Prof. dr. Igor Škrjanc je vodja Laboratorija za avtomatiko in kibernetiko na Fakulteti za elektrotehniko Univerze v Ljubljani. V laboratoriju se ukvarjajo s sodobnimi metodami računalniškega modeliranja, simulacije in vodenja sistemov. Raziskujejo in razvijajo tudi avtonomne mobilne sisteme, pri tem pa uporabljajo sodobne adaptivne, prediktivne, multivariabilne in hibridne načine modeliranja in vodenja ter pristope s področja umetne inteligence, na primer mehko logiko, umetne nevronske mreže in ekspertne sisteme.
Z rešitvami so pomagali pri vodenju in optimizaciji procesov v marsikaterem slovenskem in tujem podjetju. S prof. Škrjancem smo govorili o pametnih tovarnah, avtomatizaciji industrijskih procesov, avtonomni vožnji ter uporabi umetne inteligence v teh procesih.
Kako sta povezani avtomatika v industriji in umetna inteligenca?
Avtomatika se že ves čas ukvarja s tem, kako izdelati napravo ali pa širše procese, da samostojno delujejo tako, kot želimo. Da to dosežemo, potrebujemo tako imenovani sistem vodenja. Pristopov, kako izdelati ustrezen sistem vodenja, se je v zgodovini pojavilo več, nekateri pa so zelo podobni pristopom umetne inteligence. Ideja umetne inteligence pri vodenju procesov je, da se sistem vodenja nenehno uči in prilagaja napravi oziroma procesu. Pri tem govorimo o tako imenovanem adaptivnem vodenju, pri katerem se mora sistem vodenja s časom spreminjati, zaradi sprememb osnovnega procesa, na primer spreminjanje delovnega področja procesa, dodajanje novih nalog, prilagajanje modela, iz katerega sistem vodenja črpa navodila, in podobno. Izdelan sistem vodenja in posledično celotno napravo ali pa sistem torej nenehno učimo in prilagajamo, da deluje čim bolje.
Če je na prvi pogled postopek videti dokaj preprost, je pravzaprav precej kompleksen, saj je treba izdelati robusten sistem vodenja, hkrati pa mu dodati še mnogo nadzornih mehanizmov, ki bodo ukrepali, če bi naprava delovala napačno. Tu že naletimo na uporabo umetne inteligence. Mnogi si jo predstavljajo kot nekaj, po kar greš v trgovino, vzameš s police, dodaš določenemu procesu in pričakuješ, da bo vse skupaj delovalo, kot si želiš. To seveda ne drži. Umetna inteligenca vsekakor izboljša delovanje posameznih naprav in procesov, vendar pa še pred implementacijo zahteva veliko predznanja in uporabo mehanizmov, da ti sistemi in naprave delujejo v vseh predvidenih in nepredvidenih razmerah. Treba je poudariti, da je umetna inteligenca, vsaj za zdaj, inteligentna le toliko, kolikor je podkovan tisti, ki jo na proces implementira, ter kolikor so dobri podatki procesa, s katerimi jo razvijemo.
Je ta kompleksnost največja ovira pri implementaciji?
Vsekakor, če govorimo o implementaciji umetne inteligence v industrijsko proizvodnjo. Seveda je tu prvo vprašanje, za kakšen namen se bo ta sistem ali naprava uporabljala, torej, kako bo uporabljena umetna inteligenca. Ali gre za enostavnejše naloge, kot je recimo računalniški vid, ali za kompleksnejše, kot je učenje dinamičnih modelov?
Na primer, v laboratoriju se trenutno ukvarjamo z računalniškim vidom, ki je podprt s sistemom umetne inteligence. Gre za iskanje napak, grč, prevelikih letnic in podobnih anomalij na lesenih deskah. S kamerami pregledujemo deske, s pridobljenimi podatki pa učimo ustvarjeno nevronsko mrežo. Ko je mreža enkrat naučena, lahko pri pregledu vseh nadaljnjih desk poišče in označi napake, ki jih pozna. Pri takšnem problemu so posamezni sklopi povsem jasni in sistem že dobro deluje. Umetna inteligenca je pri prepoznavanju vzorcev dobra, ker jo znamo dobro naučiti, saj natanko vemo, kakšne vzorce iščemo, hkrati pa gre pri tem za tako imenovane statične probleme, ki se ne spreminjajo. A seveda to še ni konec zgodbe, saj želimo sistem nadgraditi, da bo prepoznal tudi, v katero kategorijo spadajo deske, na primer, ali gre za prvi ali drugi razred in podobno.
