Pitanja i odgovori sa Johannom Beukesom iz kompanije Levatas nam približava kako iskoristiti umjetnu inteligenciju da znantno utječemo na mašine u proizvodnji.
Kako se definiše pametan proizvođač zavisi od organizacije do organizacije. Ipak, zaista postati „pametan proizvođač“ često zavisi od vještina organizacije da integriše najnovije alate i tehnologije u svoj već postojeći proizvođački ciklus. I to na takav način da se znatno poboljša produtkivnost, efikasnost i kapacitet.
Mogućnost da spojimo umjetnu inteligenciju sa računarskim vidom će nam poslužiti kao osnovni primjer. Nedavno sam imao priliku da se povežem sa Johannom Beukesom, potpredsjednikom znanosti i analitike u Levatasu kako bi čuo njegovo mišljenje o ovome.
P: Na koji način umjetna inteligencija i računarski vid(CV) mogu da se ukomponuju kako bi pomogli proizvođačima?
Beukes: Proizvodnja dozvoljava da se iskoriste mnoge prilike kako bi se poboljšale pravovremene odluke podrške biznis sistemima, kao povećana energetska efikasnost, lanac snabdijevanja i optimizacija mreže, te plansko održavanje. Ipak, prikupljanje podataka kako bi došli do odluka zahtjeva nove senzore koji bi mogli da povećaju troškove i da funkcionalno budu ograničeni. U tu svrhu možemo iskoristiti računarski vid, što predstavlja fleksibilniju i jeftiniju opciju za prikupljanje podataka.
Koristeći autonomne ili poluautonomne robote kao Spot® iz Boston Dynamics (kompanija za robotiku i inženjering), može znatno poboljšati mogućnost i dostupnost da se računarski vid iskoristi za prikupljanje podataka. Umjesto instaliranja statičkog senzora, jedan robot sa računarskim vidom može biti iskorišten za više trenutnih praćenja, i sa lakoćom se može podesiti kako bi prikupljao nove podatke.
Također, računarski vid može koristiti iste prikupljene slike, ali izvući različite podatke koristeći različite modele u pozadini. Za razliku od senzora koji su za jednoličnu radnju, računarski vid je fleksibilan u primjeni, s obzirom da se korist javlja kao softverski paket. Na primjer, snimak pokretne trake sa transportom proizvoda može da se iskoristi na više načina poput kontrole kvaliteta i uočivanja anomalija.
P: Koji se izazovi javljaju pri maksimiziranju koristi umjetne inteligencije i računarskog vida?
Beukes: Performanse modela koji koriste računarski vid sežu od prosječnih do percepcija koje su bolje-od-čovjeka, ipak doći do visokih performansi dolazi sa troškovima. Trenutni CV pristup koristi arhitekturu dubokog učenja koji zahtjeva veliku količinu podataka i zato ulaganja u skupocjene, optimizirane procesne jedinice može biti skupo do te mjere da su modeli sa dobrim performansama još nedostupni.
Naravno, postoji par načina kako zaobići ili poboljšati perfromanse modela bez skupocjenih ulaganja. Prvo koristite transfer učenje gdje počinjete sa već istreniranim modelima, a onda trenirate samo završne slojeve neuronske mreže na malom setu, gdje će fokus biti na specifični problem koji se obrađuje. Često ovaj pristup pomaže prikupljanju dobrih rezultata iz jako malo snimljenih slika.
Drugi način se veže za više nego samo CV, ali se integriše u mašinsko-učenje sa strane kompanija poput Levatas, tako što se koristi čovjek-u-petlji pristup. Umjesto proizvodnje modela tek kada oni dosegnu tačnost od 85%, možete iskoristi ljude u ovoj mreži te smanjiti plast sijena kako bi što prije pronašli iglu. Ovo ne zamijenjuje ljude nego optimizira vrijeme u kojem ljudi koriste mašinsko-učenje dok u isto vrijeme koristi podatke kako bi se model poboljšao.
