Na umělou inteligenci můžeme pohlížet jako na technologii, která zastupuje část lidského intelektu nebo mu asistuje, násobí ho a výrazně zrychluje. Její využití ve výrobě, které přichází spolu s digitalizací, část lidské práce nahradí, ale přináší i vznik nových, kvalifikovanějších pracovních pozic. Výhody digitalizace ale některé výrobní firmy stále podceňují.
„Zcela zásadní je změna ve strategii a filozofii českých průmyslových firem, z nichž řada je stále řízena první generací porevolučních majitelů a manažerů. Někteří pořád ještě uplatňují obchodní model založený na nízké ceně práce. To je však dlouhodobě neudržitelné. Pro každou firmu je důležitá digitální strategie, která popisuje cíle postupného přechodu na digitální podnik,“ říká Jens Wulf, ředitel prodeje Siemens Digital Industries. Digitalizovat lze podle něj prakticky jakoukoliv část výroby nebo hodnotového řetězce. Vždy je však důležité mít celkovou strategii digitalizace a ujistit se, že každý jednotlivý projekt nebo krok do této strategie zapadá. Jednotlivá řešení, která nenavazují na současné ani budoucí řešení, zpravidla nebývají dlouhodobě přínosná.
Umělá inteligence (AI) výrazně zefektivňuje a optimalizuje širokou škálu procesů a operací, od provozu výrobních linek po meziskladovou přepravu a plánování směn. Pomáhá například s rychlejší detekcí anomálií, predikcí potřeby údržby strojů nebo maximalizací využití prostoru, ať už jde o sklady nebo kontejnery. Svoje místo dnes už ve výrobních společnostech mají technologie pro zpracování přirozeného jazyka, které automatizují vyřizování objednávek, reklamací i faktur. „Svým způsobem je umělá inteligence revolucí. Procesy, které plánovačům a pracovníkům zabraly hodiny nebo dny, trvají chytrému řešení minuty, nebo dokonce vteřiny. Stále ale existuje a bude existovat řada úkonů nebo kontrol, kde je vstup člověka nenahraditelný,“ říká Ondřej Vaněk, spoluzakladatel a CEO společnosti Blindspot Solutions, která je členem nadnárodní skupiny Adastra.
Úspora 840 tisíc eur za přeskládání palet
V logistickém centru společnosti Škoda Auto tak například skladníkům, kteří na základě dosavadních zkušeností vymýšleli kombinace dvou tisíců palet tak, aby se vešly do námořních kontejnerů, pomáhá systém Optikon. Nyní zaměstnanci pomocí tabletu zjistí nejlepší možný plán nakládky. Optikon díky umělé inteligenci do 30 vteřin propočítá úlohu, která má deset na čtyřicátou kombinací, a vygeneruje optimální plán pro to, které palety a jak do kontejneru umístit tak, aby se prostor co nejlépe využil. Aplikace také pomáhá zjistit, zda je nakládána opravdu ta paleta, která má být v daném týdnu expedována, a hlídá rozložení hmotnosti v celém kontejneru. Díky tomuto řešení odjelo za celý rok z logistického centra v Mladé Boleslavi o 300 kontejnerů méně. To představuje sedm vlakových souprav a finanční úsporu 840 tisíc eur. Investice do tohoto systému se tak automobilce vrátila už po půl roce užívání.
Dalším příkladem může být společnost Continental Barum, která chtěla minimalizovat meziskladovou přepravu potřebnou k vyzvednutí všech objednaných pneumatik pro odeslání konkrétní objednávky. Společnost Blindspot proto vyvinula algoritmus distribuce nových pneumatik a webovou aplikaci. Ta navrhuje, kam uložit vyrobené položky tak, aby se minimalizovala budoucí potřeba meziskladové přepravy. Přímo z jednoho skladu tak lze odeslat více objednávek, což omezuje meziskladovou přepravu na minimum, a náklady na dopravu se tak snížily o desítky procent.
Ve výrobě má umělá inteligence místo i v podobě strojového učení. Videoanalytické platformy například mohou v továrnách monitorovat používání bezpečnostních helem a dalších ochranných pomůcek. Mapují také vstupy do zakázaných prostor, požár nebo zranění a upozorní pracovníka sledujícího kamery. Na výrobních linkách je možné pomocí videa například třídit zeleninu podle druhu nebo detekovat shnilé kusy a odebrat je od těch čerstvých.
Předvídání budoucnosti
Silnou zbraní napříč všemi odvětvími je pro AI také predikce. Čím více dat je k dispozici, tím přesnější a lepší předpovědi dosáhne a může s nimi efektivně pracovat. V případě výroby lze predikovat poptávku trhu, spolehlivost dodavatelského řetězce, potřebu naskladňování, přepravy i údržby linek nebo strojů.
Pro predikci je důležitým faktorem sběr dat, a to v dostatečné kvalitě. „V závislosti na konkrétní úloze potřebujeme dat více či méně. Obecně vnímáme, že dat je dostatek, nicméně často jsou zaznamenána s chybami, nekompletní nebo jsou roztroušená po databázích, excelových souborech či izolovaná v dalších datových silách. Konsolidace dat do datových center, čili datových skladů, je pro udržitelné a produkční nasazení pokročilých technik umělé inteligence často nezbytná,“ popisuje Ondřej Vaněk z Blindspot Solutions.
