{"schema_version":"1.0","service":"Publicasta","type":"article","id":900,"slug":"abb_ai_robot_trainer_factory_vision_workflow","title":"ABBs KI-Robotertrainer macht Fabrikvision vom Spezialprojekt zum gesteuerten Workflow","excerpt":"ABBs neuer KI-Robotertrainer zielt auf einen unscheinbaren Engpass der industriellen Robotik: zuverlässige Bildverarbeitung, auch wenn sich Produkte, Fabrik und Beleuchtung verändern. Im Mittelpunkt steht leichteres Nachtraining, nicht autonome Magie.","language":"de","default_language":"en","canonical_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=de","image":{"url":"https://publicasta.com/storage/projects/11/pages/900/2026/10/928067ef-1463-4a11-9df3-48aa1045fb9c.webp","alt":"Industrieroboter sortiert Kleidung mit maschinellem Sehen in einer Fabriklogistikzelle"},"publisher":{"id":11,"slug":"robots","name":"Roboter und autonome Systeme","url":"https://publicasta.com/robots"},"author":{"name":"Anton R"},"published_at":"2026-10-17T06:51:02+00:00","updated_at":"2026-10-17T06:51:02+00:00","content_markdown":"ABBs jüngste Roboter-Ankündigung dreht sich weniger um einen größeren Wortschatz des Roboters als um die Frage, wer ihn verbessern darf. Am 15. Oktober stellte ABB einen durchgängigen Physical-AI-Workflow für die Mode- und Bekleidungslogistik vor und ergänzte das Modul Fashion Inductor um den AI Robot Trainer. Nach Angaben des Unternehmens kann das den Aufwand für Engineering und Inbetriebnahme um bis zu 75 Prozent senken.\n\n ![Industrieroboter sortiert Kleidung mit maschinellem Sehen in einer Fabriklogistikzelle](https://publicasta.com/storage/projects/11/pages/900/2026/10/928067ef-1463-4a11-9df3-48aa1045fb9c.webp)\n\n Diese Zahl braucht Einordnung. Sie bedeutet nicht, dass ein Roboter in ein unbekanntes Lager gestellt wird und sich dort jede Aufgabe sicher selbst beibringt. Die konkretere Aussage lautet: Eine industrielle Bildverarbeitungsanwendung kann innerhalb eines kontrollierten Software- und Hardware-Stacks trainiert, eingesetzt, überwacht und erneut trainiert werden. Die Abhängigkeit von Spezialisten, die bei jeder Veränderung das Modell neu aufbauen müssen, soll sinken.\n\n Ein Fabrikroboter muss nicht die ganze Welt verstehen. Er muss ein schwarzes Hemd von einem dunklen Behälter unterscheiden, ein teilweise gefaltetes Kleidungsstück erkennen, einen erreichbaren Griff wählen, Kollisionen vermeiden und dies bei verändertem Produktmix weiterhin tun. Entscheidend ist, ob die komplette Zelle einfacher zu betreiben ist, ohne dass ihre Sicherheitsbegründung schwächer wird.\n\n ## Bei der Ankündigung geht es um den Wartungskreislauf\n\n ABB beschreibt den AI Robot Trainer als Bestandteil von OmniCore EyeMotion und Fashion Inductor. Der Ablauf verbindet Bildaufnahme, Modelltraining, Bereitstellung und kontinuierliche Verbesserung. Er überwacht die Leistung, sucht nach Anomalien, erzeugt Trainingsdaten und sendet ein verbessertes Modell zurück an den physischen Roboter.\n\n Das ist relevant, weil das erste Modell selten der schwierigste Teil eines Bildverarbeitungsprojekts ist. Ein System kann bei der Abnahme funktionieren und später schlechter werden, wenn ein Lieferant Verpackungen ändert, ein Produkt anders gefärbt ist, ein Förderband justiert wird, Staub auf einer Linse liegt oder die Beleuchtung saisonal wechselt. In einem herkömmlichen Projekt muss der Kunde Beispiele sammeln, kennzeichnen, neu trainieren, validieren und eine kontrollierte Inbetriebnahme planen. Die Verzögerung kann Stunden oder Wochen dauern.