Sztuczna inteligencja, coraz bardziej prawdziwa

Sztuczna inteligencja w przedsiębiorstwie często kojarzy się z kompetencjami działu IT. Czy to dobre skojarzenie?

To prawda, że sztuczna inteligencja jest określana jako specjalizacja informatyki, jednak w tej chwili ciężko powiedzieć, że pozostaje wyłącznie w kompetencjach działu IT. AI dotyczy coraz większej liczby sfer naszego życia. Czasem nawet wystarczy otworzyć lodówkę, by się pojawiła. Dlatego sztuczną inteligencję należy traktować znacznie szerzej – jako narzędzie daleko wykraczające poza stricte informatyczne zastosowania.

Zacznijmy od genezy. Pierwsze prace dotyczące sztucznej inteligencji to lata 50. XX wieku. Wtedy właśnie powstał słynny test Turinga. Jak doszliśmy do obecnych możliwości AI?

Tak, w latach 50. po raz pierwszy użyto sformułowania „sztuczna inteligencja”. Wówczas jednak był to problem bardziej teoretyczny. Chciano stworzyć rozwiązanie maszynowe, które myśli jak człowiek, ale badacze do dyspozycji mieli tylko wybrane technologie czy metodologie na wczesnym stadium rozwoju: cybernetykę, uczenie maszynowe, analizę procesów. Problemem były też ograniczone moce obliczeniowe. Dzisiaj tych technologii i metodologii, szeroko używanych zarówno w informatyce, jak i przemyśle, jest znacznie więcej: od kilkunastu do kilkudziesięciu. Moce obliczeniowe współczesnych maszyn są ogromne. Pozwalają analizować terabajty danych w przedsiębiorstwach, a giganci internetowi tacy jak Google czy Amazon analizują ich wielokrotnie więcej. W rezultacie, żyjemy już ze sztuczną inteligencją, a wnioski wyciągane przez nią na podstawie analizy dużych ilości danych wspomagają nas codziennie w setkach decyzji. Doszliśmy już nawet do fazy, w której sztuczna inteligencja jest tak powszechna, że niemal nie zwracamy na nią uwagi. Co więcej, AI w niektórych obszarach „myśli” prawie tak dobrze jak człowiek, a czasem nawet lepiej od niego.

Wiele zakładów produkcyjnych gromadzi dane w dużej ilości. Przedsiębiorstwa te są już po trzeciej rewolucji przemysłowej. Ich liderzy wiedzą, że warto zbierać i analizować dane na temat wszystkich kluczowych procesów. Tych danych stale przybywa, a dokonanie właściwej ich selekcji staje się coraz większym wyzwaniem. Tu właśnie jest miejsce dla sztucznej inteligencji.

Sztuczna inteligencja jest rzeczywiście obecna w otaczającym nas świecie, ale coraz częściej widoczna jest też w kontekście przemysłowym. W ASTOR nad rozmaitymi zastosowaniami AI pracujemy już ok. 5 lat. Na jakim etapie jest przemysłowa sztuczna inteligencja?

W praktyce wygląda to następująco: wiele zakładów produkcyjnych gromadzi dane w dużej ilości. Przedsiębiorstwa te są już po trzeciej rewolucji przemysłowej. Ich liderzy wiedzą, że warto zbierać i analizować dane na temat wszystkich kluczowych procesów. Dane w formie cyfrowej są wizualizowane, dzięki czemu dyrektorzy utrzymania ruchu są w stanie podejmować decyzje dotyczące samej produkcji, ale też dostępności zasobów czy zaangażowania poszczególnych pracowników. Problem polega na tym, że w dzisiejszym, szybko zmieniającym się świecie, podejmowanie decyzji przez człowieka trwa niekiedy zbyt długo, zwłaszcza, że danych stale przybywa, a dokonanie właściwej ich selekcji staje się coraz większym wyzwaniem. Tu właśnie jest miejsce dla sztucznej inteligencji, która proces podejmowania decyzji na podstawie danych pozwala zautomatyzować. W scenariuszach odwołujących się do czwartej rewolucji przemysłowej kluczowe decyzje dotyczące procesu produkcji podejmowane są przez algorytmy, bez udziału człowieka. Problem polega na tym, że niewiele jest firm gotowych na taką pełną automatyzację procesu decyzyjnego. Wciąż nie do końca ufamy sztucznej inteligencji. Dlatego w ASTOR przyjęliśmy założenie, że przynajmniej na razie głównym zadaniem algorytmów sztucznej inteligencji będzie wspieranie człowieka. Chodzi o to, by systemy AI tworzyły stabilne środowisko niezagrażające bezpieczeństwu procesu.

