Niwelowanie luki w umiejętnościach SI dla producentów maszyn

Fot.rawpixel.com / pl.freepik.com

Potrzeba nam więcej wiedzy, aby wykorzystać sztuczną inteligencję (SI) w aplikacjach uczenia maszynowego (UM). Przedstawiamy cztery sposoby na poprawę edukacji w zakresie sztucznej inteligencji i uczenia maszynowego.

Niewiele firm przemysłowych dysponuje wystarczającą liczbą fachowców od sztucznej inteligencji (SI). Sztuczna inteligencja zmieni oblicze wielu zawodów, a firmy powinny zapewnić każdemu pracownikowi wiedzę, której potrzebuje, aby mógł dostosować się do nowych ról opartych na SI. Zasoby SI pomagają we wdrażaniu nowych modeli biznesowych i lepszych usług. Do tego niezbędna jest akceptacja użytkowników. W ciągu ostatniej dekady projektowanie, rozwój i wdrażanie SI rozszerzyło się w wielu sektorach. Organizacje zmagają się ze zrozumieniem potencjału biznesowego SI oraz ze znalezieniem utalentowanych pracowników.

Coraz więcej krajów dostrzegło możliwości, jakie daje sztuczna inteligencja, i przygotowało narodową strategię jej wdrażania. W 2017 roku Finlandia była jednym z pierwszych krajów, które uruchomiły program dotyczący sztucznej inteligencji. Celem programu było uczynienie z Finlandii lidera w zakresie jej zastosowania. Fiński program zidentyfikował niewielką część firm jako prekursorów we wdrażaniu SI; większość firm jest na wczesnym etapie wykorzystywania danych i SI w operacjach.

Jak rozwiązać problem niedoboru umiejętności w zakresie SI

Sposobem na rozwiązanie problemu luki w umiejętnościach SI jest zwiększenie środków na edukację informatyki i matematyki oraz poszerzanie wiedzy technicznej w ogóle. Obecny system edukacyjny w Finlandii nie poświęca jeszcze wystarczającej uwagi stosowaniu SI w różnych dziedzinach. Programy akademickie i szkoleniowe nie są w stanie nadążyć za szybkim tempem innowacji w tym zakresie. Edukacja w tym kierunku powinna rozpoczynać się wcześnie i odbywać się na każdym etapie kształcenia. Środowiska akademickie, firmy i urzędnicy sektora publicznego muszą współpracować i zapewnić dostępność kompleksowych programów nauczania. Masowe, otwarte kursy online (MOOCs) pokazują pewien trend i są dobrym przykładem nowoczesnego sposobu na kształcenie mas w zakresie podstawowej wiedzy o SI. Głębsze zrozumienie wymaga jednak często modułów edukacyjnych dostosowanych do potrzeb. Pod względem wykorzystania SI i UM sektor produkcyjny pozostaje obecnie w tyle w porównaniu z wieloma innymi branżami. Adaptacja nowych technologii, szczególnie w branżach procesowych, wymaga pedantycznego planowania, które jest czasochłonne. Firmy mają długą historię w optymalizacji produkcji; czas życia inwestycji może trwać dziesiątki lat, dlatego zmian nie można wprowadzać szybko. Ponadto przepisy dotyczące bezpieczeństwa i ochrony środowiska wymagają ścisłego zarządzania. Opierając się na szacunkach sektorowych indeksu wpływu SI, firma PwC [wcześniej znana jako PricewaterhouseCoopers, firma świadcząca usługi profesjonalne – przyp. tłum. ] szacuje, że do 2023 r. poszczególne sektory przemysłu mogą zwiększyć marże operacyjne (tzn. ile z każdego euro przychodów pozostaje po uwzględnieniu zarówno kosztów sprzedanych towarów, jak i kosztów operacyjnych) o 60–100%. Różnice w kształtach „krzywej wzrostu SI” dla poszczególnych branż odzwierciedlają wpływ dwóch czynników: 1) szybkości, z jaką branże są w stanie przyjąć różne aplikacje SI, oraz 2) rozwoju rozwiązań SI w celu sprostania problemom biznesowym specyficznym dla danej branży.

Korzyści i bariery związane z SI w produkcji

W branży produkcyjnej oczekuje się, że krótkoterminowe korzyści będą pochodziły głównie z automatyzacji procesów i rozwiązań opartych na wydajności. W perspektywie średnioterminowej bardziej złożone procesy mogą zostać zautomatyzowane, ponieważ inteligentna automatyzacja oferuje znaczny potencjał, a konserwacja predykcyjna i aplikacje do optymalizacji dodatkowo zwiększają wydajność. Wzrost produktywności dzięki SI i UM zależy nie tylko od wprowadzenia samej technologii. Konieczna jest również zmiana organizacji pracy i zwiększenie wiedzy pracowników.

