сравнительную таблицу сравнение по необходимым показателям с помощью инструментов ИИ и роботов. Информация по материалам устойчива во времени, поэтому модели легко будет обучить и это условно окупаемо. Но даже без специальной платформы владельцам материалов надо уже быть готовым учить ИИ.

Важно понимание промтов или какими могут стать примеров ключевых запросов:
-Покажи структуры/спецификации пленок с паропроницаемостью меньше <0,05г/м2/день.
-Покажи производителей пленок с паропроницаемостью меньше <0,05г/м2/день в Новосибирске
-Сравни технические спецификации поставщиков по параметру паропроницаемости MVTR

-Расскажи о сложностях использования этого материала для... формования, литья и т.п.
-Покажи на графике, как каждый 1% ввода вторички в материал Х отразится на времени цикла/прозрачности/хрупкости при изготовлении..
-Проверь, какой % контейнеров из этого материала извлекаются из потока на автоматических сортировках и перерабатывается ли вторично практически?

У многих поставщиков есть уже готовые данные для обучения ИИ таким ответам, но их надо расширять и углублять для машинного обучения. Например, Георг Полимер собирал атлас свариваемости различных пленок с производимыми компанией пищевыми лотками. Из этого уже можно делать жесткую модель через бот или дообучать модель ИИ. И так по многим покровным материалам. Это позволит сократить время подбора и избежать изначально ошибочного выбора для тестирования. Данные могут быть усилены температурой/циклом запайки.

Подумайте, как применить эту логику к другим материалам. Как бы искали и сравнивали Вы?

В разделе Упаковочные материалы можно готовить и собирать возможные поисковые запросы для обучения ИИ и отработки разработчиками улучшенной выдачи по каждому конкретному материалу.
Чтобы качественная выдача результатов работала, поставщики должны будут адаптировать свои сайты и их содержание соответственно, в том числе под компьютерное зрение. Получится ли стандартизовать запросы или обучить ИИ распознавать отличия в правильном направлении...

[PackAudit&Consulting]

Как только материал контейнера выбран (или в продолжение выбора материала и сравнения), генеративный ИИ поможет вам с формой контейнера в следующих моментах.
Первично сформирует образ изделия согласно пожеланиям по вместимости, размерам/геометрии/форме с учетом толщины стенок выбранного материала достаточного для заданного объема/веса и функционального барьера. Не забудьте сразу или на следующем шаге поставить задачу по подбору вариантов укупорки или системы дозированной подачи.
Вот прообраз, напишите нам о реальных инструментах если знаете такие https://tools.pixelplus.ru/ai-dlya-specialistov/inzhener-konstruktor/

Потребуется ИИ платформа, или шлюз к инструментам ИИ, чтобы интегрироваться с существующим программным обеспечением для проектирования (CAD-системами), позволяя преобразовывать результаты проектирования с помощью ИИ в практические чертежи CAD, позволяя эксперту напрямую манипулировать проектами и визуализировать их. Ждем удешевления Esko Studio AI Tools для профессиональных высоконагруженных команд, Adobe Firefly, Adobe Sensei и других.

Что уже умеет ZooDev > zoo.dev/text-to-cad:
— Пишете, что хотите создать - получаете базовую модель с любыми отверстиями и даже оптимизацией.
— Всё, что вы сделали в редакторе, тут же превращается в код: можно поменять любую цифру - модель сразу обновится с новыми параметрами.
— Процесс проектирования ускорится в десять раз, а в будущем планируется разгон до 50+ раз.

Как Вы думаете - ИИ-платформа Perplexity уже изучает такие видео?

phpBB [media]

Со временем ИИ сможет сделать разработку от обратного, исходя из ограничений по размеру вторичной упаковки или веса/объема совместно упаковываемых единиц.
Здесь ИИ потребуется обучать, например, вариантам пакетов дой пак (паучей) и соответственно стандартизовать их названия на сайтах поставщиков. Важно указать максимально доступные размеры, которые зависят от конкретных пакетоделательных машин. Обученное компьютерное зрение сможет считать и дополнительные опции, такие как насечка, Zip-loc и прочие.

