Sztuczna inteligencja w produkcji – czego się spodziewać? Co już się dzieje?

Jestem wielkim entuzjastą sztucznej inteligencji (AI). Ogromne wrażenie robi na mnie szybki rozwój jej możliwości. I nie uważam, że należy się jej bać.

Bo jak mawia Fei-Fei Li, uznawana za matkę chrzestną sztucznej inteligencji, "To nie sztuczna inteligencja zastąpi ludzi, ale ludzie używający sztucznej inteligencji".

W najbliższych latach AI będzie niesamowitym wsparciem w produkcji. Odciąży nas z pracochłonnych analiz i wesprze w utrzymaniu ruchu. Jeśli oczywiście będziemy otwarci na takie nowinki. Choć po drodze na pewno będą się pojawiały trudności.

Oto kilka przykładów, gdzie sztuczna inteligencja jest już z powodzeniem wykorzystywana. A także kilka kierunków, w których możemy się spodziewać dalszego rozwoju i/lub wyzwań.

Skok w analizie danych

Pierwsze wrażenie jakie zrobiła na mnie przed laty sztuczna inteligencja dotyczyło branży usług, a dokładnie bankowości.

Huawey jest nie tylko dużym producentem smartfonów. W Chinach prowadzi także detaliczny bank dla użytkowników swoich produktów. Sztuczna inteligencja w tym banku przed decyzją o udzieleniu kredytu sprawdza mnóstwo danych z telefonu klienta. Jednym z istotnych czynników, jaki wpływał na tą decyzję, była historia ładowania baterii smartfona. Okazało się, że osoby, które nie dopuszczały do niskiego poziomu naładowania urządzenia, spłacały też kredyty bardziej regularnie.

W tym przypadku udało się analitykom wstecznie dojść do korelacji, która okazała się kluczowa. Najczęściej jednak nie mamy "zielonego pojęcia", co dokładnie powoduje, że sztuczna inteligencja jest tak dobra w prognozowaniu na bazie dużych ilości danych.

Analizowanie dużych ilości danych jest czasochłonne i wyczerpujące. Dzięki AI zyskujemy pomocnika, który w bardzo krótkim czasie jest w stanie np. nie tylko wykryć, że coś z konkretną maszyną jest nie tak, ale potrafi z dużym prawdopodobieństwem wskazać, które konkretne łożysko i w jakim czasie odmówi posłuszeństwa.

Póki danych jest mało, możemy sami z nich wnioskować o kondycji urządzenia. Gdy jednak danych jest dużo, algorytmy są dużo szybsze i coraz bardziej pewne w swoich przewidywaniach. Czujniki temperatury, kamery, czujniki drgań, tensometry, podczerwień i mikrofony - wszystko to może pozwolić "nauczyć" nasz algorytm przewidywania przyszłości.

Błyskawiczne przewidywanie

Jeśli prognozy pogody są dla twojej fabryki istotne, to pewnie już wiesz o "GraphCast".

Ten algorytm stworzony przez DeepMind (należący do Google) potrafi przewidzieć pogodę na 10 dni w czasie poniżej jednej minuty i przewyższa tradycyjne programy do przewidywania wzorców pogodowych przy współczynniku weryfikacji 90%. GraphCast jest kilka tysięcy razy szybszy niż tradycyjne programy, może pracować na zwykłym komputerze desktop i daje dużo lepsze wyniki. Te tradycyjne programy przypominają symulatory CFD dla konstruktorów, które dochodzą do wyniku po wielu godzinach pracy na najszybszych procesorach. GraphCast prowadzi w wyścigu różnych algorytmów przewidywania pogody (dane z listopada 2023).

Wykrywanie anomalii

Rolls-Royce, który jest producentem silników lotniczych, użył sztucznej inteligencji m.in. do wykrywania anomalii. Nagrania danych z czujników w przeróżnych sytuacjach poprawnej pracy turbiny zostały wykorzystane do nauczenia algorytmu, czym jest poprawna praca.

Algorytm "umie" zauważać nietypowe wskazania, by wykrywać anomalie w pracy silnika. A wykrywanie anomalii to tylko początek.

Diagnozowanie

Mając odpowiednio dużo historycznych danych z czujników i innych danych np. dotyczących samej produkcji, jakości materiałów itp., sztuczna inteligencja będzie mogła wskazywać, co najprawdopodobniej jest źródłem problemu i kiedy należy liczyć się z awarią. Jestem jednak przekonany, że na początku będzie z tym dużo problemów, bo to zastosowanie sztucznej inteligencji jest jeszcze w powijakach - oferenci o tym mówią, ale mało kto to faktycznie robi.

Kolejnym krokiem po diagnozowaniu, który będzie względnie łatwy do zautomatyzowania to planowanie przestojów i remontów uwzględniające tysiące różnych czynników.

Choroby wieku dziecięcego każdej nowej technologii zwykle łączy się z krzywą hype - o czym niżej.