Badania pokazują, że największą barierą w adopcji SI i UM jest luka w umiejętnościach. Najczęściej w ankietach mowa jest o umiejętnościach technicznych potrzebnych do tworzenia rozwiązań SI i UM. Największa luka w umiejętnościach w zakresie SI i UM obejmuje jednak całą organizację. Raport końcowy Fińskiego Programu Sztucznej Inteligencji wskazał, że na podstawie jego badania Finlandia posiada wysokiej jakości edukację dla osób dążących do bycia specjalistami SI (technologie informacyjne, matematyka), ale istnieje luka w dziedzinie aplikatorów SI. W tych dziedzinach następstwa wprowadzenia SI byłyby widoczne najszybciej. Grupa robocza stwierdziła, że aby osiągnąć ambitne cele związane z tą technologią, najważniejsze jest zapewnienie wszechstronnej edukacji, inwestowanie w nowe metody kształcenia oraz tworzenie programów przyciągających talenty do Finlandii.

Ciągłe kształcenie pracowników jest wyzwaniem, a różne działania i mechanizmy mogą rozwiązać te problemy. Krytycznym czynnikiem jest zwiększenie świadomości i wiedzy kierownictwa w zakresie możliwości SI, aby zapewnić wystarczający wkład w nowe, elastyczne metody kształcenia.

Wymagania dotyczące kompetencji pracowników

Na wymagania dotyczące kompetencji pracowników mają wpływ zmiany w zapotrzebowaniu na pracę na rynkach pracy. Zapotrzebowanie na nowe talenty rośnie w szybkim tempie w obszarach, w których SI będzie rozwijana i stosowana. Tego zapotrzebowania nie da się zaspokoić za pomocą zwykłej ścieżki edukacyjnej. Potrzebne są nowe operacje i mechanizmy, które pomogą efektywnie podnosić umiejętności istniejących pracowników. Znaczna część kompetencji pracowników opiera się na uczeniu się w miejscu pracy, więc firmy ponoszą większą odpowiedzialność za rozwój kompetencji. Firmy aktywnie poszukują sposobów na reedukację pracowników wewnętrznie lub we współpracy z innymi firmami.

Istnieje wiele podejść do edukacji, ale niewiele jest metod uczenia się w miejscu pracy w kontekście Przemysłu 4.0. Organizacje potrzebują odpowiedniej strategii oceny wyników i odpowiedniego szkolenia pracowników z wykorzystaniem samoregulacji, refleksji, współpracy i nauczania hybrydowego, aby obniżyć ryzyko wykluczenia pracowników ze środowisk Przemysłu 4.0. Organizacje bez odpowiedniego szkolenia ryzykują negatywny wpływ na wydajność produkcji, różnorodność i jakość produktów. Firmy muszą wyposażyć istniejących specjalistów w umiejętności z zakresu SI, aby mogli oni zastosować swoją wiedzę w świecie napędzanym przez SI.

Potwierdza to badanie Future Workplace i The Learning House z 2018 r., w którym podkreślono, że szkolenie siły roboczej w zakresie umiejętności SI i UM może być skutecznym sposobem na wypełnienie luki w umiejętnościach. Letmathe & Schinner (2017) stwierdzają, że sukces pracowników będzie zależał od elastyczności i kompetencji rozwiązywania problemów, a także gotowości do angażowania się w uczenie się przez całe życie; w przeciwnym razie pracownicy nie będą w stanie nadążyć za wymaganymi zmianami w ich miejscach pracy i procedurach pracy. To wyzwanie może również wyjaśniać, dlaczego wiele firm niechętnie inwestuje w systemy cyberfizyczne (CPS), które często obejmują sztuczną inteligencję. Zarządzanie kompetencjami na poziomie organizacyjnym, jak również reforma edukacji publicznej są ważnymi czynnikami dla wprowadzenia CPS.

Cykliczny rytm projektów z zakresu sztucznej inteligencji i uczenia maszynowego (SI/UM), przedstawiony w Akademii Uczenia Maszynowego firmy Dimecc. | Grafika: Dimecc Ltd.

Studium przypadku: Zajęcia z uczenia maszynowego

Bezpłatne i ogólne szkolenia on-line na temat SI i UM są dostępne u głównych dostawców technologii (takich jak IBM, Microsoft, Amazon i Google) lub w ramach MOOCs organizowanych przez znane uniwersytety. Przykładem jest Elements of SI, 6-modułowy kurs on-line stworzony we współpracy z fińską firmą technologiczną Reaktor Ltd. Z Uniwersytetem w Helsinkach. Zazwyczaj celem tego typu szkoleń jest „demistyfikacja SI”, aby zachęcić szeroką grupę ludzi do nauki, czym jest SI, do czego można ją wykorzystać i jakie są jej ograniczenia.