\n\n Ein Lebenszyklus-Workflow soll diese Unterbrechung in ein Betriebsverfahren verwandeln. Der geschlossene Kreislauf muss klären: Was hat sich verändert? Wie sicher ist sich das System? Welche Beispiele fehlen? Wer genehmigt das Update? Wie lässt sich die vorige Version wiederherstellen? ABB veröffentlicht dafür keinen vollständigen unabhängigen Benchmark. Die Angabe von bis zu 75 Prozent weniger Aufwand ist daher ein kommerzielles Signal, kein universeller Produktivitätswert.\n\n ## Warum die Mode-Logistik ein aufschlussreicher Test ist\n\n Mode-Logistik liegt zwischen Wiederholung und Unordnung. Es gibt genug Volumen für Roboter, aber nicht genug Einheitlichkeit für simple feste Werkzeuge. Kleidungsstücke unterscheiden sich in Form, Struktur, Farbe und Größe; Stoff kann zusammenfallen, sich überlagern und den benötigten Greifpunkt verdecken. Dieselbe Lagerhaltungseinheit sieht nach Falten, Auspacken oder Handhabung anders aus.\n\n ABB zufolge kann Fashion Inductor bis zu 1.300 Teile pro Stunde und Zelle sortieren und Ziele für die Greifgenauigkeit von mehr als 99,5 Prozent erreichen. Das sind ABBs Werte, kein unabhängig geprüftes Ergebnis in jeder Kundenumgebung. Sie zeigen dennoch, dass mehr als Erkennungsgenauigkeit zählt. Ein verpasster Griff ist ein Problem; eine richtige Identifikation mit unerreichbarem Griff, Kollision, fallengelassenem Teil oder Stau ist ein anderes.\n\n Die Zelle umfasst Kameras, Beleuchtung, Fördertechnik, Greifer, Bewegungsplanung, Ausnahmebehandlung und Koordinationssoftware. Ein Bildmodell kann hervorragend klassifizieren und trotzdem als Produktionskomponente schlecht sein, wenn Konfidenzwerte falsch kalibriert sind oder Fehler bei teuren Artikeln gehäuft auftreten.\n\n Die Aufgabe bleibt trotz vieler Erscheinungsformen begrenzt: Teile kommen in einem bekannten Bereich an, gehen zu bekannten Zielen und werden mit bekannten Geschwindigkeits-, Reichweiten- und Nutzlastgrenzen verarbeitet. Das ist anspruchsvoll, aber keine freie Autonomie in einem unstrukturierten Lager.\n\n ## EyeMotion liefert die Wahrnehmung, die Zelle die Grenzen\n\n ABB brachte OmniCore EyeMotion 2025 als hardwareunabhängiges Bildverarbeitungssystem für OmniCore-Roboter heraus. Nach Unternehmensangaben kann es Kameras oder Sensoren von Drittanbietern nutzen, sich in RobotStudio integrieren und über eine Weboberfläche Vision-Anwendungen einrichten. ABB nannte damals bis zu 90 Prozent weniger Inbetriebnahmeaufwand gegenüber kundenspezifischen Lösungen.\n\n Der AI Robot Trainer baut auf dieser Wahrnehmungsschicht auf. EyeMotion liefert Sensorik und visuelle Interpretation; der Trainer soll die Verbesserung des gelernten Anteils erleichtern. RobotStudio und digitaler Zwilling bilden die virtuelle Umgebung, OmniCore bleibt die Ausführungsschicht.\n\n Das Modell ersetzt weder Steuerung, Sicherheitskreise noch mechanische Auslegung. Es kann beeinflussen, was der Roboter sieht und welche Bewegung passend scheint, doch Geschwindigkeit, Reichweite, Kollisionsvermeidung, Stoppverhalten und Zugang zu Gefahrenbereichen brauchen weiterhin feste Grenzen.\n\n ABB beschreibt den digitalen Zwilling des aktualisierten Fashion Inductor als exakte Nachbildung der Modulsoftware, verbunden mit Application Controller Platform, Automatic Path Planning, AI Robot Trainer und RobotStudio. Sein Nutzen hängt davon ab, wie genau er die Produktion abbildet. Simulation beweist nicht automatisch, dass jede Stoffstruktur erkannt, jedes Teil gehalten oder ein unerwarteter menschlicher Eingriff sicher bleibt. Die stärkste Lesart ist daher ein disziplinierterer Wartungsweg für eine weiterhin begrenzte Anwendung.