Читайте также, что задумал Amcor в подтеме ниже, Е) Моделирование и Симуляция, предиктивная аналитика

Но сможет ли ИИ при проектировании учесть требования к производственному процессу и факторы, касающиеся технических и эксплуатационных свойств тары? Здесь предполагаются сложные поисковые запросы, возможно, даже список полей формы для заполнения для формирования рамок поискового запроса. Также варианты можно собирать для каждого материала в разделе Упаковочные материалы
Мы сами уже давно формируем карты вариантов доступных упаковочных решений, их можно загрузить в телеграм @PackSelectionRU_bot , с помощью таких карт проще обучать модели ИИ правильно выходить на сайты релевантных поставщиков для последующей обработки информации.

Что еще после этого сможет выдать ИИ мы расскажем в отдельной теме "Интеллектуальные ассистенты закупщика упаковки"

Варианты декорирования контейнера - в зависимости от формы, материала и уточняющего запроса, ИИ предложит прямую печать на контейнере или соответствующую этикетку, обечайку и т.п. Но не только.

[admin]

Если разрабатывается контейнер, которому требуется укупорка, особенно, если функциональная, то еще на предыдущем шаге стоило задать или спросить ИИ о подходящих параметрах горла. Для обучения ИИ точной выдачи результата и возможных производителей мы уже собрали в @PackSelectionRU_bot
серьезную базу возможных вариантов доступных в РФ стандартных горловин для ПЭТ преформ

и + варианты укупорки, в т.ч. функциональной для каждого стандарта/типоразмера на ПЭТ и ПЕ флаконы, а также укупорочных мембран. Закачаны и другие виды нестандартизованной укупорки.
ИИ платформа будет легко находить источники данных для сравнения по уже загруженным в бот ссылкам на сайты поставщиков.
Что еще уже сегодня может выдать @PackSelectionRU_bot мы расскажем в отдельной теме "Интеллектуальный ассистент закупщика упаковки"

Кто участвует в сборе данных по запайке платинками и другими покровами, вариантами редкой укупорки?

[PackAudit&Consulting]

Если у вас получилось создать эскиз контейнера, он может быть представлен в сборе и программа покажет его векторные размеры, включая размеры выбранной укупорки. Мы пока не увидели платформу ИИ, которая может собирать отдельные элементы в единое изделие, ждем.
Reprint a Pack от ESKO – уникальный прототип, который позволит воспроизводить упаковки с физических образцов. С PDF и несколькими точками измерения из упаковки они смогут, используя ИИ, перепечатать дизайн на печатной машине с повышенной точностью цвета;
Ведет ли это к росту подделок?

ESKO Remote Press Approval использует индивидуальные алгоритмы ИИ на основе NeRF для точного захвата 3D-вида упаковки, включая такие эффекты, как фольга и тиснение.


Если известен материал контейнера, габаритные векторные размеры единицы, вес, - то можно запросить у ИИ сформировать варианты вторичной упаковки в виде пачки с одним или несколькими вложениями, мультипака с обечайкой, или сразу положить в гофрокартонную коробку с нужным квантом. Стили кроя из каталогов стандартных конструкций складных коробок ECMA, FEFCO, GALIA, вместе с он-лайн калькуляторами площади, объёма, веса и размеров изделий, калькуляторами запаллечивания наверняка уже считаны MLM моделями и будет несложно обучить ИИ инструменты предложить оптимальный крой с учетом паллетизации и вариантов ширин оборудования.

Кроме того, вам предложат и варианты картонов со сравнением свойств/характеристик, как было описано выше в А) для первичной упаковки.
Здесь нам нужны комментарии поставщиков (инженеров - разработчиков кроя) как они видят процесс пошагово, что сможет обработать ИИ платформа с учетом разнообразия оборудования.