Machine Learning Academy (UMA) z Dimecc Ltd., przygotowany we współpracy z Futurice Ltd., jest ukierunkowanym i dostosowanym do branży podejściem do zamknięcia lub przynajmniej zmniejszenia luki w kompetencjach SI. Pierwszy kurs skupił się na fińskim przemyśle produkcji maszyn jesienią 2018 roku. Drugi kurs został zamknięty pod koniec kwietnia 2019 roku. Inicjatywa ta została również wymieniona w raporcie końcowym Fińskiego Narodowego Programu SI jako innowacyjny przykład edukacji związanej z SI. Podstawowa grupa docelowa UMA składa się z nadzorców i inżynierów ds. badań i rozwoju (R&D), a także właścicieli firm i produktów, którzy zarządzają i/lub uczestniczą w projektach rozwoju SI/UM. Aby odnieść sukces w tych zadaniach, muszą oni zrozumieć, jak określić, zaplanować, ocenić i zarządzać rozwojem lub insourcingiem podjednostek, które zawierają elementy SI i UM. Na przykład, dla inżynierów R&D ważne jest, aby zrozumieć, jak wprowadzenie tych nowych technologii zmieni możliwości, granice, harmonogramy i interfejsy ich procesów rozwoju produktu. Po zakończeniu kursu uczestnicy będą rozumieć podstawy SI i UM, a także będą potrafili rozpoznawać i zarządzać zadaniami rozwojowymi, które mają na celu wykorzystanie nowych metodologii.

UMA składa się z siedmiu całodniowych modułów szkoleniowych wraz z materiałami pomocniczymi, ćwiczeniami i zadaniami domowymi. Szkolenie rozpoczyna się od tematów wysokiego poziomu, takich jak przegląd typowych sterowników biznesowych i przykładów zastosowań UM. W bardziej technicznych modułach omawiane są metodologie UM (uczenie nadzorowane, uczenie nienadzorowane i głębokie uczenie), a następnie zrozumienie danych i etyka SI. Szósty moduł pomaga uczestnikom zrozumieć, jak realizowane są rzeczywiste projekty SI/UM. Ostatni moduł zawiera przegląd projektów kursowych. W trakcie kursu wprowadzane są różne rodzaje modeli biznesowych i technicznych, które są wykorzystywane jako narzędzia do nauki. Ich głównym celem jest pomoc uczestnikom w zrozumieniu, na czym powinni się skupić i z jakimi interesariuszami współpracować w różnych fazach projektów data science. Na przykład kanwa „Cel biznesowy i kontekst” używana w pierwszym module kieruje jej użytkowników do współpracy z właścicielami biznesowymi i tymi, którzy finansują projekt, podczas odpowiadania na pytania, takie jak: „Jaki jest cel biznesowy [tego projektu]?’ i ‚Jak to pasuje do naszej strategii biznesowej?”.

W typowym projekcie z zakresu data science często wykorzystuje się interdyscyplinarną wiedzę zespołu projektowego. Biorąc pod uwagę główną grupę docelową UMA, nie jest zaskakujące, że uczestnicy docenili możliwość lepszego zrozumienia, w jaki sposób projekty UM mogą napędzać i kształtować rzeczywisty wpływ na biznes. Cenione były również tematy związane z przygotowaniem i prowadzeniem praktycznych projektów UM, takie jak przygotowanie danych (zbieranie, czyszczenie, wstępne przetwarzanie, filtrowanie, analizowanie itp.) oraz porównanie różnych metod UM. Według jednego z uczestników: „Często wykonujemy dużo pracy tylko po to, aby przekonać się, że utknęliśmy z niewystarczającymi danymi”.

Studenci planują i precyzują projekt UM

Podczas kursu UMA od uczestników oczekuje się zaplanowania i sprecyzowania prawdziwego projektu uczenia maszynowego. Moduły kursu są ułożone w taki sposób, że ich zawartość podąża za przepływem typowego projektu UM (patrz rysunek). Organizacja kursu zapewnia uczestnikom kilka okazji do przedyskutowania swoich projektów z wykładowcami i innymi studentami oraz podzielenia się uwagami i porównania swoich podejść. Aby wykonać zadanie projektowe, uczestnicy muszą również uzyskać wkład od różnych wewnętrznych interesariuszy, takich jak właściciele biznesu i procesów, twórcy technologii i menedżerowie produktu. W miarę jak tematy związane z projektem są wprowadzane i poruszane w trakcie kursu, uczestnicy są zachęcani do angażowania się z tymi interesariuszami i uzyskiwania ich zaangażowania w nowe podejście. Celem jest, aby pod koniec kursu każdy uczestnik posiadał specyfikację projektu, z którą kluczowi interesariusze są już zaznajomieni i która jest wystarczająco szczegółowa, aby rozpocząć wewnętrzny projekt rozwoju lub pozyskać go od zewnętrznego dostawcy. W ostatnim module każdy uczestnik prezentuje projekt kursowy.

