fbpx
Sztuczna inteligencja na usługach Przemysłu 4.0.

Sztuczna inteligencja na usługach Przemysłu 4.0.

„Sztuczna inteligencja” – pojęcie jeszcze dwie-trzy dekady temu lokujące się gdzieś na granicy futurologii i science-fiction, przez lata w powszechnej świadomości kojarzone głównie z komputerami wygrywającymi z ludźmi w szachy (Deep Blue) lub, jak ostatnio, w go (AlphaGo), maszynami konwersacyjnymi (czatbotami), czy całą plejadą wykreowanych na srebrnym ekranie inteligentnych maszyn, z komputerem HAL 9000 z „Odysei kosmicznej” na czele. Tymczasem technologie sztucznej inteligencji już dawno zeszły z kart literatury fantastyczno-naukowej oraz uczonych dysertacji do realnego świata gospodarki „tu i teraz”, wspomagając człowieka oraz automatyzując procesy w wielu obszarach biznesu, finansów i przemysłu.

Opublikowany pod koniec zeszłego roku raport Instytutu Gartnera wymienia sztuczną inteligencję (ang. artificial intelligence, AI) na pierwszym miejscu listy dziesięciu najszybciej rozwijających się kluczowych technologii w 2018 roku. Jak prognozują analitycy Gartnera, do końca 2020 roku aż 85% interakcji między konsumentami a obsługą klienta będzie odbywało się za pośrednictwem AI, zaś sztuczna inteligencja bądź jej elementy będą zawarte w niemal każdej powstającej aplikacji. Tym samym aż do 2025 roku wykorzystanie sztucznej inteligencji do zaawansowanej analityki oraz podejmowania decyzji ma być dominującym trendem wśród inwestycji w innowacje cyfrowe.

Skąd tak śmiałe prognozy?

Z jednej strony z oczywistych potrzeb, jakie rodzi transformacja cyfrowa, z drugiej zaś z możliwości technologicznych, jakie już teraz rysują się przed branżą AI.

DRIP czyli po co nam tyle danych?

Żyjemy w erze Big Data, erze gromadzenia i przesyłania niewyobrażalnych ilości informacji, generowanych nie tylko przez ludzi, ale coraz częściej przez komputery, samochody, sprzęt AGD/RTV, elementy infrastruktury oraz mniej lub bardziej zminiaturyzowane urządzenia (jak np. elektronika noszona), słowem – przez wszelkie maszyny podłączone do sieci, tworzące jeden wielki ekosystem zwany Internetem Rzeczy. Jak podaje SAS Institute, powołując się na prognozy IDC, do 2025 roku liczba wygenerowanych cyfrowych informacji na całym świecie sięgnie 163 zettabajtów (tryliardów bajtów). Nie trzeba być informatykiem czy matematykiem, aby uzmysłowić sobie, o jak dużych (niewyobrażalnie dużych) liczbach mowa. I tu pojawia się jedna z największych bolączek współczesnego społeczeństwa informacyjnego, określana mianem DRIP (ang. data rich, information poor).

DRIP, czyli niedostatek informacji przy jednoczesnym zalewie danych, jest skutkiem tego, że jako mistrzowie w zbieraniu danych jednocześnie nie najlepiej radzimy sobie z ich wykorzystaniem w praktyce. Co z tego, że jeszcze nigdy w historii człowiek nie zgromadził tak dużej ilości danych, skoro jak szacuje McKinsey & Co. nawet 99% tych danych nie jest w żaden sposób analizowana ani przetwarzana? A nie jest, ponieważ ani dotychczasowe narzędzia analityczne, ani tym bardziej człowiek nie są w stanie przeanalizować tak dużych ilości w dużej mierze niezagregowanych danych.

W sukurs przychodzi sztuczna inteligencja. I nie chodzi tu oczywiście o „sztucznego człowieka”, obdarzonego świadomością humanoida w rodzaju bohaterki filmu „Ex Machina”, ani z drugiej strony o super-komputery, potężne, najczęściej usieciowione maszyny wykonujące w gruncie rzeczy proste algorytmy, ale na dużej bazie danych i/lub z ogromną szybkością (tak jak działa większość komputerów szachowych czy programów deszyfrujących). W ogromnym skrócie rzecz ujmując, sztuczna inteligencja to system informatyczny rozwiązujący problemy w sposób niealgorytmiczny. Jak pokazał projekt AlphaGo, już teraz możliwe jest stworzenie narzędzia nie tylko samouczącego się, ale zdolnego wytworzyć coś, co jest bardzo bliskie naszemu pojęciu intuicji. Programu, który pod względem sposobu podejmowania decyzji bardziej niż maszynę przypomina… człowieka.

