Výroba bude efektivnější, velké jazykové modely pomohou s její přípravou a plánováním

Představte si, že budeme moci pouze zadat požadavek na výrobu určitého produktu v daném množství a systém automaticky navrhne konfiguraci výrobních linek, operací a digitálních dvojčat pro celý výrobní proces. To je vize plně flexibilní a automatizované výroby pomocí nástrojů umělé inteligence. V budoucích továrnách už manuální příprava výrobních linek nebo nastavování digitálních dvojčat čili virtuálních modelů reálných zařízení, na nichž lze simulovat jejich fungování, nebudou dostatečně efektivní.

Generativní plánování se opírá o umělou inteligenci a algoritmy a místo tradičního manuálního plánování se spoléhá na data, optimalizační algoritmy a simulace. Algoritmy analyzují data z různých zdrojů, jako jsou výrobní plány, technické výkresy, informace o materiálu, provozních parametrech strojů a zákaznických požadavcích, a na jejich základě generují různé varianty výrobních procesů.

„Vize flexibilní a automatizované výroby je tu s námi už od třetí průmyslové revoluce. Tak jako tehdy je určena hlavně flexibilitou výrobního zařízení po stránce jak hardwarové, tak softwarové. Zejména v té druhé mají generativní nástroje umělé inteligence velký potenciál,“ říká František Koblasa z katedry výrobních systémů a automatizace Fakulty strojní Technické univerzity v Liberci.

Firmy, které do své výroby integrují nástroje automatizace a AI, mají před konkurenty výhodu. „Na jedné straně je tu firma s autonomními roboty, AI chatbotem a využívající robotickou automatizaci procesů, na druhé firma, která má sice zkušené zaměstnance, ale nemá standardizované ani základní procesy. Té druhé by generativní AI s velkým jazykovým modelem mohla pomoci na stejnou úroveň snadněji v porovnání s první firmou, která musela tu cestu absolvovat se všemi úskalími skoro před deseti lety bez AI,“ říká František Koblasa.

Ve výrobě se smažou bariéry

Ve výrobě je podle něho možné generativní technologie a jazykové modely využívat při vedení a zaškolování zaměstnanců a personifikaci výrobního procesu. Mohou totiž částečně smazat bariéry nejen ve vzdělání, intelektu či tělesných dispozicích, ale také v kulturních a jazykových rozdílech. „Člověk je stále nejflexibilnějším prvkem výroby a zároveň prvkem nejvíce se bránícím změnám. Tuto nevýhodu lze eliminovat osobním přístupem AI. Příkladem může být zkušený zaměstnanec údržby, který nalezne defekt na zařízení. Jeho interpretace defektu však neumožňuje jeho přesný popis a následnou analýzu vedoucí k odstranění příčiny problému ve výrobním procesu. Jazykový model a generativní technologie může usnadnit tento defekt spolu se zaměstnancem popsat a nalézt jeho příčinu,“ říká Koblasa.

Jiný AI nástroj může vytvořit montážní návod pro operátora na základě analýzy podobnosti již existujících výrobků a pracovních postupů. „Stejně tak může vytvořit časovou normu práce či ergonomický audit. Podobně může být vytvořen program pro CNC stroj nebo simulační model výroby bez detailní znalosti CNC programování či obsluhy konkrétního simulačního nástroje,“ popisuje již publikované laboratorní případové studie František Koblasa.

Využití: vojenská loď i retrofitting baterií

Problematikou flexibilní výroby a řízení složitých a neustále se měnících systémů se dlouhodobě zabývá Petr Kadera, vedoucí skupiny Inteligentní systémy pro průmysl z Českého institutu informatiky, robotiky a kybernetiky. Klasické řídicí systémy v továrnách fungují na základě předem definovaných algoritmů, ale v dynamickém prostředí, jako je například chladicí systém na válečné lodi, je potřeba pružnější řešení.

„Původně byl systém ovládaný lidskou posádkou. Kapitán nebo nějaký velící důstojník říkal, kdy má kdo otevřít jaký ventil, aby se systémy správně chladily s ohledem na možné aktuální poškození způsobené bojovou misí. Samozřejmě automatizace zasáhla i do této oblasti, ale nebylo možné použít klasický řídicí systém, jaký známe z továren. Flexibilní přístup znamenal rozdělení složitého systému na jednotlivé komponenty s určitými rozhraními a schopnostmi. Tyto komponenty pak vzájemně komunikují a řeší specifické úkoly na základě aktuální situace,“ vysvětluje Kadera.

Tento přístup se v posledních letech začal prosazovat i v oblasti výroby, například při retrofittingu baterií z elektroaut. Moduly z použité baterie z elektromobilu lze využít pro velkokapacitní stacionární akumulátory určené pro stabilizaci energetické sítě. „Každá baterie je po letech používání v unikátním stavu a my musíme dynamicky vytvářet výrobní postup na míru,“ říká Kadera. K tomu se právě hodí využívání velkých jazykových modelů rozšířených o vazbu na další systémy, aby člověk nemusel pokaždé ručně přeprogramovat robota.

