Umělá inteligence ve výrobním podniku
 x   TIP: Přetáhni ikonu na hlavní panel pro připnutí webu
Reklama

Umělá inteligence ve výrobním podnikuUmělá inteligence ve výrobním podniku

 

Umělá inteligence ve výrobním podniku

Google       Google       16. 2. 2017       2 132×

V tomto článku shrnuji základní poznatky z nasazení inteligentních systémů v podnikové praxi. Jejich aplikace přináší značné výhody ale i řadu úskalí při nevhodném použití.

Reklama
Reklama

Již v počátcích rozvoje strojní výroby si lidé kladli otázku, zda dokáže stroj kromě tělesné práce člověka nahradit i práci duševní, zda dokáže myslet a zda se pak neobrátí proti lidem. Známá je z této doby hra Karla Čapka R.U.R., kde vynálezce vytvořil člověku podobné roboty, kteří se nakonec proti lidem vzbouřili. Po nástupu počítačů nastalo velké očekávání, koncem minulého století měly již existovat myslící počítače. Tyto nereálné představy se nesplnily. Ve svém článku se zamýšlím nad tím, jaké jsou reálné možnosti nasazení inteligentních strojů ve výrobě. Přitom vycházím z vlastních zkušeností.

#### Konec průběžné korektury ####

Může počítač myslet?

Pokud počítačem myslíme čistě hardware, můžeme hned říct, že nemůže. V současné etapě vývoje informačních technologií dokáže počítač pracovat podle návodu, kterému říkáme program a který do něj vložil člověk - programátor. Například když v určitém okénku vyplníme odpracované hodiny zaměstnance a v dalším hodinovou sazbu, jednoduchý program může spočítat celkovou mzdu. Složitější programy na základě dat sejmutých z čidel mohou ovládat zařízení a tak řídit průmyslový procesy, provádět vědecké výpočty a další činnosti

Moderní programové systémy však dokážou modelovat procesy, které probíhají při logickém odvozování, myšlení a rozhodování a které jsou součástí teorie umělé inteligence. Vždy je ale za tím systém, který vytvořil člověk, princip je v tom, že dáváme počítači možnost podle těchto návodů samostatně řešit určité úlohy v rámci stanovených podmínek. Místo abychom mu přesně říkali, co má dělat, dáváme mu jen určité mantinely pro samostatnou činnost. To přináší obrovské výhody ale také značná rizika, kterých si musíme být vědomi.

Metody umělé inteligence

Takových metod je celá řada, já se omezím na ty metody, které byly inspirací pro řešení úkolů, se kterými jsem se setkal.

Expertní systémy

Využívají velkou množinu faktů popisujících reálný svět a množinu znalosti, pomocí kterých odvozují nové skutečnosti a samostatně se přibližují k cíli. Nejznámější jsou systémy hrající šachy, ale také v průmyslové praxi navrhují převodovky a využívají se v chemických analýzách. Z dřívějších článků ukazuje takový systém plošná optimalizace v DelProTab. Zadáme mu tabule a dílce a on si je poskládá co nejoptimálněji. Ve skutečném systému můžeme kdekoliv definovat místa, kde se dílce nesmějí umísťovat, kde umísťovat malé dílce atd.

Oblasti využití

Řešení takových složitých úloh ve strojírenství, kde experti své znalosti dokážou přesně popsat, identifikace poruch, chemické analýzy, geometrické úlohy.  

Výhody nasazení expertních systémů

  • Jakmile vytvoříme bázi faktů, s kterými mohou pracovat a bázi znalostí, které používají k řešení problémů, pracují tyto systémy zcela samostatně
  • Dokážou brát v úvahu i takové okolnosti, na které by člověk nepřišel nebo na které by mohl zapomenout
  • Při řešení problémů nepodléhají lidským omylům, nepodloženým představám apod.
  • Při změně podmínek pouze změníme pravidla, systém zůstává stejný, nemusí se přeprogramovat.

Rizika implementace

  • Báze faktů i báze znalostí musí být úplná a přesná. To vyžaduje kvalitní odborníky s perfektní znalostí prostředí.
  • Stroj může vytvořit takové řešení, které sice odpovídá faktům a znalostem, ale je technicky nerealizovatelné nebo jinak nevhodné.
  • Systém musí být realizován důsledně produkčními pravidly, snaha realizovat znalosti programově vede k značným problémům, každá změna znamená předělání příslušné funkce s rizikem vedlejších efektů. 

