V proizvodnih okoljih, ki so vse bolj digitalizirana, se pojavlja čedalje več priložnosti za vpeljavo rešitev, ki temeljijo na umetni inteligenci. O tej temi smo govorili z Juretom Sokolićem, ki je vodja programa Operativne odličnosti (OpEx) v podjetju Metronik, ponudniku rešitev za digitalizacijo in avtomatizacijo v industriji in zgradbah. Pri svojem delu se ukvarja tudi z vpeljavo umetne inteligence v Metronikova orodja za digitalizacijo proizvodnje. Doktoriral je na UCL v Londonu, izkušnje z umetno inteligenco pa ima z raziskovalnega področja in tudi iz praktičnega dela pri največjih mednarodnih korporacijah.
V zadnjem času se poleg digitalizacije vse več govori tudi o umetni inteligenci v proizvodnji. Zakaj se je povečalo zanimanje za to področje?
Umetna inteligenca je zelo širok pojem, ki pomeni različne metode in rešitve, ki posnemajo človeško inteligenco. Področje zadnja leta doživlja preporod zaradi izjemnih rezultatov v praksi, ki so posledica novih metod, poceni računske moči in dostopnosti podatkov v digitalni obliki.
V proizvodnih okoljih, ki so vse bolj digitalizirana, se zato pojavlja čedalje več priložnosti za vpeljavo rešitev, ki temeljijo na umetni inteligenci. Spekter aplikacij je širok in vključuje avtomatizacijo procesa nadzora kakovosti, avtomatizirano načrtovanje proizvodnje, prediktivno vzdrževanje, optimizacijo proizvodnje z uporabo digitalnega dvojčka procesa in podobno.
Umetno inteligenco lahko razumemo tudi kot dodatno orodje na področju digitalizacije proizvodnje, ki nam omogoča, da določene procese avtomatiziramo, ali pa iz proizvodnih podatkov pridemo do novih spoznanj, ki nam omogočajo boljše upravljanje proizvodnje.
Kakšne proizvodne in poslovne rešitve lahko z umetno inteligenco dosežemo v praksi?
Praktična uporabnost je večinoma odvisna od stopnje zrelosti digitalizacije in podatkovne analitike, ki jo Gartnerjev model deli na štiri kategorije.
Deskriptivna analitika so dokaj preprosti kazalniki, na primer proizvedene količine, kazalniki učinkovitosti in podobno, ki omogočajo vpogled v stanje proizvodnje, pri katerih umetne inteligence ne uporabljamo.
Diagnostična analitika so orodja, ki omogočajo ugotavljanje vzrokov za spremembe v procesih, kot so razlogi za zastoje in posledično vzroki za zmanjšanje produktivnosti, kjer umetna inteligenca prav tako nima pomembnejše vloge.
Prediktivna analitika so algoritmi, ki omogočajo napovedovanje prihodnjih dogodkov glede na pretekle, na primer napoved prodaje, ki je pomembna za načrtovanje proizvodnje, ali napoved kakovosti izdelka na podlagi parametrov surovin. Pri tem uporabljamo različne metode umetne inteligence, kot je strojno učenje.
Preskriptivna analitika pa so napredne rešitve, ki samostojno določajo ali priporočajo odločitve in akcije v poslovnem procesu, recimo samodejno načrtovanje plana dela. Pri tem je lahko umetna inteligenca koristna, saj lahko algoritmi iz zgodovinskih podatkov ocenijo verjetnosti težav in izdelajo zelo realen načrt.
Podjetja, ki šele začenjajo digitalizacijo in uporabo podatkov pri upravljanju proizvodnje, najprej odgovarjajo na dokaj preprosta vprašanja (deskriptivna in diagnostična analitika). Za naprednejše organizacije, ki so digitalizacijo in odločanje na podlagi podatkov že usvojile, pa je naslednji korak prediktivna ali preskriptivna analitika, ki ponavadi vključuje tehnologijo umetne inteligence in ima tudi dosti višjo dodano vrednost.
Na katerih področjih lahko proizvodna podjetja uvedejo tehnologijo umetne inteligence in kakšne učinke lahko pričakujejo?
Umetna inteligenca izboljšuje učinkovitost proizvodnje na različnih področjih, kot so produktivnost, kakovost, vzdrževanje, načrtovanje in upravljanje virov, kar lahko ponazorimo z različnimi primeri.
Proces vizualne kontrole kakovosti izdelkov lahko opravljajo algoritmi umetne inteligence, s čimer zmanjšamo potrebe po delavcih in zagotovimo večjo zanesljivost, ker proces ni več odvisen od človeškega dejavnika.
Algoritme umetne inteligence uporabljamo pri prediktivnem vzdrževanju za napovedi pričakovane življenjske dobe opreme. To vzdrževalcem olajša načrtovanje vzdrževalnih posegov in vpliva na učinkovitost celotne proizvodnje zaradi večje razpoložljivosti proizvodnih naprav.
Pri načrtovanju dela in virov so algoritmi umetne inteligence podporna orodja, ali pa se proces z njimi celo povsem avtomatizira. Pri načrtovanju razporeda dela v proizvodnji lahko predlagajo razpored delovnih nalogov po linijah in planerjem olajšajo delo, čeprav končni načrt še vedno potrdi in določi planer.
V avtomatiziranih skladiščih algoritmi skrbijo za popolno avtomatizirano odločanje o lokacijah skladiščenja in poteh avtonomnih skladiščnih vozil.
