W minionych latach miał nastąpił szybki rozwój sztucznej inteligencji (AI) związany z zastosowaniem metod głębokiego uczenia. Pozwoliło to na skokowy wzrost możliwości w zadaniach do niedawna uznawanych za domenę człowieka, takich jak widzenie, interpretacja bodźców sensorycznych czy projektowanie. Technologia ta znalazła przełożenie na różne aplikacje w obszarze przemysłu i produkcji. Poniżej przedstawiamy najistotniejsze z zastosowań AI.

Rozpoznawanie defektów i anomalii

Widzenie stanowi chyba najbardziej jaskrawy przykład możliwości AI. Aktualnie algorytmy w wielu zastosowaniach przewyższają możliwości człowieka. W obszarze przemysłowym umożliwia to bardzo precyzyjną i automatyczną identyfikację defektów i anomalii. Tym samym systemy oparte na widzeniu pozwalają na budowę lepszych rozwiązań kontroli jakości. W Polsce istnieją firmy świadczące tego rodzaju usługi, przy czym na wyróżnienie zasługuje zespół Adaptive Vision z Gliwic, który od wielu lat z powodzeniem rozwija własną technologię systemów wizyjnych.

Maszynowe widzenie pozwala na analizę obrazu spoza spektrum światła widzialnego, co daje kolejne możliwości. Wykorzystanie kamer na podczerwień umożliwia pomiar temperatury obiektów. Pozwala to na wskazanie obszarów, gdzie budynki tracą ciepło. Umożliwia również zidentyfikowanie potencjalnych defektów o charakterze mechanicznym (wskutek tarcia) czy wynikających z awarii systemów elektrycznych. Osobny wątek to kamery wielospektralne. Mają one zastosowanie m.in. w rolnictwie. Przykładowo, pozwalają na określenie stanu wegetacji roślin czy też stopnia przydatności owoców do spożycia.

Robotyka

Dzięki wykorzystaniu głębokiego uczenia możliwe jest stworzenie robotów, które, podobnie jak człowiek, mają możliwość widzenia, czucia czy dotyku. Ma to praktyczne zastosowanie i umożliwia budowę robotów, które potrafią rozróżniać obiekty i autonomicznie podejmować proste decyzje – np. rozróżniać kategorie obiektów i sortować je według zadanych kryteriów. Co więcej, zdolność dotyku pozwala na manipulowanie rzeczami delikatnymi lub kruchymi. W Polsce firmą rozwijającą taką technologię jest warszawski Nomagic.

Utrzymanie

W przypadku urządzeń oraz infrastruktury, która jest dobrze opomiarowana czujnikami, AI pozwala na modelowanie działania urządzenia oraz przewidywanie potencjalnych usterek. Istnieje wiele technik pozwalających realizować predictive maintenance, a najbardziej zaawansowane zakładają stworzenie „cyfrowego bliźniaka” analizowanej maszyny, na którym można dokonywać symulacji jej działania zależnie od warunków pracy. Cel to ograniczenie liczby awarii, a tym samym redukcja czasu przestojów. Dzięki temu możliwe jest również lepsze zarządzanie planowanymi przeglądami.

Projektowanie materiałów oraz cząsteczek

Skuteczność AI w zadaniach takich jak rozpoznawanie twarzy czy języka wynika z faktu, że modele głębokiego uczenia potrafią nauczyć się zależności pomiędzy złożonymi obiektami, składającymi się z wielu elementów. Inżynierowie wykorzystują tę cechę AI, aby modelować różnego rodzaju struktury, prototypować związki chemiczne, które mogą stanowić potencjalnie nowe leki, czy też okrywać nowe hipotetyczne stopy metali. Na co dzień naukowcy w działach B+R muszą sprawdzać kolejne warianty cząsteczek i ta praca zajmuje czas. Dzięki AI możliwe jest wstępne sprawdzenie wielu milionów możliwych kombinacji i wyodrębnienie z nich wąskiej grupy tych, które spełniają oczekiwane parametry. Po wykonaniu tej pracy naukowcy mogą się skoncentrować na pracy właśnie z tymi wybranymi kombinacjami. Takie podejście oszczędza czas i pozwala zasugerować rozwiązania niejednokrotnie nieoczywiste dla naukowca. Firmą świadczącą tego rodzaju usługi jest wrocławski Alphamoon.

Optymalizacja procesów

W toku codziennych czynności operacyjnych w systemach IT gromadzonych jest wiele informacji o realizacji procesów w firmie. Często są to tylko logi – potwierdzenie przyjęcia towaru, uruchomienie maszyny, odbicie karty przy wejściu do firmy. Dzięki algorytmom możliwe jest wykorzystanie tego rodzaju danych. Zastosowanie algorytmów umożliwia automatyczne odkrycie faktycznie realizowanego procesu i jego analizę. Pozwala to zidentyfikować, gdzie znajdują się wąskie gardła, gdzie są wykonywane niepotrzebne czynności, jak faktycznie prace realizowane w firmie różnią się od tego, co zostało określone w przyjętych procedurach. Dostawcą tego typu rozwiązań jest 10 Senses, obecne podczas konferencji Przemysł 4.0.

Prognozowanie

W przypadku działań o charakterze powtarzalnym możliwe jest wykorzystanie modeli predykcyjnych do prognozowania przyszłego popytu czy też zapotrzebowania na prace. Przykładowo, modele predykcyjne pozwalają firmom energetycznym przewidywać zapotrzebowanie na energię elektryczną i dzięki temu sprawniej zarządzać mocami produkcyjnymi. Tego typu rozwiązania są stosowane również w innych przedsiębiorstwach komunalnych, operujących przy odpowiedniej skali. W podobny sposób w firmach jest wykorzystywane prognozowanie sprzedaży, co pozwala przedsiębiorstwom lepiej planować logistykę oraz wolumen produkcji.

Łukasz Borowiecki, współzałożyciel 10 Senses, ekspert ds. sektora AI Fundacji Digital Poland