A gdybyśmy dzisiaj mieli powiedzieć, czym różni się sztuczna inteligencja od rozwiązań, które w przemyśle funkcjonowały dwadzieścia lat temu, jakie różnice warto by wskazać?

Myślę, że zasadnicza różnica polega na podejściu do kwestii jakości danych. Obecnie firmy zbierają ich znacznie więcej niż 20 lat temu, ale sama ilość to za mało. Zdarza się, że przychodzi do nas przedsiębiorca, który myśli o wdrożeniu sztucznej inteligencji. Argumentuje, że linia produkcyjna w jego zakładzie jest dobrze opomiarowana, przez co przedsiębiorstwo dysponuje dużą ilością danych. Algorytmy sztucznej inteligencji mogłyby analizować te dane, by wskazywać pewne działania optymalizacyjne. Często takiemu przedsiębiorcy mówimy „stop”, ponieważ najpierw trzeba sprawdzić, przeanalizować te dane, by zobaczyć, czy są właściwe. Co to znaczy? Wyobraźmy sobie, że idę do sklepu po bułki. Żona poprosiła, bym kupił orkiszowo-pszenne. Na półkach w sklepie nie ma etykiet. Muszę podjąć decyzję w oparciu o moje (skromne) doświadczenie. Mogę kogoś zapytać, gdzie znajdę orkiszowo-pszenne pieczywo, ale jeśli bułki kupuję w supermarkecie, nie zawsze mam kogo. W efekcie muszę podjąć decyzję o zakupie tych czy innych bułek na podstawie danych, które nie są właściwe, nie dają mi pewności. We współczesnym środowisku przemysłowym to sytuacja trudna do zaakceptowania. Jeśli chcemy, by algorytmy sztucznej inteligencji pomagały w podejmowaniu dobrych decyzji, muszą mieć one dostęp do danych wysokiej jakości. Kluczowa jest ciągłość procesu produkcyjnego. Bez dobrych danych nie moglibyśmy na przykład właściwie przewidywać, kiedy potrzebna będzie wymiana części czy inne interwencje serwisowe. W efekcie dochodziłoby do konieczności zatrzymania produkcji ze względu na awarie, których nikt nie przewidział.

Tradycyjnie rozwiązaniem, które gromadzi dane dotyczące procesu produkcyjnego i ułatwia podejmowanie decyzji, jest SCADA. Jak algorytmy sztucznej inteligencji mogą współpracować z tym systemem?

Klasyczne systemy SCADA faktycznie zbierają duże ilości danych dotyczących procesu produkcyjnego i agregują je w przemysłowych bazach danych, a sztuczna inteligencja tych danych potrzebuje. Oznacza to, że jest miejsce na współpracę obu systemów i ta współpraca rzeczywiście jest ważna. Implementacja rozwiązań AI dzieli się na dwa etapy. Pierwszy polega na zbieraniu, analizowaniu i wizualizowaniu danych właśnie przy użyciu systemów SCADA. Ten etap pozwala na dokonanie około 30% oszczędności całego projektu. Po jego zakończeniu można pomyśleć o optymalizacji wybranego procesu, tak by osiągnąć najwyższą wartość biznesową. Wówczas sztuczna inteligencja optymalizuje ten proces na podstawie zwizualizowanych danych z systemu SCADA. Także w drugim etapie ta współpraca obu systemów jest więc kluczowa.

A jakie są największe problemy przy wdrażaniu sztucznej inteligencji w zakładzie produkcyjnym czy fabryce?

