Mesterséges intelligencia: remény, felhajtás és FOMO
Közzétéve: 2022. szeptember 22. hely: AI
Tíz évvel ezelőtt az MI-alapú projektekkel kapcsolatban hozzánk beérkezett kérdéseket elsősorban a felhajtás és a FOMO-jelenség, azaz a lemaradástól való félelem idézte elő. Amikor feltettem a kérdést, hogy az adott személy miért szeretne komolyabban foglalkozni az MI-vel, a válasz legtöbbször az volt, hogy „mert a főnököm erre kért”, „mert rengeteg adattal dolgozunk” vagy „mert érdekes területnek tűnik”. Egyik sem volt különösebben alapos ok, és semmiképpen nem indokolták azt a jókora befektetést, amelyet az MI-alkalmazások abban az időben igényeltek volna.
Manapság ez változik – a felhajtás és a FOMO helyett a remény az, ami ösztönzi az embereket. Az ügyfelek már nem azt kérdezik, hogy tudunk-e segíteni az MI-vel kapcsolatban. Azt kérdezik, tudunk-e segíteni a prediktív karbantartással, a minőség-ellenőrzéssel vagy a folyamatoptimalizálással kapcsolatban. Olyan problémákkal keresnek minket, amelyek megoldásához a segítségünkre van szükségük. Az MI bevezetése önmagában már nem egy ösztönző tényező vagy cél. Az MI ehelyett egy lehetőségekkel teli eszközzé vált.
Bármelyik iparágat nézzük is – az élelmiszer- és italipart, a gyógyszerészeti, az elektronikai vagy a gépjárműipart –, a végső cél ugyanaz: kiváló minőségű, hibamentes termékek alacsonyabb költséggel, kevesebb energiafelhasználással és kevesebb munkával történő előállítása. Az MI pedig megoldások egész tárházával szolgálhat ezen célkitűzések eléréséhez.
Múlt, jelen és jövő
Ahogy a gondolkodásmód, úgy a technológia is sokat fejlődött. Habár az MI mint koncepció már 1957 óta létezik, a korai alkalmazások képtelenül drágák és lassúak voltak: a feldolgozási teljesítmény korlátozásai miatt egy egyszerű számítás eredményeire is egy hónapot kellett várni. A mobiltechnológia, a számítógépes tárolás és a feldolgozási sebesség fejlesztéseinek köszönhetően napjainkban a számítások már néhány milliszekundum alatt elvégezhetők, és a költségek is számottevően csökkentek.
Bár a technológiai óriások, mint például az Amazon és a Google már jó ideje alkalmazzák, az ipari és üzemi közeget tekintve az MI továbbra is gyerekcipőben jár. Az életciklusa jelenlegi szakaszát a robotika 15 évvel ezelőtti állapotához lehetne hasonlítani, amikor egy hattengelyes robot irányítása matematikus végzettséget igényelt. Az MI-rendszerek bevezetéséhez továbbra is szakember szükséges; érteni kell, hogy mit csinálunk, és csak olyan specifikus alkalmazási területeken van értelme, amelyek esetében az előnyök megindokolják a bevezetéssel járó költségeket.
MI a láthatatlan problémákra
Szintén fontos észben tartanunk, hogy az MI nem csodaszer. Gépgyártóként, adattudósként és mérnökként elkövethetjük azt a hibát, hogy automatikusan a technológiához fordulunk válaszokért, még akkor is, amikor egy egyértelmű, sokkal egyszerűbb és kevésbé összetett megoldás is rendelkezésre áll.Például vegyünk egy szállítószalagot, amelynek az egyik darabja eltört és meghajlott. Ez egy mérnöki probléma, amely egy hagyományos mechanikai megoldással azonosítható és orvosolható. Az MI a kevésbé nyilvánvaló, időszakos, például mikroleállásokban megnyilvánuló problémák esetén teremthet értéket.
MI-alapú problémamegoldás a gyakorlatban
Vegyünk egy példát a való életből: egy, a gépjárműipar területén tevékenykedő ügyfél kérte a segítségünket, akinek problémája adódott a mikroleállásokkal. Az adatok átvizsgálása után elvégeztünk egy ellenőrzést a helyes működésre vonatkozóan. Az ellenőrzés során szondákat csatlakoztattunk a géphez, hogy képeket készítsünk az általa kibocsátott jelekről, és lássuk, mi is történik ahelyett, aminek történnie kellett volna. Ezután kidolgoztunk egy kísérletet a kiváltó okok meghatározása érdekében. Mindez tíz probléma azonosítását és megoldását tette lehetővé számunkra. Az egyiket, amelyik egy érzékelő meghibásodásához kapcsolódott, azóta se tudom kiverni a fejemből: az általunk megfigyelt érzékelők egyike látszólag nem működött. Amikor megkértük az ügyfelet, hogy ellenőrizze, van-e esetleg törött csatlakozó, néhány programozással kapcsolatos problémát is felfedeztünk, többek között egy logikai hibát, amelyet a telephely több gépén is alkalmaztak, és amelyet ezután sikerült orvosolnunk. Mindent összevetve a vállalat több tízezer eurót spórolt a selejt termékeket tekintve, és 50%-kal csökkentette az állásidőt is – mindez havonta további négyórányi gyártási időt szabadított fel számukra.
Egy másik alkalmazási példa: jelenleg egy, az élelmiszeripar területén tevékenykedő ügyféllel dolgozunk a lezárásmegfelelőség javításán. Azáltal, hogy MI-megközelítést alkalmazunk a lezárási műveletek során, több nappal növeljük az eltarthatósági időt, és minimalizáljuk a hibás lezárások előfordulását. Ezzel kiküszöböljük annak kockázatát, hogy a kiskereskedelmi ügyfelek elutasítsanak egy teljes termékszállítmányt.
Begyűjtés, elemzés és felhasználás
A projektek nagy részében az OMRON MI-vezérlőjét alkalmaztuk – a világ első olyan MI-megoldását, amely a termelés közvetlen szintjén működik (a Sysmac NY5 IPC és az NX7 CPU működésén alapuló hardver segítségével). A vezérlő mintákat ismer fel a közvetlenül a gyártósoron begyűjtött feldolgozási adatok alapján. Sysmac gyártásirányítási platformunk részét képezi, ami azt jelenti, hogy közvetlenül a gépben is használható, ezáltal pedig a hatásfokvesztés is megakadályozható.
A fenti példák és annak tekintetében, hogy az MI milyen felkapott téma manapság a médiában, könnyű azt feltételezni, hogy minden gyártással foglalkozó vállalat támogatja az MI-t, de ez nem így van. Az MI gyárakban történő használatára igen kevés példát találni, a projektek pedig nagy mértékben támaszkodnak a technológiai szolgáltató szakértelmére. Újabb tíz év múlva már más lesz a helyzet. Olyan eszközök születnek majd, amelyek révén az MI sokkal hozzáférhetőbbé és felhasználóbarátabbá válik, ezáltal a gyártók magukévá tehetik és könnyedén használhatják majd az MI-t.
További információk az OMRON adattudományi szolgáltatásairól