W dzisiejszych czasach trudno powiedzieć, że nie słyszało się o pojęciach dotyczących sztucznej inteligencji (ang. Artificial Intelligence – AI). Trochę rzadziej pojawia się określenie uczenia maszynowego (ang. Machine Learning – ML) – natomiast oba te terminy – mechanizmy za nimi stojące, są ze sobą mocno związane i współpracują ze sobą często w czasie rzeczywistym. To umożliwia doskonalić aplikacje, wprowadzać automatyzację procesów, wykrywać anomalie w obszarach, gdzie zastosowanie standardowego algorytmu dla trudnych do opisu i często niekompletnych danych nie pozwalałoby pozyskiwać odpowiednio dobrych wyników.
Uczenie maszynowe a sztuczna inteligencja
Sztuczna inteligencja potrafi z powodzeniem rozpoznawać obrazy, dźwięki. Co więcej, z powodzeniem potrafi tworzyć nowe przykłady obiektów, które nigdy i nigdzie wcześniej się nie pojawiły. Za pomocą uczenia maszynowego również możliwie jest tworzenie dzieł. Wówczas model wykorzystuje do tego celu analizy danych i konkretne wyniki badań, schematy działania (czyli uczenie modelu na podstawie przykładów). Nie każdy wynik działania sztucznej inteligencji musi korzystać z modeli uczenia maszynowego.
Uczenie maszynowe i jego technologie, czyli uczenie głębokie oraz sieci neuronowe, są podzbiorami sztucznej inteligencji. Sztuczna inteligencja przetwarza dane i jej celem jest, na podstawie zebranych danych, podejmowanie decyzji. AI bardzo często wykorzystuje w tym procesie algorytmy uczenia maszynowego, dzięki czemu może rozwijać swoje możliwości – swego rodzaju „inteligencję” bez konieczności dodatkowego ręcznego programowania. Zatem sztuczna inteligencja jest nadrzędna wobec wszystkich podzbiorów uczenia maszynowego. Pierwszy podzbiór stanowi uczenie maszynowe, kolejny to uczenie głębokie, a wewnątrz nich wykorzystywane są sieci neuronowe.
Jak zaznacza Kamil Mostowy, Project Manager w DSR S.A. – uczenie maszynowe koncentruje się w głównej mierze na analizowaniu dużej ilości zbiorów danych i znajdowaniu odpowiednich cech – oczywistym zatem jest to, że do tego procesu potrzebne są bardzo duże moce obliczeniowe komputerów i olbrzymiej pojemności bazy danych. Obecne technologie komputerowe umożliwiają tego typu operacje obliczeniowe, a cyfryzacja danych i wiedzy determinuje rozwój licznych i potężnych bibliotek o jawnym kodzie źródłowym. Zgromadzone w bibliotekach dane podczas używania algorytmów uczenia maszynowego są przetwarzane w czasie rzeczywistym, co przekłada się na uzyskanie odpowiedzi na zadane pytanie w krótkim czasie.
Szeroki wachlarz możliwości zastosowania tego typu algorytmów jest praktycznie nieograniczony. Coraz częściej rozwiązania wspierające się sztuczną inteligencją oraz możliwością uczenia się, są implementowane w obszarze firm produkcyjnych – dodaje Kamil Mostowy, DSR SA.
Sztuczna inteligencja oraz uczenie maszynowe doskonale wpisuje się w takie obszary jak:
• planowanie produkcji ,
• kontrola jakości,
• utrzymanie ruchu,
• optymalizacja procesów technologicznych,
• prognozowanie popytu,
• analiza danych produkcyjnych,
• automatyzacja linii produkcyjnych.
Zastosowanie uczenia maszynowego i innych algorytmów sztucznej inteligencji
AI 4FACTORY
Firma DSR już od dłuższego czasu inwestuje w nowoczesne technologie, bazujące na sztucznej inteligencji i uczeniu maszynowym, implementując w swoje rozwiązania tego typu algorytmy. Poniżej kilka rozwijanych obecnie rozwiązań DSR 4FACTORY, które będą mogły wkrótce korzystać z elementów sztucznej inteligencji AI 4FACTORY, w tym również z algorytmów uczenia maszynowego:
1. Planowanie produkcji APS 4FACTORY – algorytmy sztucznej inteligencji projektowane w rozwiązaniu APS 4FACTORY będą pomagać w przygotowaniu planu produkcji poprzez analizę danych historycznych i prognozowanie popytu. Dzięki temu firma produkcyjna może dostosować się do dynamicznie zmieniających się warunków na rynku i zapewnić odpowiedni poziom obsługi zamówień klienta, bazując na historii współpracy i dostępności zapasów.
2. Kontrola jakości QMS 4FACTORY – rozwiązanie będzie mogło identyfikować i opisywać wady, defekty w produkowanych wyrobach, co pozwala na szybsze reagowanie i minimalizację błędów popełnianych podczas realizacji produkcji. System zbierając dane kontroli jakości podczas produkcji danych wyrobów umożliwi inżynierom przeprowadzanie analizy wyników badań, a docelowo stanie się narzędziem, bazą wiedzy, na podstawie której można projektować odpowiednie dostrojenia np. parametrów maszyn czy technologii produkcji tak, by podczas kolejnych transz produkcyjnych ilości defektów wyrobu gotowego była jak najmniejsza.