Nadzieja w uczeniu maszynowym

I właśnie ten kierunek – rozwój technik zaawansowanego uczenia maszynowego (ang. machine learning), w tym tzw. uczenia głębokiego (ang. deep learning) opartego na systemach informatycznych o dynamicznej strukturze przypominającej sieć neuronową i budującego „wiedzę” maszyny głównie na podstawie nabytego doświadczenia – jest jednym z kluczy do rozwiązania problemu DRIP, i najprawdopodobniej będzie intensywnie rozwijany w najbliższych latach.

Już obecnie tak rozumiana sztuczna inteligencja jest podstawą wydobywania wartościowych danych (ang. data mining) w wielu sektorach, np. w branży ubezpieczeniowej, e-commerce czy w marketingu.

– Intuicja w reklamie jest bardzo ważna, ale z data miningu korzystamy, by wejść na poziom nieosiągalny dla ludzkiego umysłu i dowiedzieć się zupełnie nowych rzeczy. Tak było chociażby w przypadku kampanii dla włoskich linii lotniczych. Media planner chciał skierować reklamę do ludzi biznesu i osób zainteresowanych podróżowaniem. Tak podpowiadała mu intuicja. Jednak dzięki analityce Big Data i uczeniu maszynowemu odkryliśmy, że w czasie trwania kampanii najlepiej konwertowały reklamy skierowane do osób, które interesują się wystrojem wnętrz – mówi Piotr Prajsnar z Cloud Technologies.

Z kolei jak podkreśla Robert Mikołajski z firmy Atman, przy korzystaniu z przetwarzania danych w chmurze mechanizmy sztucznej inteligencji mogą oceniać bieżące zapotrzebowanie na zasoby i samodzielnie decydować o wielkości wykorzystywanej mocy obliczeniowej. – Dobry przykład stanowi tutaj sektor e-commerce, gdzie automatyczne zwiększanie mocy obliczeniowej w momencie stwierdzenia wzmożonego ruchu w e-sklepie i natychmiastowe jej zmniejszanie, gdy aktywność internautów spada, może istotnie obniżyć koszty korzystania z chmury, a jednocześnie zagwarantować dostępność witryny dla użytkowników – mówi Mikołajski.

A Przemysł 4.0?

Przykładów zastosowań AI jest dużo więcej, a jednym z bardziej obiecujących obszarów jej zastosowań jest produkcja przemysłowa.

Internet, Big Data, Internet Rzeczy, sztuczna inteligencja oraz inne zdobycze transformacji cyfrowej nie tylko nie omijają tej jakże ważnej gałęzi gospodarki, ale są obecnie odpowiedzialne za jej głębokie przeobrażenie, określanej mianem czwartej rewolucji przemysłowej (lub w skrócie „Przemysł 4.0”). Tak jak w XVIII w. produkcję zrewolucjonizowała maszyna parowa, w XIX wieku elektryczność, a w XX w. komputeryzacja, automatyzacja i robotyzacja, tak na początku XXI wieku przełom przynosi Internet, cloud computing, przemysłowy Internet Rzeczy (IIoT), technologie rozszerzonej bądź wirtualnej rzeczywistości, coraz szersze użycie symulacji komputerowych (tzw. cyfrowy bliźniak, ang. digital twin) oraz właśnie sztuczna inteligencja i uczenie głębokie.

W przypadku Przemysłu 4.0 technologie AI wykorzystywane są głównie w trzech obszarach.

Znaleźć igłę w stogu siana

Pierwszym z nich są różnego rodzaju optymalizacje: produkcji, zużycia energii, materiałów, kosztów itd. Dzięki agregacji danych i ich zaawansowanej analizie na każdym z poziomów przedsiębiorstwa produkcyjnego, a więc począwszy od danych z czujników i maszyn, poprzez systemy sterowania, systemy zarządzania produkcją (MES) po systemy klasy ERP, sztuczna inteligencja ułatwia podejmowanie krytycznych decyzji oraz podpowiada, która maszyna, który proces, a nawet który pracownik wymaga szczególnej uwagi. Dzięki analityce Big Data sztuczna inteligencja zwraca również uwagę na pewne prawidłowości i korelacje (np. regularne skoki zużycia energii generowane przez konkretną maszynę na jednej, konkretnej zmianie), które w tradycyjnych systemach prawdopodobnie pozostałyby niezauważone. I to wszystko w czasie rzeczywistym.