\n\n ## Der verborgene Engpass ist der Besitz der Daten\n\n Bei einer einmaligen Vision-Installation hält der Integrator oft das praktische Wissen: welche Bilder gesammelt, Beispiele verworfen und Schwellenwerte gewählt wurden und welche mechanischen Änderungen das Modell entwerten. Das funktioniert, wird aber teuer, wenn ein Kunde mehrere Werke betreibt oder Produkte häufig wechselt.\n\n Ein integrierter Trainer kann Wissen zu Betreiber und Hersteller verlagern. Der Kunde sieht Ausnahmefälle, ergänzt Beispiele und verwaltet Updates, ohne ein neues Projekt zu starten. Der eigentliche Gewinn ist ein institutionelles Gedächtnis für Fehler, nicht bloß eine zusätzliche Trainingstaste.\n\n Damit entstehen Pflichten. Eine seltene Beleuchtung kann eine Kennzahl verbessern und eine andere verschlechtern. Ein durchschnittlich besseres Modell kann hochwertige oder empfindliche Artikel schlechter erkennen. Bilder können außerdem Informationen über Beschäftigte, Besucher oder Lieferantenetiketten bewahren.\n\n Ein industrieller KI-Trainer sollte daher wie ein Produktionssystem für Änderungsmanagement geprüft werden:\n\n - Gibt es Versionshistorien für Modelle und Datensätze?\n- Kann das neue Modell auf einem festen Validierungssatz verglichen werden?\n- Sind Konfidenzschwellen und Ablehnungsverhalten sichtbar?\n- Kann der Kunde schnell zurückrollen?\n- Wird protokolliert, warum ein Beispiel nachtrainiert wurde?\n- Werden bekannte schwierige Fälle und nicht nur neue Beispiele getestet?\n\n ABB betont kontinuierliche Verbesserung, nennt aber nicht alle diese Details. Sie entscheiden, ob die Funktion Aufwand senkt oder Komplexität nur in eine neue Oberfläche verschiebt.\n\n ## Was die 75-Prozent-Angabe bedeuten kann und was nicht\n\n „Bis zu 75 Prozent weniger Engineering- und Inbetriebnahmeaufwand“ kann sich auf einen definierten Vergleich für eine bestimmte Anwendung beziehen. Es bedeutet nicht, dass eine vollständige Roboterinstallation 75 Prozent weniger kostet, Arbeit verschwindet oder Integrationswissen überflüssig wird.\n\n Engineering umfasst Kameras, Beleuchtung, Greifer, Fördertechnik, Arbeitsraum, Schnittstellen, Fehlertests und Schulung. Das physische Layout kann den größten Kostenanteil ausmachen; Software beseitigt nicht die Notwendigkeit, es zu bauen und zu validieren.\n\n Inbetriebnahme umfasst außerdem Bewegungsabstimmung, Zykluszeit, Kommunikation, Dokumentation und Reaktionen auf fehlende Teile oder Bandstillstand. Eine Verkürzung einzelner Arbeitsschritte ist wertvoll, doch die Schlagzeile bleibt ein Versprechen, bis Kundendaten die Übertragbarkeit zeigen.\n\n Für die Wirtschaftlichkeit zählen Gesamtbetriebskosten: Software, Support, Spezialisteneinsätze, Stillstand, Ersatzteile, Nachtraining und verlorener Durchsatz. Ein internes Team, das gewöhnliche Abweichungen selbst behebt, könnte attraktiv sein, auch wenn die Installation komplex bleibt. Käufer sollten Workflow-Nachweise verlangen.\n\n ## Sicherheit bleibt eine Systemeigenschaft\n\n Ein Lernkreislauf ändert nichts an der Sicherheitsverpflichtung. ISO 10218-1:2025 behandelt Sicherheitsanforderungen für Industrieroboter als unvollständige Maschinen; ISO 10218-2:2025 betrifft Integration, Inbetriebnahme, Betrieb, Wartung und Stilllegung von Roboteranwendungen und -zellen. Der Hersteller kann einen sicheren Roboter liefern, die vollständige Zelle hat aber anwendungsspezifische Gefahren.\n\n Die Internationale Organisation für Normung trennt Roboter und Anwendung. Ein Kameramodell beeinflusst Verhalten, bietet aber keine Absicherung für eine Person im Arbeitsbereich. Ein nicht erkanntes Kleidungsstück ist ein Produktionsfehler; eine nicht erkannte Person oder offene Zugangsstelle kann ein Sicherheitsereignis sein. Dafür braucht es passende sicherheitsgerichtete Architektur, nicht gewöhnliche Modellkonfidenz.