Ve veřejném prostoru se před nedávnem objevil termín IAI, tedy v překladu průmyslová umělá inteligence. Ač jde v podstatě stále o v průmyslu už dobře známá řešení na bázi algoritmů a strojového učení, určitě stojí za to se podívat na to, kam směřují, co je pro jejich úspěšné využití důležité a jak se na implementaci připravit.
Zavádění takzvané umělé inteligence (AI) do průmyslu [to, čemu se dnes říká umělá inteligence, je v podstatě stále proces strojového, takzvaně hlubokého učení (deep learning) založeného na velkém množství dat a vzorového chování, éra skutečné umělé inteligence je teprve před námi — pozn. red.] již probíhá několik let a počet firem, které ji využívají alespoň v některých částech výroby, neustále roste. Faktem je, že průmyslové firmy si jako jedny z mála v ČR uvědomily přidanou hodnotu, kterou jim implementace této technologie může přinést. Problémem je ale podle Karla Janečka, projektového manažera ve společnosti Aricoma, skutečnost, že firmy často nemají zatím úplně jasno, k čemu umělou inteligenci konkrétně použít. Vědí, že AI je ve výrobě velkým trendem, protože se o ní neustále hovoří, ale zároveň často netuší, ve kterých oblastech by ji využili pro to, aby se jim např. zefektivnila výroba. „Není to tedy o tom, pořídit si umělou inteligenci, protože je to teď móda. Ona je jen nástroj, který bez jasného zadání nebude přinášet užitek. Cílem by tedy měla být konkrétní představa, kam ji aplikovat a proč,“ vysvětluje a dodává, že takovými aplikacemi může být například zlepšení procesu výroby, snížení lidského času u strojů, úspora na energiích, lepší distribuce materiálu apod. Důležité tedy je, aby si odpovědní lidé z různých divizí sedli a nejprve se zamysleli nad palčivými tématy v jejich oblasti. „Nemá však cenu řešit pomocí AI problémy, které ve firmě nastanou třeba jednou za tři roky. Je třeba řešit zejména optimalizaci každodenních procesů, která v konečném důsledku přinese viditelnou úsporu,“ pokračuje dále Karel Janeček.
Bez dat to nepůjde
Pro rozhodování o tom, zda do firmy přinést umělou inteligenci, je také důležité, zda bude mít algoritmus dostatek dat, s nimiž by mohl pracovat. Většinou jde ve výrobě o data strukturovaná, tedy informace z různých systémů a senzorů, která jsou dobře popsaná a mají měrnou hodnotu. Nicméně firmy mohou generovat i nestrukturovaná data, typicky obraz, zvuk, radarové snímky a podobně. A právě u případného zpracovávání strukturovaných dat je třeba o nasazení AI hovořit s předstihem už v rámci úvah o digitalizaci firmy. „V ten moment totiž data vznikají, a pokud jich není dostatek, musí se podniky nejprve zabývat doplněním vstupů prostřednictvím digitalizačních projektů. Jedině tak se dostanou do stadia, že budou mít k dispozici dostatečnou bázi dat, s nimiž lze poté pracovat a vytvořit třeba predikční model pro včasnou detekci potenciálních poruch strojů.“ Znamená to, že teprve v okamžiku, kdy má podnik dostatek vhodných dat pro požadované použití AI, může začít uvažovat o zavedení a trénování AI. Předtím je ale třeba provést analýzu, díky které se zjistí, co v datech vůbec je. Učení samotné pak podle Karla Janečka probíhá na všech typech dat podobně. „Když učíme naše algoritmy, rozdělíme si data do tří skupin. Na první skupině probíhá trénink, kdy si vlastně AI model vychováváme. Druhá část slouží k validaci a na třetí se poté už dělá reálné testování.“ Důvod, proč je důležité si data takto rozdělit, je takový, že firma dodá data za pět let provozu a žádná další už nemá. „Proto se netrénuje na celých pěti letech, protože pro validace a testy by se pak muselo čekat na nová data,“ doplňuje s tím, že jakmile se algoritmy naučí s daty pracovat s dostatečně vysokou mírou přesnosti, lze teprve AI do podniku nasadit. Učení samotné pak probíhá ve spolupráci s člověkem a v podstatě stejně, jako když se učí člověk sám. Algoritmům je třeba říci, co je správně a co je špatně. „Spolupracujeme s klientem, jehož data byla složena z obrovského množství snímků silničních povrchů s prasklinami, které byly kategorizované do tří skupin. Bylo tedy třeba modelu říci, o jakou kategorii poškození jde. Vzhledem k tomu, že měl data dobře označená, šlo učení poměrně rychle. Pokud ale označení chybí, trvá proces daleko déle, protože se dělá ručně,“ uzavírá Karel Janeček s tím, že pokud se proces implementace podaří, dokáže AI predikovat stav strojů, a vyřešit tak problémy například se zastavováním výroby kvůli poruchám, či lidským chybám. Dokáže ale také snížit zmetkovost, zpřesnit vstupní i výstupní kontrolu kvality, optimalizovat výrobky či výrobní operace a udržet know-how uvnitř organizací.
/Kristina Kadlas Blümelová/