перевод с англ.
Усовершенствованные алгоритмы обработки информации позволят анализировать огромные объемы данных в режиме реального времени, чтобы адаптировать упаковочные решения для каждого продукта.
Адаптация концепции конструктивного дизайна упаковки в зависимости от размеров продукта, веса, хрупкости и места доставки позволяет упаковочным компаниям оптимизировать свои процессы как с учетом содержимого, так и с точки зрения потребителя. Кроме того, упаковка, адаптированная к конкретному продукту или потребностям потребителя, отражает внимание к деталям, заботу и стандарты качества, укрепляя общий имидж бренда. Алгоритмы искусственного интеллекта могут оценивать воздействие различных упаковочных материалов на окружающую среду, помогая предприятиям выбирать экологически безопасные варианты упаковки. Искусственный интеллект может помочь оптимизировать дизайн упаковки таким образом, чтобы использовать наименьшее количество материалов при сохранении целостности продукта, что приводит к меньшему количеству отходов и углеродному следу.
Одним из ярких примеров является применение Amazon искусственного интеллекта для оптимизации упаковки и уменьшения повреждений. Используя модель машинного обучения, компания анализирует реальные данные о жалобах клиентов, чтобы выявить закономерности и улучшить упаковочные материалы для различных продуктов, приобретенных через их онлайн-платформу. Используя эту модель, основанную на искусственном интеллекте, Amazon добился заметных результатов в плане сокращения потерь и сохранения продукции. Внедрение технологии искусственного интеллекта привело к значительному сокращению (на 24%) повреждений. Кроме того, оптимизированные упаковочные материалы, выбранные с помощью модели искусственного интеллекта, позволили снизить затраты на доставку на 5%.
https://www.aboutamazon.com/news/sustainability/h ... n-uses-ai-sustainability-goals
https://www.amazon.science/latest-news/deep-learn ... -reducing-amazon-package-waste
Алгоритмы, заложенные в этой модели, могут указывать, когда следует использовать пластиковую тару, гибкую упаковку , гофрокоробки или почтовые пакеты с усиливающей подложкой вместо тех же картонных коробок для определенных товаров или отправлений, что в конечном итоге делает посылки легче и обеспечивает более безопасную и экономичную доставку.

У HL Supply Chain целью внедрения системы OptiCarton на базе ИИ является снижение стоимости отгрузок и повышение экологической устойчивости. OptiCarton используется для выбора лучшего варианта коробки из заданного списка конфигураций для максимального/оптимального заполнения коробки. Эта интеллектуальная система выходит за рамки традиционных методов сборки заказа, предлагая в т.ч. возможность разделить заказ на несколько оптимизированных упакованных единиц. Индивидуальные поставки могут быть осуществлены более экономично и с меньшим углеродным следом.

По такому же принципу могут подбираться материалы для третичной упаковки https://easypackmaker.com/ru/chooser

На фоне всего вышеупомянутого научить модель с целью оптимизации расхода стрейч пленки для конкретных грузов и режимов паллетообмотчиков кажется вполне реалистичным

(yield and supply chain optimization ideas)

Декорирование и ограничения
ИИ пока никак не учитывает технические требования к упаковке. Например, место расположение штрих-кода (но уже можно начать учить), состава продукта, особенности конструкции и материалов. Дизайн может не соответствовать законодательным нормам.
Высокоуровневые этапы разработки упаковки не возможны без экспертных знаний человека, т.е. нейросети не заменят разработчиков, но их можно рассматривать в качестве помощников. ИИ помогает преодолеть страх «белого листа», когда неопытный разработчик не знает, с чего начать.

[admin]

ИИ с помощью инструментов довольно скоро научится читать ГОСТы и ТУ на конкретные упаковочные изделия. Он сможет оценить возможные допуски у замеряемых критических параметров и даже сравнительно понять различия между показателями и допусками в ТУ поставщиков, предоставляя данные в табличной форме. Понимая критические параметры, ИИ будет в состоянии сгенерить техническую спецификацию с указанием параметров изделия и допустимых отклонений, базируясь на знаниях технических документов из сети и помощи по обучению от производителей упаковки.

