Translated with permission from ‘’AI in Manufacturing: Hype or Helpful?’’, by Christoph Roser on All About Lean.
Postoji veliki hype oko bilo čega vezanog za računare u proizvodnji. Napisao sam nekoliko upozoravajućih članaka o trendu Industrije 4.0. Ovaj članak ulazi dublje u umjetnu inteligenciju (AI). Vjerujem da postoje moguće primjene umjetne inteligencije u proizvodnji, ali trenutno su još uvijek rijetkost. U ovom članku želim pričati malo o tom hype-u, ali također želim predstaviti nekoliko primjera gdje umjetna inteligencija zapravo funckioniše. Dozvolite mi da vam pokažem:
Uvod
Umjetna inteligencija je inteligencija kod mašina, za razliku od inteligencije kod ljudi ili životinja. Ova definicija, nažalost, ima neke sive zone. Treba li vam inteligencija da izračunate kvadratni korijen iz 15 129? Naravno! Ali računar to može uraditi mnogo brže, i dati će vam rezultat (123) prije nego vi uopšte pročitate drugu cifru ovog broja. Međutim, to ne znači da je računar inteligentan. Zapravo, neki drugi čovjek je programirao logiku računanja kvadratnih korijena, i računar samo prati tu logiku. Ovo se obično ne smatra umjetnom inteligencijom. Drugi primjer, šahovski računari. Bilo koji pristojan program danas može poraziti većinu ljudskih igrača. Međutim, (uz nekoliko izuzetaka) većina šahovskih računara jednostavno koristi ogromnu računarsku moć da analiziraju milione mogućih budućih poteza, a zatim izaberu onaj koji najviše obećava. Dok neki ovo smatraju umjetnom inteligencijom, za mene je to i dalje dobro računanje.
Lično smatram umjetnom inteligencijom računarski sistem koji je sposoban učiti. Kod umjetne inteligencije, nije čovjek onaj koji uvodi pravila, to radi sam sistem na osnovu podataka koje ima. Ali onda, izgleda da se mnogi AI istraživači poprilično ne slažu međusobno kada definiraju svoja polja, i postoji nekoliko konfliktnih definicija koje su dali ljudi koji znaju mnogo više o umjetnoj inteligenciji od mene (za više definicija, provjerite Wikipedia).
Koliko je velik hype?
Umjetna inteligencija je definitivno popularna tema. Postoji preko 3 miliona akademskih radova na Google Scholar koji spominju umjetnu inteligenciju, uključujući preko 200 000 članaka o ovoj temi. Malo preko jednog miliona članaka je samo o proizvodnji, od kojih je 22 000 sažetaka. Definitivno je popularna tema (uz nekoliko izuzetaka navedenih ispod). Mediji se vežu na ovu temu još više, Google News daje preko 100 miliona novinskih članaka o umjetnoj inteligenciji. Siguran sam da i vi redovno nailazite na vijesti vezane za umjetnu inteligenciju. Ali pored svog tog hype-a, još nisam vidio mnogo umjetne inteligencije u proizvodnji ili logistici.
Kina pokušava da postane veliki igrač u oblasti umjetne inteligencije, i također objavljuju značajan broj radova. Njihovi zakoni o privatnosti (ili nedostatak istih) pruža im mnogo podataka pomoću kojih mogu trenirati svoje neuronske mreže i ostale algoritme. Samo u 2021. godini objavili su preko 500 članaka o umjetnoj inteligenciji u proizvodnji. Međutim, uprkos svim tim objavama, vrlo malo ovih članaka ima praktičnu primjenu; uglavnom je to teoretske prirode i apstraktno istraživanje previše udaljeno od realnosti u radionicama. Osim toga, većina članaka je nejasna u vezi detalja o podacima koje koriste, i drugim istraživačima to se čini kao nepoznata i neprovjerljiva crna kutija. U konačnici, vrlo je malo primjene u stvarnom svijetu za umjetnu inteligenciju u radionicama koje nisu samo demonstracije ili predstava.
Konsultanti i provajderi drugih usluga su uvijek u potrazi za novom popularnom riječi ili frazom koja će ih odvojiti od konkurencije (npr. ‘’Industrija 4.0) i umjetna inteligencija nije izuzetak. Značajan broj konsultantskih društava gura umjetnu inteligenciju kao prodajni argument, iako se rad i dalje obavlja pomoću konvencionalne matematike koju izvode analitičari. U većini slučajeva, umjetna inteligencija je samo prodajni argument. Mnogo umjetne inteligencije u prezentacijama, ali vrlo malo u implementaciji. To izgleda kao česta greška koja se javlja i u leanu: klijent počne sa rješenjem (umjetna inteligencija ovdje ili kanban u leanu) i onda traži problem koji će riješiti. Molim vas, uvijek počnite sa problemom, i ne ograničavajte se na odabrana rješenja, jer možete propustiti bolje rješenje koje vam samo nije na radaru od početka.