Cyfrowa wróżka

Ale to nie wszystko. Drugi, nie mniej ważny (jeśli nawet nie ważniejszy) obszar przemysłowego zastosowania sztucznej inteligencji to predykcja, czyli przewidywanie przyszłych zdarzeń z określonym prawdopodobieństwem, najczęściej z dość dokładnym umiejscowieniem ich w czasie. Przykładem takich działań jest predykcyjne utrzymanie ruchu (ang. predictive maintenance).

Weźmy taką sytuację: producent zaleca przegląd danej maszyny co dwa miesiące. Z doświadczenia (na przykład innych użytkowników) wiemy jednak, że maszyna ta potrafi pracować bez konserwacji nawet 15 tygodni. Jak zaoszczędzić na przeglądach i kosztownych przestojach, a przy tym nie doprowadzić do krytycznej awarii? Zaprząc do pracy sztuczną inteligencję, która na podstawie danych historycznych oraz bieżącego monitorowania stanu maszyny podpowie nam, że w warunkach naszej produkcji „bezpieczny” okres międzyserwisowy tej maszyny wynosi, dajmy na to, 12 tygodni. A to oznacza dwa przeglądy serwisowe w roku mniej.

Zobaczyć niewidoczne

Trzeci obszar, w którym AI ma obecnie dość sporo do powiedzenia, to interpretacja danych z czujników, na przykład z kamer. Tutaj, dzięki zastosowaniu AI maszyna nie tylko potrafi poprawnie rozpoznawać i klasyfikować podobne do siebie obiekty na podstawie tylko jednego wzorca (także niepełnego lub uszkodzonego), „ucząc” się granicy tolerancji, ale potrafi również – niczym ludzki mózg – budować obrazy 3D obiektów na podstawie obrazów 2D, w tym rekonstruować („wyobrażać sobie”) ich niewidoczne części (np. całą bryłę samochodu na podstawie jedynie widoku z boku). Technologie te znajdują (bądź wkrótce znajdą) zastosowanie nie tylko w produkcji, np. w systemach wizyjnych dla robotów przemysłowych, czy w kontroli jakości, ale także choćby w autonomicznych robotach mobilnych, coraz częściej używanych w logistyce oraz transporcie międzyoperacyjnym.

Skoro sztuczna inteligencja już teraz jest tak „inteligentna”, to skąd ten prognozowany boom na inwestycje w jej rozwój w ciągu najbliższych siedmiu lat?

Jesteśmy dopiero na początku drogi

Technologie AI oferują coraz więcej przy rozsądnym zapotrzebowaniu na moc obliczeniową, ale wciąż są niedoskonałe, np. wspomniany wyżej system rekonstrukcji niewidocznych części obiektów myli się aż w 25% przypadków (czyli niepoprawnie przewiduje wygląd co czwartego obiektu). Z kolei zaawansowane systemy eksperckie są często drogie w budowie i zazwyczaj dedykowane jedynie do wąskiej specjalizacji (np. diagnostyki medycznej), co siłą rzeczy ogranicza ich popularność w rozwiązaniach biznesowych czy konsumenckich.

Prowadzone obecnie badania nad sztuczną inteligencją zmierzające w kierunku stworzenia tzw. General AI, czyli technologii sztucznej inteligencji zdolnej rozwiązać niemal każdy problem w niemal każdej dziedzinie, w połączeniu z rosnącą popularnością modelu SaaS (software-as-a-service) każą z dużym optymizmem patrzyć w przyszłość. Być może już wkrótce powstanie globalny, rozproszony system sztucznej inteligencji, z którego możliwości oraz dotychczasowej wiedzy będzie mógł korzystać każdy twórca aplikacji, dostarczając systemowi nowych doświadczeń i informacji, a w zamian otrzymując dostęp do jego „zasobów intelektualnych”. Kto wie…

Jeżeli zainteresowała Cię tematyka technologii sztucznej inteligencji w przemyśle, odwiedź koniecznie konferencję „Przemysł 4.0”, która odbędzie się już 10 kwietnia 2018 r. w hotelu Marriott, Warszawa.

Podczas wydarzenia Jarosław Tworóg z Krajowej Izby Gospodarczej Elektroniki i Telekomunikacji (KIGEiT) przybliży temat wpływu rozwoju sztucznej inteligencji na rozwój gospodarki, natomiast bardziej techniczny aspekt tego zagadnienia omówi prof. Krzysztof Krawiec z Politechniki Poznańskiej, na co dzień zajmujący się badaniami nad wykorzystaniem AI w przemyśle.

Więcej szczegółów na http://przemysl40.eu/

Autor artykułu:

Seweryn-Scibior

Seweryn Ścibior – Redaktor Naczelny „Control Engineering Polska”

Zostaw odpowiedź