\n\n Die OSHA weist darauf hin, dass die USA keinen einzelnen robotspezifischen OSHA-Standard haben, verweist aber auf Konsensstandards sowie Maschinenschutz und Lockout/Tagout. KI darf Wahrnehmung und Planung ändern, hebt aber nicht die Pflicht auf, Gefahren zu bewerten, Schutzmaßnahmen zu installieren und Menschen zu schulen.\n\n Sicherheitskritische Funktionen sollten, wo die Risikobewertung es verlangt, vom gelernten Wahrnehmungspfad getrennt bleiben. Zu definieren ist auch, was bei Unsicherheit, verdeckter Kamera, unbekanntem Objekt oder Netzwerkausfall geschieht. Kontrollierter Stopp, Ausschleusung oder menschliches Eingreifen sind keine Modellfehler, wenn die Zelle dafür ausgelegt ist.\n\n ## Der eigentliche Kunde könnte der Integrator sein\n\n ABB richtet den AI Robot Trainer an Integratoren, die KI-gestützte Mode-Logistik bereitstellen, skalieren und optimieren. Der erste Markt ist daher vielleicht weniger die kleine Fabrik als ein Integratorennetz, das ähnliche Zellen wiederholt baut und an verschiedene Kunden anpasst.\n\n Ein validierter Workflow ermöglicht Bibliotheken aus Kamerakonfigurationen, Greifern, Validierungsszenen und Wiederherstellungsverfahren. Routinemäßiges Nachtraining kann vor Ort stattfinden, während der Integrator größere Änderungen kontrolliert.\n\n Für ABB ist das strategisch: Je mehr der Workflow über RobotStudio, OmniCore, EyeMotion und das Modul läuft, desto schwerer wird ein Austausch Stück für Stück. Der Kunde übernimmt nicht nur einen Arm, sondern Werkzeuge für Entwicklung, Bereitstellung und Wartung.\n\n Das kann Zuverlässigkeit erhöhen, aber Plattformabhängigkeit verstärken. Käufer sollten Exportmöglichkeiten, externe Modellprüfung, Supportdauer und den Wechsel von Kameras oder Greifern klären. Je einfacher die Bereitstellung, desto wichtiger werden die Grenzen dieser Einfachheit.\n\n ## Wo dieser Ansatz zuerst funktionieren sollte\n\n Geeignete frühe Anwendungen haben ein stabiles Layout, eine definierte Objektgruppe, beherrschbare visuelle Variation und einen Ausweichpfad für Unsicherheit. Sie brauchen außerdem genug Durchsatz oder Stillstandskosten, um Daten- und Validierungsprozesse zu rechtfertigen.\n\n Textilsortierung passt, weil der Produktmix variabel, die Aufgabe aber begrenzt ist. Weitere Kandidaten sind Verpackungsprüfung, Behältergreifen für bekannte Teile, Qualitätskontrollen bei konstanter Beleuchtung und Maschinenbeschickung mit wenigen Teilezuständen. Ihre Fehlerbilder lassen sich katalogisieren.\n\n Weniger überzeugend ist der Ansatz bei unbeschränkter Objektmenge, schweren Folgen eines falschen Griffs oder schnellerer Veränderung der Umgebung als der Validierung. Lagergänge mit Menschen, Baustellen und öffentliche Serviceroboter haben eine größere Risikofläche. Auch in Lebensmittel-, Pharma- und Hygienebereichen ersetzt Erkennung keine Kontaminationskontrolle, Rückverfolgbarkeit oder Prozessvalidierung.\n\n ## Was Käufer in einem Pilotprojekt messen sollten\n\n Ein ernsthaftes Pilotprojekt beginnt mit einer Ausgangsbasis: Durchsatz, Erfolg im ersten Durchlauf, Ausschuss, manuelle Eingriffe, Stillstand, mittlere Wiederherstellungszeit und Zeit für ein Vision-Update. Danach sollten neue Farben, Verpackungen, Beleuchtung, Verdeckungen und schwierige Anordnungen getestet werden.\n\n Nicht nur durchschnittliche Genauigkeit zählt. Ein Fehlalarm, der den falschen Artikel ans Ziel schickt, kann teurer sein als ein übersehener Treffer im Ausschussbehälter. Die Kosten eines fallengelassenen Kleidungsstücks unterscheiden sich je nach Betrieb.