Дополните содержание

[PackAudit&Consulting]

modelling and simulation ИИ позволит целенаправленно проводить необходимые манипуляции и др.
В то время как моделирование и симуляция являются основными инструментами в некоторых отраслях, производители упаковки не смогли воспользоваться преимуществами. Несмотря на значительные инвестиции в разработку моделей и симуляцию, такие компании, как AptarGroup, Inc, обнаружили, что отдачи от них просто нет. Однако такие организации богаты данными, что позволяет им использовать другой подход, используя модели самообучения.
https://www.monolithai.com/case-studies/packaging-optimization-using-ai-aptargroup модель симуляции падения бутылки на конвейере в зависимости от ее формы и от вязкости продукта/
Используя обширные данные, полученные в ходе тестирования существующих дизайнов упаковки, Monolith создала самообучающуюся модель для прогнозирования производительности новых дизайнов. Поскольку Monolith - это программное обеспечение для искусственного интеллекта, созданное инженерами для инженеров, AptarGroup не нужно привлекать специалистов по обработке данных и программистов на Python. Это дает им возможность самим усовершенствовать модель и даже рассмотреть возможность предложить своим клиентам возможности искусственного интеллекта.
Но Amcor тоже начал думать в эту сторону, чтобы сделать прорыв в выдуве ПЭТ бутылок. Мы нашли их объявление в открытом доступе на специализированном сайте https://www.halo.science/request_for_solutions/tu ... orms-for-2-step-pet-containers и из него можно вынести много.
Amcore располагает базой данных об успешных дизайнах преформ и бутылок, которые из них получались, но эти ценные данные не использовались для автоматизации оптимизации дизайна или усовершенствования процесса проектирования. Учитывая обширную базу данных и опыт Amcor в этой области, существует уникальная возможность использовать эти данные для разработки динамичной и постоянно совершенствующейся модели ИИ для проектирования оптимальных преформ и бутылок.
Также они ищут возможность построить модель, предсказывающую влияние использования полимерной вторички на цикл тайм https://www.halo.science/request_for_solutions/a- ... f-rpet-on-injection-cycle-time
Подумать о таком может быть интересно компании Сибур с клиентами или даже участникам Лиги переработчиков макулатуры в своем бумажном направлении.
Обновление от апреля 2025г: А вот и пример для рынка гофрокартона и бумаг > liga-pm.ru/news/primenenie-podkhoda-na-osnove-iskusstvennogo-intellekta-dlya-upravleniya-protsessom-izgotovleniya-bu/

Текущая задача желающих участвовать - собирать коллекции датасетов, которые будут использованы для машинного обучения и численного моделирования различных физических систем. Но как собирать, лучше спросить у специалистов. Пример идеального, не пугайтесь:
Данные представлены в унифицированном формате HDF5, организованном в соответствии с общей спецификацией. Они сгенерированы на равномерных сетках и дискретизированы с постоянным временным шагом.
Файлы HDF5 содержат все доступные переменные состояния и пространственно-изменяющиеся коэффициенты в виде массивов NumPy в формате одинарной точности fp32. Доступны скалярные, векторные и тензорные поля, учитывая их различные свойства преобразования.
Каждый файл данных случайным образом разделен на обучающую, тестовую и валидационную выборки в соотношении 8:1:1. Детальное описание каждого набора данных представлено в таблицах (https://polymathic-ai.org/the_well/datasets_overview/), где указаны координатная система, разрешение снимков, количество временных шагов в траектории, общее количество траекторий в наборе данных, размер набора данных, время выполнения симуляций и используемое оборудование.