Będą problemy

Pięć lat temu został uruchomiony projekt w firmie mojego kolegi. Z uwagi na NDA nie mogę wskazać, o które przedsiębiorstwo chodzi, ale jest to nowoczesna firma przewozowa, kilkadziesiąt identycznych ciężarówek z jednej dostawy, z których każda rejestruje gigabajty danych dziennie z kamer, mikrofonów i mnóstwa czujników.

Ambitny projekt miał wykorzystywać te dane do zaawansowanej predykcji awarii i koniecznych napraw - remontów. Sztuczna inteligencja miała przewidywać - kiedy będzie trzeba - co wymienić w optymalnym momencie. Wymienienie zbyt szybko to zwiększanie kosztów, czekanie z wymianą zbyt długo - to w pewnych sytuacjach już zagrożenie bezpieczeństwa.

Ten konkretny projekt 5 lat temu okazał się zbyt ambitny i się nie powiódł, dziś raczej byłby sukcesem.

Jeszcze wiele projektów ze sztuczną inteligencją się nie powiedzie. Bo jak każdą nową technologię sztuczną inteligencję czeka zjazd z górki "napompowanych oczekiwań". Zobaczmy wykres Hype (link) - najpierw nowa technologia budzi zachwyt, a oczekiwania są rozdmuchane. Potem zawsze pojawiają się jakieś problemy, które temperują nasze oczekiwania. Tak było do niedawna z autonomicznymi pojazdami, gdzie pojawiały się ciągłe nieoczekiwane kłopoty, ale teraz tworzone z mozołem rozwiązania, przynajmniej na rynku amerykańskim, są już na tej drugiej części wykresu - z powolnym wzrostem (slope of enlighment).

Generatywna Sztuczna Inteligencja, według Gartnera w sierpniu 2023 osiągnęła szczyt rozdmuchanych oczekiwań.

Predictive Maintenance

Jeśli w jednej maszynie, która była najbardziej eksploatowana pada pewne łożysko, to można z dużym prawdopodobieństwem zakładać, że w kolejnej takiej maszynie, której eksploatacja była nieco mniejsza, padnie to samo łożysko w niedługim czasie. Analiza drgań i temperatury powinny dać nam o tym informacje z wyprzedzeniem.

Wizja przekazania AI całej analityki Utrzymania Ruchu w fabryce po drodze spotka się na pewno z kłopotami. Jeden z nich określam jako:

"Hamulec: danych nie wypuszczę"

Niektórzy producenci urządzeń, np. ciężarówek, są w uprzywilejowanej pozycji i mogą zbierać szczegółowe dane ze swoich urządzeń w trakcie eksploatacji. Jeśli jednak sami oczujnikujemy swoją maszynę, to zwykle boimy się o bezpieczeństwo danych i nie chcemy ich nikomu wysyłać.

Można wytrenować algorytm na bazie jednej maszyny do wykrywania anomalii, najlepiej jednak mieć algorytm wyuczony na setkach identycznych urządzeń. Jeśli jednak nikt nie chce przesyłać swoich danych na zewnątrz, to trudno będzie wyszkolić algorytm na wystarczającej historii wielu urządzeń.

Jak powiedział mi Paweł Stefański, wieloletni szef Balluff w Polsce, na razie głównym problemem z użyciem AI w obszarze maintenance jest niechęć klientów do wypuszczania danych z maszyn poza zabezpieczenia firmowe. Bo gdyby nawet najbardziej zaszyfrowane dane z naszych maszyn, ktoś poza nami odkodował, to miałby wgląd w to, co się u nas dzieje.

Taka postawa, choć zrozumiała, zatrzymała wiele ciekawych projektów sztucznej inteligencji, które wymagały pozyskiwania danych od wielu firm choćby dla przetrenowania algorytmu sztucznej inteligencji.

Kiedy i jak inwestować w AI?

Warto interesować się możliwościami sztucznej inteligencji, bez tego trudno będzie zainwestować w te rozwiązania w optymalnym momencie - nie zbyt szybko, bo bycie pionierem bywa kosztowne, ale też nie zbyt późno.

Jedną z możliwości jest wzięcie udziału w najbliższym Technovation Forum 20-21 marca 2024 w Poznaniu. Tematem przewodnim jest "Sztuczna Inteligencja i prawdziwi ludzie". Będzie można tam spotkać tych, którzy już mają praktyczne osiągnięcia w przemysłowym użyciu sztucznej inteligencji.

Poza tym poznamy wiele praktycznych innowacji z różnych dziedzin, bo siłą Technovation Forum jest to, by się inspirować rozwiązaniami spoza własnej branży. Zwiedzimy też największy zakład IKEA Industry na świecie (Zbąszynek).

Zapraszam jako gospodarz tego wydarzenia,

Michał Hałas - Trener, Dyrektor merytoryczny obszaru TRIZ/DFX, GRUPA ODITK  

Posłuchaj odcinka naszego podcastu "GO UP!"

„Prototypowanie - dos and don'ts”

Gościem specjalnym odcinka jest Aleksander Majorek – Head of Product Development w firmie Franke Foodservice Systems.