Výrobní společnosti nasazením takových řešení významně šetří náklady. V případě plánování výroby mohou firmy podle Ondřeje Vaňka ušetřit až o 80 procent. Zaměstnanci se věnují práci s vyšší přidanou hodnotou, a výrobce tak snadněji a efektivněji dosahuje svých cílů. Samozřejmě také díky nim drží krok s konkurencí. V neposlední řadě takové technologie pomáhají udržovat know‑how procesů na jednom místě, což je v komplexních provozech zásadní.
Komunikace pomocí internetu věcí
Výběr konkrétních technologií závisí především na jednotlivých společnostech a jejich technickém zázemí. Je samozřejmě dobré myslet na budoucnost a nasazovat do firmy technologie, které otevírají dveře dále a neřeší pouze jeden problém. Někdy může situaci vyřešit čistě softwarové řešení, jindy je vhodné nasadit i technologie z oblasti internetu věcí (IoT – Internet of Things), například senzory, kamery či robotická ramena.
„Neexistuje jednotné řešení, na každý případ užití je vhodná jiná architektura. Umělou inteligenci lze provozovat již na koncových zařízeních (IoT) s pomocí specializovaných čipů, nebo vstupy ze senzorů zpracovávat centrálně na úrovni firemní infrastruktury či cloudu. Možná je i kombinace, kdy například standardní vyhodnocení signálů probíhá na koncovém zařízení, ale samotný model je vyvíjen na serverové infrastruktuře a v koncových zařízeních pravidelně aktualizován,“ popisuje Tomáš Píhrt, manažer týmu Data Science & AI společnosti PwC ČR.
IoT je technologií, která nejenže snímá obrovské množství dat, a dokáže tak automatizovat tradiční výrobní procesy, běžným zařízením ale také umí dát nové schopnosti. Výrobní stroje, dopravníky ve skladu nebo například přepravní palety spolu díky propojení mohou komunikovat, koordinovat se navzájem, a šetřit tak čas a práci lidem. Společnosti mají díky IoT lepší přehled o všech komponentách výrobního procesu, mohou snadněji analyzovat výkon strojů, vyhodnocovat provoz a automatizovat jednotlivé úkoly.
I továrna může mít své dvojče
Tam, kde jednoduše nejde zastavit výrobní procesy, aby bylo možné zeefektivnit výrobu, je možné využít technologii digitálních dvojčat. Ta umožňuje vyzkoušet různé varianty nejprve nanečisto v rámci digitální simulace reálného procesu. Pomocí digitálního dvojčete firma najde optimální řešení a v reálném provozu už jde najisto, bez možných výpadků výrobního procesu. S využitím digitálního dvojčete například automobilka Škoda Auto v loňském roce připravovala instalaci nové robotické stanice, a zkrátila tak realizaci projektu o tři týdny.
Digitální dvojče zahrnovalo 3D model stanice, včetně robotických ramen, senzorové logiky a bezpečnostních prvků. Díky tomu bylo možné věrně nasimulovat všechny mechanické a kinematické vlastnosti zařízení. Softwarové funkce dvojčete dokážou zprostředkovat vzájemnou komunikaci mezi všemi hardwarovými komponenty výrobní linky i jejími softwarově řízenými kontrolními procesy. Pomocí tohoto nastavení technici vyvinuli, otestovali a optimalizovali řídicí elektroniku a také zjistili, kolik prostoru je potřeba pro nové pracoviště. Kromě toho také vyloučili kolizi robotických ramen a vypočítali ideální skladbu výrobního taktu. Digitální dvojče je možné mimo jiné využít i pro školení personálu.
Vysvětlitelná rozhodnutí
Ani umělá inteligence však není dokonalá. Protože se například strojové učení učí vzorce a trendy z historických dat, která mohou obsahovat nechtěné chyby, může se i stroj rozhodnout v určitých situacích nesprávně. Velmi citlivá jsou data zachycující lidské chování, uvažování a další atributy člověka. Nesprávným a necitlivým učením z těchto dat je možné vytvořit takovou AI, která bude diskriminační či zaujatá.
Posledním trendem v této oblasti je vytvoření takzvané vysvětlitelné umělé inteligence. „Jde o mechanismus, který člověku transparentně vysvětlí, jak a proč se AI algoritmus rozhodl. Jde o zásadní přístup primárně v regulovaných oblastech, například v bankovnictví. My ovšem doporučujeme tyto techniky používat všude, kde je to možné. Vysvětlitelnost zvyšuje transparentnost a důvěru v řešení, které používá umělou inteligenci. To vede k vyšší míře adopce a osvojení nových procesů,“ vykládá Ondřej Vaněk.
Podle Ondřeje Vaňka si firmy v současnosti uvědomují potenciál umělé inteligence, ale ještě ani zdaleka jej nevyužívají. Česko co do technologického vývoje a AI nepatří mezi ty, kteří určují trendy, ale ani nezaostává. Společnosti, které se v Česku umělou inteligencí zabývají, jsou v tom, co dělají, opravdu dobré, často průkopnické, ale není jich moc. „V čem jako země pokulháváme, je obecné povědomí o AI, její adopce a její podpora ze strany státu. Dalším faktem je udržování šikovných lidí v tuzemsku. V Česku každý rok dostuduje řada nadaných a ve svém oboru špičkových lidí, které bychom se měli snažit udržet doma. V současnosti se ale řada z nich vydává za hranice a s nimi i jejich know‑how a elán posouvat technologie a trh dál,“ dodává Ondřej Vaněk.
Článek byl publikován ve speciální příloze HN Automatizace a robotizace.