\n\n Der menschliche Workflow gehört ebenfalls in den Test: Versteht der Bediener eine Ablehnung? Kann er Beispiele sammeln, ohne den Datensatz zu verunreinigen? Kann eine Führungskraft ein Update genehmigen? Kann das Werk ohne Anbieter-Techniker zurückrollen? Wie lange dauert der Nachweis der Produktionsreife?\n\n Auch die langweiligen Fälle zählen: Kamera trennen, Linse abdecken, unbekanntes Teil zeigen, Licht ändern, Förderband stoppen, Netzwerk unterbrechen und einen geschützten Bereich korrekt öffnen. Ziel ist kein cleverer Eindruck, sondern ein sichtbares, begrenztes und wiederherstellbares Fehlverhalten.\n\n ## Die größere Bedeutung für Physical AI\n\n Die Robotikbranche beschreibt Fortschritt oft mit größeren Modellen, reichhaltigeren Sensoren oder allgemeineren Verhaltensweisen. ABB zeigt eine andere Achse: die Industrialisierung des Verbesserungsprozesses. Nützlich wird ein Roboter, wenn er nach der Installation genau bleibt und jede Änderung nachvollziehbar ist.\n\n Das ist weniger glamourös als Lernen auf Zuruf, könnte aber näher daran liegen, wie Physical AI zur Infrastruktur wird. Industriekunden kaufen Verfügbarkeit, Wiederholbarkeit und beherrschbare Fehler, kein isoliertes Modell. Sie kaufen eine Zelle, die reale Menschen unter Produktionsdruck warten können.\n\n Das passt zu softwaredefiniertem Roboterbetrieb. Das US-Energieministerium beschreibt Programme mit wiederverwendbaren Fähigkeiten, digitalen Zwillingen, Benchmarks, Datensätzen, trainierten Modellen, Sicherheitspraktiken und Herkunftsnachweisen. Die Domänen unterscheiden sich, doch die gemeinsame Lehre lautet: Ein brauchbares System umfasst Nachweise, Versionierung und Betriebskontext, nicht nur Inferenz.\n\n ABBs Ansatz ist enger und dadurch testbarer: bekannte Plattform, Sensoren, Anwendung und ein Kunde, der Produktionsreife beurteilen kann. Offen bleibt, ob diese Disziplin auf weitere Anwendungen übertragbar ist. Nachtraining ist nicht automatisch Verbesserung, ein Update nicht automatisch sicher und ein digitaler Zwilling nicht automatisch eine getreue Fabrikkopie. Der Wert zeigt sich nach Monaten realer Produktion, nicht bei der ersten Demonstration.\n\n Für Fabriken lautet der praktische Rat: Die Technologie als verwaltetes Bildverarbeitungs- und Wartungssystem behandeln, nicht als Abkürzung zu allgemeiner Autonomie. Mit einer begrenzten Aufgabe beginnen, eine Messbasis behalten, Sicherheitsfunktionen von gelernter Wahrnehmung trennen, Rücksetzung und Prüfbarkeit verlangen und das laufende Betriebsmodell kalkulieren. Wenn gewöhnliche Änderungen schneller werden und Fehler sichtbar sowie kontrolliert bleiben, adressiert ABB ein unscheinbares, aber teures Problem der industriellen Robotik.\n\n Sources: [ABBs Ankündigung des AI Robot Trainer für die Mode-Logistik](https://www.abb.com/global/en/news/139480/prsrl-abb-robotics-brings-industrial-grade-physical-ai-to-fashion-logistics); [ABBs Vorstellung von OmniCore EyeMotion](https://new.abb.com/news/detail/129110/prsrl-abb-robotics-launches-omnicore-eyemotion); [ABBs Informationen zu Robotikplattform und Produkten](https://www.abb.com/global/en/areas/robotics); [ISO 10218-1:2025, Sicherheitsanforderungen für Industrieroboter](https://www.iso.org/standard/73933.html); [ISO 10218-2:2025, Sicherheitsanforderungen für Roboteranwendungen und -zellen](https://www.iso.org/standard/73934.html); [OSHA-Leitfaden zu Robotikstandards](https://www.osha.gov/robotics/standards); [Auswahl des US-Energieministeriums zu Robotik und Automatisierung](https://www.energy.gov/science/articles/doe-announces-four-national-laboratory-led-selections-advance-robotics-and)","available_translations":[{"language":"ar","title":"مدرّب الروبوتات بالذكاء الاصطناعي من ABB ينقل رؤية المصنع من مشروع متخصص إلى سير عمل