FOTO: Črt Piksi
Stvari pa postanejo bistveno bolj kompleksne, ko imamo opravka z dinamičnimi procesi in z njimi povezanimi dinamičnimi modeli. Pri dinamičnih procesih se veličine v procesu spreminjajo s časom, v odvisnosti od vzbujanj in motenj, pri tem pa se pojavijo tako imenovani prehodni pojavi, to je prehodi med različnimi stacionarnimi stanji procesa. Z vidika načrtovanja umetne inteligence so dinamični sistemi vsekakor neprimerno bolj zahtevni in kompleksnejši za implementacijo kot pa statični.
Pogosto se umetna inteligenca razume le kot zajemanje podatkov in njihovo predprocesiranje oziroma obdelava. Vsekakor so podatki nujna osnova, vendar je treba tudi zelo natančno vedeti, kaj z njimi početi. Tu naletimo na problem, da je preprosto premalo ljudi s tovrstnimi znanji. To je velika težava v podjetjih. Sistemi umetne inteligence zahtevajo ogromno razvoja, testiranja, pogosto pa se tudi zgodi, da se vsega, vseh možnih scenarijev, niti ne da predvideti niti testirati, vedno se lahko zgodi tudi napaka.
Če govorimo o industriji 4.0, kakšne kadre potrebuje?
Trenutno še največ kadre z znanjem elektrotehnike, računalništva in strojništva. Vsekakor bodo ti profili nujni tudi v prihodnje, saj bo treba vse naprave in sisteme razviti in potem tudi vzdrževati. Če na primer pogledam naše študente, imajo vsi diplomanti že praktično zagotovljene zaposlitve. Trenutno pa je premalo ljudi, ki bi imeli dobra znanja umetne inteligence, oziroma v našem primeru je bolje uporabljati izraz računalniška inteligenca. Pri umetni inteligenci se bolj nagibamo k posnemanju človeka, česar v industriji ne iščemo, ampak želimo naprave in sisteme naučiti obvladovati določeno nalogo.
Kako razvita je računalniška inteligenca v industriji?
Vsekakor govorimo o evoluciji. Dober primer evolucije, kako najprej rešujemo majhne probleme, da se lahko lotimo večjih, je avtonomni voziček, ki smo ga razvili v sodelovanju s tovarno vozil TPV v Novem mestu in podjetjem IQ. Gre za voziček, ki se uporablja v proizvodnih obratih za prevoz različnih izdelkov med obdelovalnimi postajami. Voziček se med postajami giblje po vnaprej načrtani poti, ki jo označuje magnetni trak, ki je nalepljen na tleh. Problem takšnega koncepta je, da se lahko trak razmagneti ali pa se na njem znajde kakšna ovira. Ker v tem primeru voziček ne more več slediti traku in se ustavi, je potrebno ročno posredovanje človeka. Problema bi se lahko lotili tako, da bi izdelali superinteligentni voziček, ki bi se v prostoru orientiral brez tovrstnega traku s pomočjo drugih, kompleksnejših pristopov, vendar to v industriji pogosto ni potrebno, saj zahtevamo, da rešimo samo določen partikularen problem. Pogosto je to dovolj. Dovolj je na primer, da se voziček zna zgolj izogniti oviri na poti, ki preprečuje nadaljnjo pot. Vendar tudi na prvi pogled enostavna naloga zahteva veliko razvoja. Algoritem, ki vodi voziček, mora namreč z združevanjem informacije z več različnih tipov senzorjev (predvsem varnostnega laserskega skenerja in senzorskega sistema za oceno položaja) zgraditi posnetek okolice oziroma zemljevid, ki ga nato uporabi za načrtovanje in izvedbo manevra izogibanja oviri. Sliši se preprosto, a pri industrijskih sistemih in napravah je ključno, da delujejo v vseh predvidenih scenarijih, pri tem pa pogosto ne zmoremo predvideti vseh možnih scenarijev in si želimo, da bi tudi v takih primerih sistem deloval zanesljivo in varno. Opisan problem izogibanja oviram predstavlja majhen prispevek k inteligenci avtonomnega vozička, ki se na ta način evolucijsko razvija, z dodajanjem novih algoritmov, ko naletimo na nove probleme.