O głównym problemie właściwie już wspominaliśmy, to brak czy niedobór danych najwyższej jakości. Aby nie dopuścić do jego wystąpienia, kluczowe procesy w firmie trzeba bardzo dobrze opomiarować. Drugi problem to stworzenie zespołu, który wdrażałby algorytmy sztucznej inteligencji. Sama sztuczna inteligencja nie jest aż tak inteligentna, jak sugerowałaby nazwa. Bazuje tylko na tych danych, których dostarczą jej ludzie. Kluczowe jest więc zaangażowanie świadomego inżyniera procesu, który będzie w stanie zebrać wiedzę rozproszoną w zakładzie produkcyjnym, by wdrożyć algorytmy sztucznej inteligencji w optymalny sposób. Dobrze dobrany przez niego zespół może skalibrować pewne wagi przy podejmowaniu decyzji przez sztuczną inteligencję, przekazać algorytmom pewne wzorce czy schematy decyzyjne, ustalić, na bazie jakich danych sztuczna inteligencja będzie się uczyć. Czyli de facto w procesie implementacji sztucznej inteligencji ogromną rolę odgrywa człowiek. Widać to także w kontekście trzeciego problemu, jakim jest wybór konkretnych rozwiązań technologicznych. Jak wspomnieliśmy wcześniej, obecnie tych rozwiązań jest bardzo dużo. Aby dokonać właściwego wyboru, potrzebny jest wkład zespołu wdrożeniowego w zakładzie, ale też konsultacje z zewnętrznymi partnerami. Po pierwsze z takimi, którzy świetnie znają specyfikę branży. Jeden z moich pierwszych projektów związanych ze sztuczną inteligencją dotyczył optymalizacji procesu wytwarzania sprężonego powietrza. Początkowo zadanie, przed jakim stanąłem, wydawało mi się proste. Sądziłem, że wystarczy mierzyć ciśnienie powietrza na wejściu i na wyjściu. Specjalista, który zajmował się sprężonym powietrzem od 30 lat pokazał mi, gdzie się myliłem. Druga grupa partnerów zewnętrznych, ułatwiających wybór technologii, to specjaliści zajmujący się stricte sztuczną inteligencją, którzy potrafią budować algorytmy i dopasowywać je do konkretnych potrzeb biznesu. Dopiero te trzy grupy: zespół wewnętrzny, zewnętrzni partnerzy znający branżę i zewnętrzni specjaliści od sztucznej inteligencji gwarantują prawidłowe wdrożenie konkretnego rozwiązania w zakładzie przemysłowym i wybór właściwej technologii.

Czyli po raz kolejny przekonujemy się, że w Przemyśle 4.0 chodzi o współpracę. Spróbujmy wskazać, jakie firmy i jakie osoby mają dzisiaj kompetencje, żeby w ramach takiej współpracy sztuczną inteligencją się zajmować.

W ASTOR staramy się łączyć świat informatyki czy sztucznej inteligencji ze światem automatyki. To na styku ich obu powstaje wartość, która przekłada się na realne oszczędności. Dlatego też podmioty czy osoby wdrażające sztuczną inteligencję powinny działać na tym granicznym terytorium. Powinny też doskonale znać specyfikę branży, w której realizowane jest wdrożenie. I tak np. zespoły, które znają się na optymalizacji efektywności energetycznej przy wykorzystaniu sztucznej inteligencji powinny rozmawiać ze specjalistami, którzy bardzo dobrze znają optymalizowany proces w danym zakładzie. W ASTOR staramy się zawsze dobierać odpowiednich partnerów do odpowiedniej branży, do odpowiedniego procesu. W zależności od tego, czy rozmawiamy o optymalizacji efektywności pomp, procesu sprężania powietrza czy turbin wiatrowych, wybór partnera będzie inny. To są trzy niezależne wszechświaty gigantycznej wiedzy o procesie. Kiedy już mamy takiego partnera branżowego, dobieramy specjalistów od sztucznej inteligencji, którzy dzięki wiedzy z obszarów fizyki, matematyki i informatyki budują potrzebne algorytmy i pomagają dobrać odpowiednie rozwiązania technologiczne.

Czy sztuczna inteligencja sprawdzi się w każdej firmie? Czy może są szczególne branże, które mają tu przewagę?