Učící se systémy

Tyto systémy dokážou analyzovat nasbíraná data z procesu, nalézt v nich vzájemné vztahy a souvislosti. Data je vhodné předem statisticky zkontrolovat, odstranit tzv. odlehlá data, tj. data, která se příliš odlišují od očekávané hodnoty. Na druhé straně musíme zvážit, jestli taková data nesouvisí s nestandardním jevem, který je třeba ve výpočtu zohlednit. Příkladem takového učícího se systému byl dříve popsaný systém Opthan.

Oblasti využití

Analýzy výrobních dat, vytváření počítačových modelů procesů, optimalizace parametrů procesů, predikce průběhu procesů.

Výhody učících se systémů

  • Automaticky nalezne souvislosti mezi veličinami výrobního procesu, zjištění na čem závisí kvalita výrobků může mít značný ekonomický význam.
  • Může nalézt i takové souvislosti, které člověku uniknou.
  • Eliminuje nevýznamné veličiny, které nemají vliv na celkový výsledek.
  • Dosahují výrazného zvýšení kvality výrobků.

Rizika implementace

  • Pro učení musí mít dostatečný počet dat, data musí být pro všechny odlišné situace - nesmí být například data jen z kvalitních výrobků, musí se střídat s nekvalitními
  • Pokud je dat málo a mnoho proměnných, může to vést k nesprávným výsledkům
  • Data by neměly být vzájemně závislé, například váha materiálu v kilogramech a zároveň v tunách
  • Neuronová síť může uvíznout v lokálním minimu, přičemž může existovat i jiné, mnohem lepší řešení. (Možnému řešení se budu věnovat v některém dalším článku).

Evoluční systémy

Pracují na principu vývoje různých alternativ řešení, které se navzájem ovlivňují, podle hodnocení vytvářejí nové generace alternativ a takovým způsobem se nalezne optimální řešení.

Oblasti využití

Optimalizace logistiky výroby, optimalizace uspořádání zakázek, ukládání paĺet, optimalizace dělení tyčového a plošného materiálu, optimalizace trajektorie (například zapalování a vypínání plazmového hořáku), redukce nutnosti přestavování stroje, optimalizace řezání fólií.

Výhody evolučních systémů

  • V průběhu evolučního procesu se řešení nalezne v ideálním případě automaticky.
  • Pro nalezení řešení potřebujeme pouze hodnotící funkci, to znamená, že jakékoliv nalezené řešení musí systém umět ohodnotit podle zadaného algoritmu.
  • Definovat kriteriální funkci zpravidla není problém, odvodí se od zisku nebo ekonomické ztráty, například odpadu materiálu.
  • Dosahují často velmi vysokých úspor materiálu a nákladů.

Rizika implementace

  • Genetické algoritmy jako nejčastější aplikace evolučních systémů v průmyslu jsou v obecné formě velmi pomalé, nalezení optimálního řešení může trvat tak dlouho, že takový systém je v praxi nepoužitelný 
  • Tento problém se nemusí objevit při ladění, ladíme zpočátku na malém množství dat, a teprve když je systém hotový, může se ukázat v praxi, že je nepoužitelný

Obecná rizika při implementaci inteligentních systémů

Nestačí jen opsat vzorce

Existuje řada učebnic, popisující teorii umělé inteligence. Průmyslové prostředí je však nepoměrně složitější a není možné pouze přeprogramovat naučené vzorce a očekávat automaticky úspěch. Ve skutečnosti všechny mé programy, o kterých jsem se zmiňoval ve svých článcích, z teoretických principů sice vycházely a byly pro ně velkým přínosem, ale jejich aplikace v průmyslovém prostředí představovala řadu měsíců vývoje a přizpůsobování konkrétnímu prostředí.

Příklad: První systém optimalizace dělení materiálu počítal nejobtížnější optimalizaci, umístění desetitisíců položek na tisících profilech, celý víkend. Po půl roce tatáž optimalizační úloha trvala 20 minut. 

Predikce není předpověď

Základem úspěchu predikčního modelu je určitá stabilita prostředí, ve kterém pracuje. Proces nesmí být zcela náhodný. Tak například můžeme predikovat průběh tavicího procesu, pokud známe všechny faktory, které jej ovlivňují, protože předpokládáme, že tavení v peci probíhá vždy podle jistých zákonitosti. Na druhé straně bych nedoporučoval predikovat vývoj kurzu deviz pouze podle jeho minulého vývoje, protože je ovlivněn řadou faktorů, které často nelze předem odhadnout. 

Evoluční systém musí reagovat v přiměřeném čase

Uživatel musí dostat při práci se systémem přiměřenou odezvu. To platí zejména při řízení výrobního procesu v reálném čase.