»Krog realni-virtualni--realni svet mora biti sklenjen. Vsak prehod med enim in drugim svetom pa vnaša v ta krog naključnosti, in to ga napravi še bolj nepredvidljivega.« FOTO: Črt Piksi
Poglejmo na primer še povsem drugačen sistem od prej omenjenega vozička. V projektu s podjetjema Lek in Metronik smo s pomočjo računalniške inteligence optimirali delovanje farmacevtskih bioreaktorjev, v katerih gojijo žive celice, ki se uporabljajo za razvoj bioloških zdravil. Za uspešno rast celic in proizvodnjo ciljnega zdravila v bioreaktor dodajajo hranila in skrbno uravnavajo fizikalne razmere, kot so tlak, temperatura in kislost. Rastne razmere in sestava hranilnih snovi ter njune interakcije bistveno vplivajo na uspešnost rasti celic. Največja težava pri takih bioloških sistemih je, da nikoli natančno ne poznamo dejanskega stanja v bioreaktorju, na primer števila celic in količine hranil, saj jih ni mogoče učinkovito meriti. Pomagali smo si z računalniško inteligenco, in sicer tako, da smo na osnovi preostalih merljivih spremenljivk izdelali matematični model, ki je ocenjeval, kolikšna je količina hranil v reaktorju in koliko jih je treba še dodajati, da bodo razmere optimalne.
S katerimi podjetji sodelujete v vašem laboratoriju?
Trenutno imamo odprtih kar nekaj industrijskih projektov s slovenskimi in tujimi podjetji. Naštel bom samo nekaj najpomembnejših. Sodelujemo na primer z italijanskim podjetjem Danieli, ki spada med vodilna svetovna podjetja na področju izdelave jeklarske opreme. Zanje smo, na osnovi velike količine podatkov, razvili model, ki omogoča optimizacijo taljenja (reciklaže) odpadnega jekla v elektroobločni peči. Iz zgodovine podatkov o obratovanju peči smo izdelali algoritem, ki predpiše, kakšen je optimalni recept taljenja pri določenem zalaganju peči z različnimi kvalitetami odpadnega jekla. Tak recept imenujemo optimalna ali zlata šarža. Ta pove, kako pri določeni založenosti peči dovajati električno energijo in preostale vire, da bo učinkovitost delovanja peči optimalna.
Sodelujemo tudi s slovenskim podjetjem Sij Acroni Jesenice, kjer v okviru velikega evropskega projekta H2020 razvijamo več rešitev za izboljšanje učinkovitosti delovanja elektroobločne peči. Pri tem gre za razvoj različnih optimizacijskih algoritmov in modelov za ocenjevanje veličin, na primer temperature taline, energijske bilance in raztaljenosti jekla in podobno, ki zagotavljajo boljši vpogled v trenutno stanje v peči ter boljše delovanje peči. Vse skupaj pa vodi do izboljšanja učinkovitosti procesa, povečuje zanesljivosti pri izvedbi posameznih šarž, zvišuje produktivnost, ponovljivost, kakovost produktov ter izplen.
Sodelujemo tudi pri optimizaciji 3D-razreza hlodovine s podjetjem Mebor, d. o. o., iz Železnikov. Znova je tu cilj boljši izkoristek. Podatke o hlodih pridobivamo s pomočjo laserskih skenerjev, ki pregledajo deblo po celotni dolžini. Na podlagi tega mora optimizacijski algoritem poiskati optimalen razrez debla, da je odpadnega materiala čim manj, hkrati pa upoštevati vse fizične omejitve žag in uporabniške zahteve. Po razrezu lahko sistem pregleda še deske in izloči neustrezne. Končni cilj je tudi, da bo sistem deloval čim hitreje.
Pri dosedanjem sodelovanju smo opazili že prej omenjeno težavo, da v veliko, predvsem slovenskih podjetjih, ki so premajhna, ni razvojno-raziskovalnih oddelkov. Dejstvo je, da so vložki v sisteme z umetno inteligenco v tovarnah prihodnosti veliki, dodana vrednost pa se pokaže največkrat šele na daljši rok. Digitalizacija in avtomatizacija zmanjšujeta število zmagovalcev in tisti, ki bodo preživeli digitalizacijo, in s tem ne mislim digitalizacije javne uprave, ampak industrije, bodo lahko samo še bolj uspešni. Drugih pa enostavno ne bo več.