Chociaż pierwsi uczestnicy kursu UMA pochodzili głównie z działu badań i rozwoju, tematyka projektów obejmowała różne funkcje wewnętrzne: finanse (inteligentne prognozowanie gotówki, analiza ryzyka klienta), sprzedaż (ustalanie cen i narzędzi, automatyczne generowanie ofert), produkcję (inteligentne planowanie, kontrola procesów w celu optymalizacji jakości), obsługę klienta (konserwacja predykcyjna i zapobiegawcza) oraz zasoby ludzkie (ulepszony rozwój kompetencji poprzez analizę rynku pracy).

Projekt terenowy SI dla uczenia maszynowego

Konkretnym przykładem był projekt terenowy firmy Ponsse Plc, który koncentrował się na usługach posprzedażowych, w szczególności na konserwacji w terenie sprzętu żniwnego – UM został wykorzystany do rozpoznania potrzebnego interwału wymiany oleju. Olej hydrauliczny i filtry są obecnie wymieniane w stałych odstępach czasu, mniej więcej co 1800 godzin, a zoptymalizowanie interwału wymiany oznaczałoby znaczne oszczędności. UMA trwa około trzech miesięcy kalendarzowych, a planowany całkowity wysiłek uczestników, w tym praca nad projektem, wynosi 100 godzin roboczych. Informacje zwrotne i doświadczenia z pierwszych dwóch kursów UMA sugerują, że jest to wystarczająca ilość czasu, aby osiągnąć zaplanowane cele edukacyjne, w zależności od zdolności uczestników do nauki w połączeniu z ich codziennymi obowiązkami.

Projekt kursu wydaje się być dobrym sposobem na skonkretyzowanie nauki i uzyskanie zaangażowania różnych interesariuszy. Luka w umiejętnościach w zakresie wdrażania i szkolenia UM ma wpływ na przemysł wytwórczy i maszynowy. Chociaż luka w umiejętnościach prawdopodobnie pozostanie w przewidywalnej przyszłości, istnieje wyraźna potrzeba dostosowania programów szkoleniowych SI/UM, aby pomóc firmom w rozwoju pracowników i zachęcić ich do rozpoczęcia eksperymentów z SI.

Cztery sposoby na poprawę jakości nauczania SI/UM

Zalecenia mające na celu pomóc firmom, środowiskom akademickim i rządom w szkoleniach z zakresu SI i UM:

1. Opracuj program nauczania dostosowany do potrzeb twojej branży. Zamiast próbować ogólnie konkurować w SI z wiodącymi firmami technologicznymi, np. Google, lepiej zostać wiodącą firmą SI w swoim sektorze przemysłu, w którym rozwijanie unikalnych możliwości tej technologii pozwoli uzyskać przewagę konkurencyjną. To, jak SI wpłynie na strategię Twojej firmy, będzie zależało od branży, firmy i sytuacji.

2. Skup się na kształceniu całego personelu firmy. Zamiast tworzyć oddzielne jednostki SI w organizacji, zalecamy, aby kompetencje i zrozumienie technologii były zwiększane na wszystkich szczeblach – od poziomu zarządzania do hali produkcyjnej. Ta sama zasada obowiązuje na poziomie społeczeństwa.

3. Szkolenia z zakresu SI powinny zachęcać do konkretnych projektów pilotażowych i przypadków użycia. Należy opracować programy szkoleniowe w zakresie SI, które zachęcają do konkretnych projektów pilotażowych i przypadków użycia. Pomaga to przekształcić koncepcje SI w wartość praktyczną.

4. Reforma istniejącej edukacji publicznej. Zbadanie możliwości wprowadzenia bonu na edukację SI lub konta edukacyjnego, które stymulowałyby funkcjonowanie rynku edukacji dorosłych. Zwiększenie liczby internetowych kursów szkoleniowych i otwartych kursów uniwersyteckich dla wszystkich. Zintegrowanie edukacji SI również z programami szkół zawodowych.


Antti Karjaluoto jest specjalistą ds. przełomowej odnowy; Arto Peltomaa jest kierownikiem programu; Risto Lehtinen jest szefem działu współtworzenia w firmie Dimecc Ltd., która jest członkiem Industrial Internet Consortium, partnera merytorycznego CFE Media and Technology. Redagował Mark T. Hoske, kierownik ds. treści, Control Engineering, CFE Media and Technology, mhoske@cfemedia.com.