Kluczową kwestią nie jest ani branża, ani konkretna technologia, tylko to, czy można na podstawie danych wyodrębnić proces wymagający optymalizacji. Najpierw firmy powinny więc myśleć o procesie, a dopiero w dalszej kolejności o sztucznej inteligencji. Można jednak wskazać obszary, w których AI jako technologia optymalizująca sprawdza się bardzo dobrze. Jednym z nich jest poprawa efektywności energetycznej. Temat jest na czasie, bo przy rosnących cenach energii optymalizacja jej zużycia przekłada się na konkretne oszczędności. Ostatnio pracowaliśmy nad tym zagadnieniem w przepompowni jednej z oczyszczalni ścieków należących do Wodociągów Miasta Krakowa. Wcześniej wszystkie pompy były albo włączane, albo wyłączane, przez co efektywność procesu przepompowywania ścieków była nienajlepsza. Obecnie, dzięki wykorzystaniu sztucznej inteligencji, można sterować mocą pomp i dopasowywać ich pracę i zużycie energii do realnego zapotrzebowania. Tego rodzaju systemy przynoszą oszczędności od kilkunastu do kilkuset tysięcy złotych w skali miesiąca. Osiągnięcie ich było jednak możliwe tylko dzięki temu, że najpierw wskazaliśmy proces, który można optymalizować, a dopiero potem dobraliśmy technologię.

Czyli właściwie każda branża może zastosować czy wdrożyć sztuczną inteligencję, wystarczy, że są dane i udało się zidentyfikować proces wymagający optymalizacji. Nie ma znaczenia, czy to jest branża meblarska, wod-kan czy automotive.

Ująłbym to szerzej: sztuczna inteligencja już jest w każdej z tych branż. W samym ASTORze realizujemy kilkanaście projektów wykorzystujących sztuczną inteligencję. Od analiz wizyjnych, przez systemy podnoszenia efektywności energetycznej, systemy badania efektywności danych, optymalizacji wytwarzania sprężonego powietrza po systemy predykcyjne pozwalające zaplanować zapotrzebowanie zakładów produkcyjnych na energię. W tym ostatnim przypadku stosujemy rozwiązanie nazywane strażnikiem mocy, które pozwala ustalić, czy bardziej się opłaca przekroczyć zaplanowane zużycie i zapłacić karę, czy w kontrakcie uwzględnić wyższe zapotrzebowanie, co będzie się miesiąc do miesiąca przekładać na dużo wyższe koszty. W tak różnych zastosowaniach sprawdza się sztuczna inteligencja. Często nawet nie zdajemy sobie sprawy, że pewne decyzje wspierane są algorytmami, ale sztuczna inteligencja jest już obecna w bardzo wielu branżach.

Załóżmy, że mamy w zakładzie, czy w fabryce lidera innowacji, który wie, że pewien proces ma luki i trzeba go uszczelnić. Słyszał o sztucznej inteligencji. Jaki pierwszy krok powinien zrobić, żeby wprowadzić swój zakład na wyższy poziom?

Warto rozpocząć od rozmowy ze specjalistami, którzy znają się na sztucznej inteligencji i potrafią implementować rozwiązania tego rodzaju w środowisku przemysłowym. W trakcie tych konsultacji często udaje się zidentyfikować proces, który wymaga optymalizacji. Drugim etapem jest uzupełnienie oczujnikowania linii produkcyjnej. Dopiero w dalszej kolejności odbywa się budowa i trenowanie modelu. W tym kontekście pomocne może być stworzenie tzw. cyfrowego bliźniaka, czyli cyfrowej kopii procesu, który chcemy optymalizować. Na każdym etapie warto prowadzić analizy opłacalności wdrożenia z uwzględnieniem świeżych danych. W 99,9% przypadków włączenie sztucznej inteligencji przynosi korzyści i oszczędności, jednak nie zawsze. Musimy wiedzieć, w których projektach sprawdzi się sztuczna inteligencja, a w których skuteczniejsze będą proste algorytmy

Jak się tego dowiedzieć?

Dzięki analizie biznesowej. Trzeba wziąć pod uwagę czas trwania projektu i policzyć, czy w danym okresie nakłady na pewne rozwiązania technologiczne się zwrócą. Jeśli na przykład inwestujemy w czujniki, musimy mieć pewność, że korzyści z tej inwestycji przewyższą koszt samych czujników.