»Digitalizacija in avtomatizacija zmanjšujeta število zmagovalcev in tisti, ki bodo preživeli digitalizacijo, in s tem ne mislim digitalizacije javne uprave, ampak industrije, bodo lahko samo še bolj uspešni. Drugih pa enostavno ne bo več.« FOTO: Črt Piksi
Kako dobro slovenska industrija uvaja napredne tehnologije?
Pri naših podjetjih pogrešamo več dolgoročne vizije in večji interes, da bi se določene napredne tehnologije razvile z domačimi razvojno-raziskovalnimi ustanovami, ki vsekakor imajo potrebna znanja, in s tem v proces uvedla rešitve, ki jih na trgu še ni. Vsekakor bi morala tudi država spodbujati in dajati večji poudarek na področjih, ki imajo dolgoročni potencial.
Kako sta povezana zeleno gospodarstvo in avtomatika oziroma računalniška inteligenca?
Vsekakor hodita z roko v roki. Avtomatika v večini procesov zagotavlja zmanjšanje porabe energije, surovin, izboljšanje kakovosti produktov in zmanjšanje raznih emisij v okolje, vse to pa je povezano z zeleno agendo.
Kot primer prispevka računalniške inteligence k izboljšanju vpliva na okolje naj navedem naše sodelovanje pri izboljšanju delovanja čistilnih naprav. Gre za razvoj programskega senzorja za ocenjevanje koncentracije kisika v aerobnem rezervoarju, kjer se prečiščena voda izceja nazaj v okolje. V sistemu se na osnovi vrednosti koncentracije kisika izvaja regulacija zračenja v rezervoarju, ki pa lahko v celoti odpove, če odpove senzor, ki meri koncentracijo kisika. Z implementacijo programskega senzorja pa tak izpad nadomestimo in omogočimo normalno delovanje tudi v takih primerih.
Kako daleč smo od pametnih tovarn, kjer bodo delali le stroji?
Za zdaj je v takih tovarnah ključna predvsem avtomatika. Gre za zaprta območja, kjer lahko okolje prilagodimo napravam. Avtomatizirane tovarne pa tudi drugi industrijski obrati do določene meje že obstajajo. Kot primer lahko navedemo slovensko podjetje Krka in njen obrat za proizvodnjo trdih oblik zdravil, Notol 2, ali pa avtomatizirana skladišča ameriškega prodajalca Amazon. Seveda pa v teh primerih še vedno ne gre v celoti za pametni sistem, saj je na mnogo mestih še vedno potrebna človeška prisotnost. Ko ta ne bo več potrebna, bodo to postali pravi pametni sistemi. Problematika pametnih sistemov je predvsem tam, kjer okolja ne moremo več prilagoditi napravam, ampak se morajo naprave prilagajati okolju. V tem primeru je treba v sisteme implementirati bistveno več inteligence in nadzornih mehanizmov, ki bodo sposobni reagirati, ko se bodo pojavile spremembe v okolju. In v okolju teh sprememb ne zmanjka. Ključni problem je varnost, tako samega sistema kot ljudi.
FOTO: Leon Vidic
Misel mi seveda uide k futurističnemu avtonomnemu svetu, da bomo na cestah imeli avtonomna vozila.
Pri vozilih so določene reči rešene zelo dobro in v predvidenih pa tudi nekaterih nepredvidenih situacijah delujejo dobro. Vendar se pri tem še vedno srečujemo s prej omenjeno problematiko, da je treba napravo, v tem primeru avtonomno vozilo, prilagoditi okolju, v katerem se nenehno dogajajo spremembe in situacije, ki niso predvidljive. Še večji problem pri tem je odgovornost, kdo bo kriv, če se zgodi nesreča.
Pri takšnih in tudi drugih inteligentnih sistemih ima vgrajena računalniška inteligenca neposreden vpliv na okolje. Iz realnega sistema zajemamo podatke, jih obdelamo v virtualnem svetu, zgradimo model in algoritme, na osnovi katerih spet povratno vplivamo na sistem, ki je del realnega sveta. In zato najprej potrebujemo zelo dobre podatke iz realnega sveta. Če na primer iz podatkov naredimo napačen zemljevid, se lahko avtonomno vozilo kam zaleti ali pa pride na napačen cilj.
Krog realni-virtualni-realni svet mora biti sklenjen. Vsak prehod med enim in drugim svetom pa vnaša v ta krog naključnosti, in to ga napravi še bolj nepredvidljivega.