P: Da li imate savjet za iskorištavanje CV na najbolji način u današnjoj povećanoj digitalnoj proizvodnji?
Beukes: Povrat na investicije (ROI) se u primjeni ispravnog riješenje oslanja na mnogo fakotra, a jedan od njih je detaljna implementacija. Bitan aspekt CV modela je da preko vremena oni mogu da pretrpe ono što nazivamo “koncepti pomak” gdje se uslovi koji se prate mijenjaju u odnosu na podatke koji su originalno bili podučeni.
Na primjer, jedan stvarni slučaj sa kojim smo se suočili jeste CV model koji je bio istreniran da prati inventar računanjem i obilježavanjem kutija koje dolaze u zonu pakovanja. Ovi podaci su putovali u druge sisteme poput pakovanja i sistem nabave. Jedan od atributa koji su snimljeni sa CV modelom jeste dimenzija kutija koja je dozvoljavala računanje broja kutija i tačnih dimenzija koje su se vadile iz inventara. Nova dimenzija kutija se dodala u proces pakovanja i sa ovom dimenzijom model nije bio upoznat i morao se dodatno istrenirati da snimi i tu novu dimenziju. Srećom, u ovom slučaju se otkrila i anomalija koristeći isti model koji je snimio ove “nestandardne” vrste kutija te je nadzornik poduzeo mjere.
Pouka ovdje je da za CV, kao i za većinu algoritama mašinskog-učenja da bi se isplatili trebaju da se razviju zajedno sa planom njihovog praćenja i montiranja. Mnoge proizvodne implementacije uzimaju ovo u obzir i koriste spomenutu petlju povratnih informacija kako bi izgradili čovjek-u-petlji i prikupljanje podataka u mrežu mašinskog-učenja. U oba slučaja, podešavanje i zaboravljanje trenutno nije opcija za uspješnu implementaciju računarskog vida.
P: Kada dolazi do iskorištavanja umjetne inteligencije, gdje današnji proizvođači propuštaju ključne prilike?
Beukes: Često se prizvođači fokusiraju na područja sa najvećim aktivnostima – procesi gdje se dešava proizvodnja ili sigurnost. Ipak, neke prilike za optimizaciju i smanjenje troškova se propuste kada se razmišlja miopično u vezi umjetne inteligencije.
Na kraju, ima mnogo odluka koje čovjek donese a koje mogu uticati na proizvodnju. Koristiti umjetnu inteligenicju da bi se pametnije, brže i više informisane odluke donosile su samo jedan aspekt korištenja umjetne inteligencije. Drugo područje koje se veže za proizvodnju ali je nedovoljno iskorišten jeste automatizacija procesa i procedura. Robotiziranje procesa automatizacijom (RPA) uključuje automatizaciju nabave, prikupljanje podataka koji se mogu mobilizirati u stvarnom vremenu u proizvodnom ciklusu i pomoć u regulatornim zahtjevima, a što često traži skupocjeni, manuelni rad sa minimalnim povratnom na investicije (ROI).
U proizvodnji, računarski vid će postati krucijalan u optimizaciji radne snage snimajući pokret uposlenika i mašina kroz proces. Imati digitalnog blizanca u proizvodnji koji je u mogućnosti da vodi različite operacione procese u dinamičnoj sredini, sa različitiom uslovima i ograničenjima, će postati prirodna pojava poput pilota koji uče na simulacijama leta. Gdje umjetna inteligencija zaista pokazuje svoj potencijal jeste u svojoj mogućnosti da utječe i eksperimentiše sa različitim karakteristikama, kao optimiziranje veličine radne snage, energetske efikasnosti ili maksimalne propusnosti. Iako sve počinje sa računarskim vidom široki spektar mašinskog-učenja i umjetne inteligencije pomaže nam da dokučimo najbolji mogući ishod.