Kwestia danych i analizy biznesowej to jedno, ale ważny jest też ludzki wymiar pracy ze sztuczną inteligencją. Czy i w jakich warunkach tej sztucznej inteligencji możemy zaufać?

Zaufanie do sztucznej inteligencji to zagadnienie, z którym mierzymy się praktycznie w każdym projekcie AI. Zaryzykowałbym nawet twierdzenie, że powodzenie tych projektów w 50% zależy od tego, w jakim stopniu operatorzy przyswoją wiedzę na temat działania algorytmów, a tym samym zyskają do nich zaufanie. Bez zaufania nie jesteśmy w stanie robić biznesu, ale też realizować zaawansowanych projektów technologicznych, na przykład z wykorzystaniem AI. Człowiek jest z natury nieufny, szczególnie w odniesieniu do zjawisk, których nie rozumie. Dlatego w porozumieniu z inżynierem procesu dbamy o to, żeby operatorzy widzieli, że sztuczna inteligencja de facto im pomaga. Oczywiście na początku ta nieufność wobec sztucznej inteligencji jest duża. Dopiero gdy operator widzi, że dzięki nowemu rozwiązaniu ma mniej pracy, albo że jego praca jest bardziej efektywna, że może szybciej podejmować decyzje, że w momencie, gdy pracuje na nocną zmianę, ta nocna praca przebiega spokojnie, wówczas to zaufanie zaczyna rosnąć. Widzimy więc, że zaufanie przychodzi z czasem, ale czas ten można skrócić. Trzeba jedynie zadbać o dwa czynniki. Po pierwsze o bezpośrednie przekazywanie operatorom informacji w jaki sposób działa sztuczna inteligencja, żeby nie była postrzegana jako niezrozumiała czarna skrzynka. Aby tego uniknąć, tworzymy algorytmy w porozumieniu ze świadomym inżynierem procesu. Ustalamy z nim także sposób wdrożenia, określamy, jakie poziomy decyzyjności przypisać ludziom, a jakie sztucznej inteligencji. Drugi kluczowy czynnik to zadbanie o to, żeby sztuczna inteligencja działała w warunkach stabilnych, natomiast gdy tej stabilności nie ma, aby stery przejmował człowiek. Warunki stabilne, czyli takie, w których parametry opisujące pracę systemu nie przyjmują wartości ekstremalnych, w których system nie jest nadmiernie obciążony. I tak np. warunki stabilne w wodociągach to takie, w których nie ma oberwania chmury. Wówczas napływ ścieków do przepompowni utrzymuje się na przewidywalnym poziomie. Takie warunki stabilne panują przez 90% czasu, dlatego zastosowanie sztucznej inteligencji może przynieść naprawdę duże oszczędności. Kiedy następuje oberwanie chmury, w wodociągach wzrasta ryzyko gwałtownych wahań poziomu wody, ryzyko zatorów w rurociągach i innych nieprzewidzianych zdarzeń. Fakt, że w takich okolicznościach systemem steruje operator, zwiększa jego bezpieczeństwo, ale też sprawia, że sztucznej inteligencji, pracującej tylko w warunkach stabilnych, łatwiej zaufać. Podejście polegające na implementowaniu AI wyłącznie w warunkach stabilnych pozwala też znacząco skrócić czas wdrożenia i szybciej zacząć generować oszczędności.

Wiemy już, jak zaufać sztucznej inteligencji, a czy możemy się od niej czegoś nauczyć?

Na pewno od AI możemy nauczyć się tego, jak optymalnie podejmować decyzje. Powinniśmy podejmować je szybko, bazując na rzetelnych i sprawdzonych informacjach. W kontekście przemysłowym oznacza to pracę na danych pochodzących z dobrze opomiarowanych systemów. Sytuacja, w której pracownicy na kartce spisują dane przemysłowe i wprowadzają je do Excela należy już do historii. Dzisiaj potrzebujemy danych, aby podejmować dobre decyzje, także te dotyczące implementacji sztucznej inteligencji.

 

Wywiad przygotowany na podstawie podcastu Biznesu i Produkcji „Przemysłowa Sztuczna Inteligencja. Czego możemy się od niej nauczyć?”. Tekst skrócony i zredagowany w celu zwiększenia klarowności przekazu.