3. Utrzymanie ruchu EAM 4FACTORY – sztuczna inteligencja może pomóc w prewencyjnym podejściu do obszaru utrzymaniu ruchu zaplecza maszynowego poprzez przewidywanie awarii. Maszyny są podłączone do systemu IOT 4FACTORY, dzięki temu możliwe jest zbieranie informacji dotyczących anomalii w charakterystyce pracy maszyny. Dane zbierane są przez przyrządy badające, np. drgania kluczowych elementów maszyn i poddawane późniejszym analizom. Przy wykorzystaniu odpowiednich algorytmów uczenia maszynowego na podstawie zebranych danych, system będzie m.in. potrafił przewidzieć termin wymaganego przeglądu, czy orientacyjny czas wymiany wadliwego elementu na nowy. Posiadając odpowiednie informacje system może zostać wykorzystany do przewidzenia terminów przeglądów kluczowych maszyn, przewidzieć i zaplanować wymaganą przerwę produkcyjną, zamówić niezbędne części i zaplanować przeprowadzenie prac naprawczych/konserwacyjnych.
4. Optymalizacja procesów produkcyjnych – SFC 4FACTORY. Dzięki możliwości zbierania danych w czasie rzeczywistym bezpośrednio z hali produkcyjnej, system SFC 4FACTORY umożliwia na bieżąco reagować menadżerom średniego szczebla na wszelkiego rodzaju nieprawidłowości w procesie produkcyjnym, zarejestrowane przez operatorów maszyn. Tym samym można dokonywać w czasie rzeczywistym odpowiednich działań prewencyjnych minimalizujących pojawiające się problemy. Długofalowe zbieranie danych pochodzących bezpośrednio z hali produkcyjnego na temat produkcji wyrobów i zastosowanie uczenia maszynowego umożliwi łatwiejszą optymalizację procesów produkcyjnych i przyczyni się do znaczącej minimalizacji strat przekładając to na redukcję kosztów wynikających np. z błędnych założeń, m.in. co do czasów produkcyjnych (czasów technologicznych).
5. Możliwość sprawnego integrowania danych pochodzących z różnego rodzaju systemów jest możliwe poprzez zastosowanie ESB 4FACTORY – czyli swoistej szyny danych. ESB 4FACTORY pozwala na zbudowanie interfejsów pomiędzy różnymi systemami IT, które są wykorzystywane w firmach produkcyjnych. Integrowanie rozwiązań umożliwia pełne wykorzystanie potencjału zbieranych danych, a odpowiednio zmapowane dane mogą być docelowo wykorzystane w systemach nadrzędnych, jak np. ERP 4FACTORY, przyczyniając się do optymalizacji czasu i minimalizując ewentualne błędy, pojawiające się przy ręcznym wprowadzaniu danych z jednego systemu do drugiego. ESB 4FACTORY pozwala integrować ze sobą różne systemy informatyczne firmy w sposób transparentny, elastyczny, a co najważniejsze, zunifikowany, minimalizując wiele rozproszonych, trudnych w zarządzaniu powiązań między systemami.
6. System a właściwie gra edukacyjna 4FACTORY MANAGER – pozwala na zasymulowanie całej przestrzeni produkcji oraz technologii wytwarzania wyrobu gotowego jeszcze dużo wcześniej niż wbicie szpadla i wykopanie fundamentów dla przyszłej hali produkcyjnej. Dzięki przygotowaniu odpowiedniego modelu przestrzeni produkcyjnej w rozwiązaniu 4FACTORY MANAGER i uruchomienie symulacji produkcji, możliwe jest wyszukiwanie oraz przewidzenie ewentualnych wąskich gardeł procesu i jeszcze na etapie projektowania obszaru produkcji dokonanie odpowiednich zmian w założeniach np. do nowej technologii, maszyny, linii czy nawet hali produkcyjnej. Alternatywnym wykorzystaniem możliwości systemu 4FACTORY MANAGER jest funkcjonalność umożliwiająca przeszkolenie nowych pracowników produkcyjnych i operatorów maszyn na podstawie przygotowanego w systemie modelu linii, bez konieczności wprowadzania potencjalnych pracowników w fizyczną przestrzeń produkcji, oszczędzając przy tym czas oraz koszty szkoleń standardowych.
Podsumowując – elementy uczenia maszynowego oraz sztucznej inteligencji wykorzystywane w rozwiązaniach informatycznych DSR 4FACTORY na co dzień wspierają zarządzanie w firmach produkcyjnych z różnych branż. Im szybciej nastąpi proces implementacji tego typu rozwiązań w fabryce, tym szybciej dadzą one możliwość elastycznego reagowania na coraz to bardziej dynamiczne zmiany na rynku. Postępu nie da się zatrzymać, a firmy, które będą pierwsze i wykorzystają dostępny potencjał informatyczny będą mogły zbudować odpowiednie bariery konkurencyjności.
Autor: Kamil Mostowy, Project Manager DSR S.A.