Příklad: Při válcování profilů přichází profil na dělení v intervalu několika málo minut. Evoluční systém musel tomu být přizpůsobený, aby střihač dostal plán dělení vždy včas.

Riziko nežádoucích rozhodnutí

Takové riziko nastává u všech výše popsaných inteligentních systémů. Vždy totiž zadáváme určité podmínky a pak již systém pracuje samostatně, na jeho činnost již nemáme vliv. Mohou pak nastat situace, které neodpovídají skutečnosti

  • expertní systém může dospět k rozhodnutí takovým způsobem, které v praxi nelze realizovat
  • učící se systém může dospět k takovým závěrům, které neodpovídají skutečnosti, i když vyhovují získaným datům
  • stejně tak evoluční systém může dospět k řešení sice optimálnímu podle kritéria ale zcela nevhodnému k realizaci

Proto vždy doporučuji držet se zásady, že inteligentní systém doporučuje, ale rozhoduje člověk.   

Závěr

Inteligentní systémy ve výrobě mají obrovský potenciál pro rozšíření možností IT systémů, dosažení lepších výsledků snižováním nákladů a zvyšováním kvality výrobků i úspory pracnosti. Existují i určitá rizika při jejich nesprávné aplikaci. Osobně se však nedomnívám, že by došlo ke katastrofickým scénářům vzpoury robotů typu RUR. Inteligentní stroj je pořád stroj, žádnou nenávist samozřejmě necítí.

Určitý problém vidím v něčem jiném. Jakmile vytvořím inteligentní systém a nastavím mantinely, ve kterých se pohybuje, už dále na jeho činnost nemám vliv. Je proto možné, že při chybných mantinelech dojde k naprosto nesprávným výsledkům. Proto, jak jsem již uvedl, sebeinteligentnější systém musí vždy kontrolovat člověk.

Demo programy

Uvedené demo programy jsou dostupné na www.optiintelligent.cz, podle časových možností budu doplňovat dema dalších systémů.

×Odeslání článku na tvůj Kindle

Zadej svůj Kindle e-mail a my ti pošleme článek na tvůj Kindle.
Musíš mít povolený příjem obsahu do svého Kindle z naší e-mailové adresy kindle@programujte.com.

E-mailová adresa (např. novak@kindle.com):

TIP: Pokud chceš dostávat naše články každé ráno do svého Kindle, koukni do sekce Články do Kindle.

Hustodémonsky krutopřísné    
1 hlas
Google
(fotka) Jaroslav TedaAutor se zabývá vývojem inteligentních softwarových systémů ve firmě OPTI Intelligent s.r.o. Publikoval na seminářích včetně mezinárodních i zahraničních a v časopise Automatizace.
Web    

Nové články

Reklama
Reklama
Obrázek ke článku Blockchain & Bitcoin konference

Blockchain & Bitcoin konference

V pátek 19. 5. 2017 se v pražském konferenčním centru Andel’s konala Blockchain & Bitcoin konference. Řada odborníků a podnikatelů v oboru blockchainu a kryptoměn představila možnosti budoucího směřování tohoto oboru. Speakeři většinou rusky mluvící provenience prezentovali řešení svých firem založená na technologii blockchainu.

Obrázek ke článku Malware KONNI se úspěšně skrýval 3 roky. Odhalil ho bezpečnostní tým Cisco Talos

Malware KONNI se úspěšně skrýval 3 roky. Odhalil ho bezpečnostní tým Cisco Talos

Bezpečnostní tým Cisco Talos odhalil celkem 4 kampaně dosud neobjeveného malwaru, který dostal jméno KONNI. Ten se dokázal úspěšně maskovat od roku 2014. Zpočátku se malware zaměřoval pouze na krádeže citlivých dat. Za 3 roky se ale několikrát vyvinul, přičemž jeho současná verze umožňuje útočníkovi z infikovaného počítače nejenom krást data, ale i mapovat stisky na klávesnici, pořizovat screenshoty obrazovky či v zařízení spustit libovolný kód. Pro odvedení pozornosti oběti zasílali útočníci v příloze také obrázek, zprávu a výhružkách severokorejského režimu či kontakty na členy mezinárodních organizací.

loadingtransparent (function() { var po = document.createElement('script'); po.type = 'text/javascript'; po.async = true; po.src = 'https://apis.google.com/js/plusone.js'; var s = document.getElementsByTagName('script')[0]; s.parentNode.insertBefore(po, s); })();
Hostujeme u Českého hostingu       ISSN 1801-1586       ⇡ Nahoru Webtea.cz logo © 20032017 Programujte.com
Zasadilo a pěstuje Webtea.cz, šéfredaktor Lukáš Churý