Petr Kadera se také účastní experimentálního projektu souvisejícího s testováním bezpečnosti elektráren. Jejich obsluha má k dispozici příručky podobné těm, které používají piloti v letadlech. V těchto příručkách jsou popsány symptomy a kroky, které je třeba provést, aby se obsluha mohla držet plánu a nemusela improvizovat. Elektrárny zároveň využívají simulační modely, které jsou často založené na starších programovacích jazycích z osmdesátých let.

„Velké jazykové modely jsou v tomto případě velmi užitečné, protože dokážou převést slovní popis úkolů, které má obsluha vykonat, do zadání pro simulační modely. Tímto způsobem můžeme jednoduše otestovat, jak elektrárna reaguje na různé zásahy, a můžeme tak otestovat mnohem více variant než při ručním přepisování,“ říká Petr Kadera.

Nedostatek tréninkových dat

Další zajímavou oblastí spojenou s AI je její potenciál nahradit automatické plánování. Myšlenka spočívá v tom, že se bude učit, jak různé entity, ať už lidé, nebo stroje, reagují na určité situace a jaké akce provádějí při různých vstupech. Petr Kadera se nicméně domnívá, že nejde o náhradu za tradiční metody automatického plánování.

„Pro ilustraci uvedu jednoduchý příklad z výroby automobilů. Počet různých variant automobilu Škoda Octavia je mnohem vyšší, než kolik se jich reálně vyrábí. Variant mohou být desítky nebo stovky miliard, ale reálně se vyrobí jen kolem milionu kusů jednoho modelu auta. Nemáme tedy dostatek dat pro kvalitní trénink těchto velkých jazykových modelů,“ říká Petr Kadera.

Navíc mnoho věcí, které je třeba plánovat, ještě nikdy nebylo realizováno, takže neexistují reálné scénáře, na kterých by bylo možné model trénovat. „Většina potenciálních výrobků nikdy nebyla vyrobena. Z tohoto pohledu se domnívám, že velké jazykové modely nepředstavují univerzální řešení pro všechno,“ dodává.

AI vytvoří výrobní dokumentaci

Velké jazykové modely ale mohou být dobrým doplňkem při plánování a mohou pomáhat tvořit zadání, jak efektivně používat stávající metody. V budoucnu možná ani nebude nutné výrobní linky nastavovat ručně a jen zadáme ChatGPT, jaký výrobek chceme a aby nám navrhl postup a stroje, na kterých bude vyroben.

„U technické přípravy výroby bude mít AI zásadní dopad při změnovém řízení výrobku. Zejména u firem, které nemohou využívat dnešní nástroje automatizace, protože jejich výroba není sériová. Těmto firmám se nevyplatí dělat detailní technickou přípravu, protože investovaný čas významně zvedá cenu výrobku. Celý rozhodovací proces je pak závislý na kvalifikovaných pracovnících. Pokud by pracovník pomocí AI připravil ve zkrácené době dostatečnou technickou dokumentaci, bylo by možné některé procesy automatizovat a zároveň využít pokročilé nástroje plánování a rozvrhování výroby, které se bez této dokumentace neobejdou,“ říká František Koblasa.

Automatizace a robotizace

Stáhněte si přílohu v PDF

Revoluce související s využíváním AI ve výrobě směřuje k části výroby, která stále hodně závisí na lidském faktoru. Známe výrobek, který potřebujeme vyrobit, máme jeho návrh a disponujeme různými výrobními prostředky, stroji a dopravními systémy. Každý z těchto prvků je popsán jiným „jazykem“. Jinak se popisuje výrobek a jeho struktura, jinak jednotlivé stroje.

Pro tuto situaci máme technologa výroby, který navrhuje nejlepší způsob, jak zkombinovat schopnosti výrobních strojů tak, aby na konci procesu vznikl výrobek podle návrhu konstruktéra. „Lidský mozek zde perfektně funguje díky své složitosti a zkušenostem, které umožňují správně propojit všechny tyto prvky. Nové metody umělé inteligence nám nyní umožňují automaticky rozdělit výrobek do jednotlivých výrobních kroků, vyhledat vhodné výrobní technologie pro každý z těchto kroků a navrhnout sekvenci procesů, která umožní co nejefektivnější výrobu s dostupnými prostředky v daném místě a čase. Takže má potenciál změnit výrobu k vyšší efektivitě a lepšímu využití výrobních prostředků,“ říká Petr Kadera, který se svým týmem vyvinul i algoritmus pro Airbus, jenž využívá propojení velkých jazykových modelů a evolučních algoritmů k zajištění optimální logistiky dílů.

Článek byl publikován ve speciální příloze HN Automatizace a robotizace.