مُدار","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=ar","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=ar","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=ar","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=ar"},{"language":"de","title":"ABBs KI-Robotertrainer macht Fabrikvision vom Spezialprojekt zum gesteuerten Workflow","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=de","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=de","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=de","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=de"},{"language":"en","title":"ABB’s AI Robot Trainer Moves Factory Vision from Specialist Project to Managed Workflow","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=en","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=en","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=en","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=en"},{"language":"es","title":"El AI Robot Trainer de ABB lleva la visión industrial de un proyecto especializado a un flujo de trabajo gestionado","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=es","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=es","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=es","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=es"},{"language":"fr","title":"L’AI Robot Trainer d’ABB fait passer la vision industrielle du projet spécialisé au flux de travail maîtrisé","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=fr","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=fr","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=fr","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=fr"},{"language":"pl","title":"AI Robot Trainer firmy ABB przenosi widzenie maszynowe z projektu specjalistycznego do zarządzanego procesu","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=pl","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=pl","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=pl","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=pl"},{"language":"ru","title":"AI Robot Trainer от ABB переводит машинное зрение на производстве из проекта для специалистов в управляемый рабочий процесс","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=ru","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=ru","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=ru","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=ru"},{"language":"zh","title":"ABB 的 AI Robot Trainer：让工厂视觉从专家项目变成可管理的工作流","html_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=zh","markdown_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=zh","json_url":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=zh","api_url":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=zh"}],"_links":{"self":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=de","api":"https://publicasta.com/api/public/v1/channels/robots/articles/abb_ai_robot_trainer_factory_vision_workflow?lang=de","html":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=de","canonical":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow?lang=de","markdown":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.md?lang=de","json":"https://publicasta.com/robots/abb_ai_robot_trainer_factory_vision_workflow.json?lang=de","channel":"https://publicasta.com/api/public/v1/channels/robots","channel_articles":"https://publicasta.com/api/public/v1/channels/robots/articles","search":"https://publicasta.com/api/public/v1/search","documentation":"https://publicasta.com/api-docs#reading-publicasta","openapi":"https://publicasta.com/api-docs/openapi.json","llms":"https://publicasta.com/llms.txt"}}