Prav tako je za industrijo zelo perspektivna uporaba umetne inteligence v tako imenovanem digitalnem dvojčku procesa ali proizvoda. Digitalni dvojček namreč spremlja vse glavne parametre procesa in končnega izdelka. Z algoritmi umetne inteligence, ki se naučijo kompleksnih odvisnosti med parametri procesa in parametri končnega izdelka, ga uporabimo pri iskanju odgovorov na vprašanja, na primer, kakšen je pričakovani izdelek glede na parametre proizvodnega procesa ali kako naj prilagodimo proizvodni proces, da bomo dosegli pričakovane parametre oziroma kakovost izdelka.
Ali lahko praktično uporabo umetne inteligence in digitalnega dvojčka opišete bolj podrobno?
V Metroniku smo digitalnega dvojčka razvili med drugim tudi za zagotavljanje kakovosti pri proizvodnji hrane. Naročnik je želel izboljšati kakovost izdelka, ker vpliva na zadovoljstvo kupcev in prodajo. Kakovost je odvisna od parametrov vhodnih surovin in parametrov proizvodnega procesa ter se določa na podlagi laboratorijskih meritev. V začetni fazi projekta so se podatki zbirali ročno iz različnih med seboj nepovezanih sistemov. To je bila najhitrejša in najcenejša pot do zadostne količine podatkov za učenje napovednega modela kakovosti izdelka, ki je temelj digitalnega dvojčka.
Trenutno se model uporablja kot samostojna aplikacija, ki uporabnikom omogoča prilagajanje parametrov proizvodnega procesa, tako da zagotavlja kakovost izdelka ne glede na parametre vhodnih surovin. Digitalni dvojček je podporno orodje pri odločanju o parametrih proizvodnega procesa, v prihodnosti pa bo njegovo delovanje povsem avtomatizirano v okviru Metronikovega sistema za upravljanje proizvodnje MePIS MES.
Kako naj se v industrijskih podjetjih lotijo uvajanja umetne inteligence v proizvodnjo?
V praksi opažamo, da se digitalizacije proizvodnje in še posebej uporabe umetne inteligence marsikje lotevajo preveč teoretično in akademsko.
Prvi korak sta gotovo prepoznavanje konkretnih proizvodnih problemov, ki jih želimo rešiti, in ocena koristi, ki jih pričakujemo z uporabo umetne inteligence. Razmisliti moramo, katere podatke lahko uporabimo in kakšen tip rešitve pričakujemo, saj je to lahko orodje za podporo odločanju ali povsem avtomatizirana rešitev.
Nato izvedemo tehnično analizo, s katero ocenimo vire podatkov, potrebne algoritme in vložke za izvedbo. Pri tem so izkušnje dokaj različne. V praksi srečujemo primere, kjer podatki niso na voljo in bi za uporabo umetne inteligence najprej potrebovali digitalizacijo proizvodnih procesov. In druge, kjer je podatkov dovolj ter jih moramo samo združiti iz različnih virov.
Kadar ni mogoče z gotovostjo oceniti koristi in stroškov za uporabo umetne inteligence, predlagamo pristop v več fazah. Prva je tako imenovani pilotni projekt, kjer se izvedejo glavne komponente rešitve ter potrdijo poslovne in tehnične predpostavke, ki morda niso bile jasne na začetku. Če je projekt uspešen, sledi razširitev oziroma operacionalizacija rešitve. To lahko pomeni, da se v pilotni fazi podatki zbirajo ročno ali polavtomatsko, po potrditvi rešitve pa se izvede avtomatizacija zajema podatkov in učenje modelov ter prikaz rezultatov v sistemu MES ali samostojni aplikaciji. S takšnim pristopom omejimo poslovno tveganje in zagotovimo ekonomsko upravičenost projekta.
Kako svojim strankam z umetno inteligenco pomagate v Metroniku?
V Metroniku se že več kot 30 let ukvarjamo z avtomatizacijo, informatizacijo in digitalizacijo proizvodnje. Umetno inteligenco pa uvajamo kot orodje, ki uporabnikom pomaga pri reševanju njihovih poslovnih izzivov.
Proizvodna podjetja vse več vlagajo v digitalizacijo za večjo produktivnost in preglednost proizvodnih procesov. Zato je na voljo veliko podatkov o procesih, ki jih lahko uporabimo za izračun različnih kazalnikov, izvedbo analiz in posledično izboljšanje odločitev pri vodenju proizvodnje. Vendar za poglobljene analize in uporabo podatkov pri vsakdanjem vodenju pogosto zmanjka časa. Vpeljava tehnologij umetne inteligence pa omogoča, da se del analiz, razlag in odločitev avtomatizira ter tako izboljša vodenje proizvodnje.
Umetna inteligenca torej postaja del digitalizacijske strategije, saj nam omogoča, da z naprednimi algoritmi, ki so sposobni samostojnega učenja, izkoristimo ogromne količine procesnih podatkov za izboljšanje učinkovitosti in znižanje stroškov proizvodnje.
Podobno kot pri digitalizaciji nasploh sta tudi pri uvajanju umetne inteligence potrebna strateški pristop in sodelovanje z izkušenim partnerjem z dovolj tehničnega znanja in izkušnjami, da lahko svetuje najboljše možne rešitve.
V Metroniku združujemo najboljše iz obeh svetov, kar pomeni ekspertno akademsko znanje s področja umetne inteligence in praktične izkušnje z uvajanjem sistemov v prakso.