„KI-Anwendungshub Kunststoffverpackungen“ («Центр применения ИИ для пластиковой упаковки»), финансируемый Немецким федеральным министерством образования и научных исследований объединяет более 51 партнера из бизнеса, науки и общества для продвижения разработки экоустойчивой упаковки с использованием ИИ. В рамках инновационной лаборатории AI-Optipack разработано кросс-отраслевое программное обеспечение, которое учитывает различные требования к пластиковой упаковке и с помощью математических моделей и методов на основе искусственного интеллекта предлагает оптимальные конструкции упаковки с минимальным расходом материалов.

Евгений Александров, д.х.н., заведующий лабораторией молекулярного моделирования
Специалисты Центра НТИ «Цифровое материаловедение: новые материалы и вещества» МГТУ им. Н. Э. Баумана работают над созданием базы данных материалов и веществ, которая при помощи алгоритмов ИИ (искусственный интеллект), помогает предсказывать свойства и приближает к внедрению машинного обучения в разработку перспективных полимерных материалов. «Построение регрессионных моделей свойств полимеров по их химической структуре с помощью машинного обучения способно значительно ускорить открытие и разработку новых полимерных материалов. Для построения таких предсказательных моделей необходимо закодировать структуру вещества в машинно-читаемом виде. Руководствуясь подходами обработки текста, мы использовали энкодер Mol2Vec, воспринимающий SMILES-кодировку структуры в качестве текста, а отдельные функциональные группы — как слова и предложения (т.н. Mol2Vec, molecule-to-vector). Подобный подход ранее не применялся для исследования полимерных структур и позволил отобразить полимерные структуры в виде смысловых векторов», — говорит младший научный сотрудник Центра НТИ «Цифровое материаловедение: новые материалы и вещества» МГТУ им. Н. Э. Баумана Иван Злобин.
В своем исследовании ученые рассмотрели несколько стратегий использования предварительно обученных представлений Mol2Vec для задачи предсказания различных физических свойств полимеров с различной химической структурой на небольшом (~200 записей) наборе данных.
По словам эксперта, получающиеся представления сохраняют большой процент информации о химической структуре полимера при небольшой размерности эмбеддинга.
«При использовании подхода Mol2Vec удается надежно векторно отобразить химическое разнообразие полимеров, что очень положительно влияет на качество предсказательных моделей, обученных на небольших базах данных», — добавил Иван Злобин.
ИИ позволяет создавать материалы быстро, но пока не точно. Для точности 90% программе достаточно небольшого объема данных по полимерам и композитам. Повышение точности возможно после сбора большего разнообразия результатов синтеза и испытаний.
«Разработка одного материала занимает порядка года. При этом стоит задача оптимизации комплекса свойств. Мы планируем ускорить этот процесс через прогнозирование свойств методами машинного обучения и моделирования методами молекулярного моделирования. Созданная нами модель машинного обучения позволяет получать прогноз свойств за доли секунды. Этот результат быстрый, но не точный. Молекулярное обучение дольше, но при правильно подобранных параметрах точнее», — пояснил Евгений Александров.
> plastinfo.ru/information/news/52939_07.03.2024/
https://link.springer.com/epdf/10.1007/s10118-024 ... OmIdMchKVvl1Qw3Kzkxh3Cy3xFvEg=

19 лабораторий со всего мира выпустили (https://genesis-embodied-ai.github.io/) в опенсорс Genesis – ИИ-движок для симуляции физики в 4D с динамикой, то есть в движении. Hаботает в 10–80 раз быстрее существующих GPU-ускоренных платформ, (Isaac Gym или MJX) и его можно использовать как среду для обучения роботов. По сути, это мощный инструмент для синтеза точных с точки зрения физики данных, которые сложно (или даже невозможно) собрать в реальном мире, особенно если речь идет о soft роботах.

[admin]

Умная упаковка усиленная ИИ
https://four.appetitecreative.com/blog/how-ai-can ... es-affect-connected-packaging/
Упаковочные материалы, которые распознают изменения температуры, влажности или давления и автоматически настраивают параметры для защиты содержимого, помогут нам глубже проникнуть в будущее специальной упаковки, а также создать карты товародвижения.