Umjetna inteligencija je zahtjevna
Umjetna inteligencija nije jednostavna. Vrlo kompleksni problemi su često vrlo zahtjevni. Uzmite za primjer samovozeće auto. Milijarde su potrošene na istraživanje, a i dalje nema potpuno autonomnog automobila dostupnog na tržištu. I, po mom mišljenju, navigiranje proizvodnog plana u radionici je vjerovatno kompleksno koliko i navigiranje drumskog vozila. Slično, postoje visoka očekivanja u pogledu pouzdanosti i performansa. Samovozeći auto koji ne pravi sudare 95% vremena nije dovoljno dobar, kao što nije dobar ni proizvodni sistem koji proizvodi ispravne komade 95% vremena. Po mom mišljenju, umjetna inteligencija je još uvijek ograničena na vrlo mali dijapazon primjene, mada se taj dijapazon širi.
Gdje umjetna inteligencija već može pomoći? Primjeri implementacije
Veliki dio umjetne inteligencije je za sada samo hype, ili samo obećanje nečega u budućnosti. Međutim, postoje uspješne primjene umjetne inteligencije u proizvodnji. One rade ono što (po mom mišljenju) umjetna inteligencija radi najbolje: posmatraju ogromne količine podataka i daju im neki smisao. U nekom smislu, umjetna inteligencija je dobra sa mnoštvom podataka, gdje obične metode obično zakažu. Pokazati ću vam nekoliko uspješnih aplikacija umjetne inteligencije u proizvodnji na koje sam naišao.
Jedno od ovo dvoje je optičko prepoznavanje. Optičko prepoznavanje likova je danas često, i možda već imate software na računaru ili mobitelu na kojem čitate ovaj članak. (Toliko je često da istraživači to više i ne smatraju umjetnom inteligencijom). Ali postoji mnogo potrebe za optičkim prepoznavanjem u industriji. Na primjer, Amazon koristi umjetnu inteligenciju da identifikuje broj i tip predmeta na policama njihovih pokretnih skladišnih jedinica. Slika lijevo je jedna takva slika koju AI analizira. AI mora uporediti sliku sa predmetima koji bi trebalo da se tu nalaze, uključujući količinu, i da prijavi bilo kakva odstupanja.
Još jedan primjer je pronalazak kvarova na tiskanim pločicama i sličnim aplikacijama. Julian Senoner i njegov tim u EthonAI koriste umjetnu inteligencije za više od same detekcije ispravnosti tiskane pločice. Ako je proizvod neispravan, AI također generiše toplotnu mapu kako bi pokazao korisniku koji dio tiskane pločice je pokvaren.
Prepoznavanje uzoraka ne mora biti ograničeno na optičko prepoznavanje. The Atlantis Foundaries u Južnoj Africi je prethodno koristio konvencionalnu optimizaciju za smanjivanje postotka kvarova. Kroz naporan rad smanjili su postotak kvarova sa 15% na 6%. Međutim, ovo i dalje nije bilo dovoljno dobro. Iskoristili su pomoć konsultantskog društva u vezi sa umjetnom inteligencijom, koje je analiziralo zapanjujućih 185 procesnih varijabli koristeći mnoštvo historijskih proizvodnih podataka upotrebom umjetne inteligencije. Prvo je AI naučio kako da predvidi kvalitet. Na bazi ovoga AI je napravio preporuku o tome koje postavke treba koristiti da bi se kvalitet poboljšao. Stope kvarova pale su ispod 2% i čak su imali i neprikosnovenih nula kvarova tri mjeseca za redom.
Sve u svemu, umjetna inteligencija se čini korisnom ako imate mnogo podataka o mnogo ponavljanja (npr. mnogo izmjerenih varijabli za mnogo napravljenih proizvoda) iz kojih AI može učiti, i gdje 100% preciznost nije neophodna (i AI griješi). Često su ovo vrlo uski problemi, nepogodni za šire i visoko kompleksne probleme (koji proizvod kada trebam proizvesti). Također, ne očekujte da vam AI kaže zašto je napravio tu i tu odluku, budući da većina neuronskih mreža ne pruža tu informaciju. U svakom slučaju, nemojte na bilo koji problem koji imate bacati umjetnu inteligenciju, i magično očekivati rješenje. Počnite sa problemom! Sada, idite, koristite svoju inteligenciju (umjetnu ili neku drugu) i organizujte svoju industriju!
