Strojové učenie v priemysle: aplikácie, výhody a výzvy Ešte pred pár rokmi sme sa s umelou inteligenciou mohli stretnúť len v sci-fi filmoch. V súčasnosti je už ale všetko inak a umelá inteligencia (artificial intelligence AI) sa stáva bežnou súčasťou našich životov. Najmä segment strojového učenia (machine learning – ML) sa stal dôležitým prvkom digitálnej transformácie v priemysle a je kľúčovým pri snahe využiť hodnotu množstva dát big data. Mnoho podnikov očakáva, že práve strojové učenie sa stane faktorom ovplyvňujúcim ich úspech a konkurencieschopnosť v budúcnosti. Veľmi zjednodušene môžeme strojové učenie chápať ako typ umelej inteligencie, ktorý umožňuje softvérovým aplikáciám presnejšie predpovedať výsledky bez toho, aby boli na to výslovne naprogramované. Algoritmy strojového učenia používajú historické údaje ako vstup na predpovedanie nových výstupných hodnôt. Strojové učenie sa používa napríklad na filtrovanie spamu, detekciu malvérových hrozieb, automatizáciu obchodných procesov či prediktívnu údržbu. Na „trénovanie“ algoritmov využíva veľké objemy dát, z ktorých dokáže na základe vzťahov, zákonitostí či určitých vzorcov generovať nové informácie či dokonca znalosti. Tie môžu podporiť vlastníkov procesov pri ich rozhodovaní alebo sa môžu automaticky použiť na priame zlepšenie systému. Strojové učenie a Priemysel 4.0 Jedným z hlavných odvetví, ktoré naplno využívajú technológie umelej inteligencie a strojového učenia je priemysel. Strojové učenie dokáže v tomto segmente spracovať obrovské objemy údajov generovaných počas výroby a môže tak pomôcť pracovníkom robiť rozhodnutia s čo najväčším množstvom informácií. Nanešťastie, voči strojovému učeniu vo výrobe pretrváva značná skepsa, nepochybne kvôli jeho úzkemu prepojeniu s módnymi slovami ako „smart manufacturing“ a „Priemysel 4.0“. Strojové učenie však nie je len módne slovo. Je to cenný nástroj a ďalší logický krok v dlhej histórii vývoja priemyslu. ZDROJ: spd.group Jednotlivé priemysly sa spájajú s určitými revolučnými medzníkmi, ktoré ich definujú. Zatiaľ, čo pri Priemysle 1.0 to bola para a Priemysel 2.0 bol charakterizovaný nástupom elektriny a hromadnou výrobou, Priemysel 3.0 bol ovplyvnený rozmachom informačných technológií a prudkou automatizáciou. V nadväznosti na to vznikol v roku 2011 termín Priemysel 4.0, ktorý označuje novú fázu priemyselnej revolúcie. Tá sa výrazne zameriava na prepojenie automatizácie, strojového učenia a big data v reálnom čase.Priemysel 4.0, niekedy označovaný aj ako inteligentná výroba (smart manufacturing), spája fyzickú produkciu a operácie s inteligentnou digitálnou technológiou, strojovým učením a veľkými dátami, aby vytvoril holistickejší a lepšie prepojený ekosystém pre spoločnosti. Kľúčovým prvkom je pri tom priemyselná umelá inteligencia, ktorá by mala výrazné znížiť neočakávané prestoje, zlepšiť dizajn produktov, efektivitu a prechodné časy, celkovú kvalitu výroby a bezpečnosť pracovníkov. Umelá inteligencia je tak srdcom Priemyslu 4.0, prináša vyššiu produktivitu a zároveň je šetrná k životnému prostrediu. A že tento prístup naozaj nie je len módnym prístupom dokazujú aj výrobný giganti ako Siemens, GE, Fanuc, Kuka, Bosch, Microsoft či NVIDIA, ktorí už teraz výrazne investujú do výroby podporenej umelou inteligenciou a strojovým učením. Aplikácie strojového učenia vo výrobe Kontrola kvality Umelá inteligencia sa pomerne často v priemysle využíva na kontrolu výrobkov a kontrolu kvality. Algoritmy na detekciu anomálií založené na strojovom učení sa v týchto prípadoch „učia“ zo súboru vzoriek a sú tak schopné rozlíšiť dobré výrobky od chybných. Alternatívne je možné vyvinúť riešenie, ktoré porovnáva vzorky s typickými prípadmi defektov. Úspory, ktoré ponúka strojové učenie pri vizuálnej kontrole kvality vo výrobe pritom môžu byť vzhľadom na konkrétne odvetvie mimoriadne významné. Údržba Prediktívna údržba má v porovnaní s preventívnou údržbou niekoľko podstatných výhod. V rámci prediktívnej údržby sa nerieši „čo sa stalo“ ale „prečo sa to stalo“. Údržba sa nerealizuje preventívne na základe zlomku dát (aj keď sú stroje v poriadku), ale identifikáciou a odstraňovaním príčin problémov sa nastavia podmienky a údržba sa vykonáva, keď vzniknú odchýlky od týchto podmienok. Práve tu sa výborne uplatnilo strojové učenie. Prediktívna analýza založená na strojovom učení sa používa na predchádzanie zlyhaniam stroja presnejšou identifikáciou ďalších potenciálnych problémov. Algoritmy dokážu analyzovať zvuk, obraz a ďalšie údaje zo senzorov nainštalovaných na zariadení, identifikovať odchýlky od normálneho stavu v reálnom čase, a tým znížiť prestoje systémov. Prediktívna analytika Algoritmy strojového učenia dokážu presne predpovedať prevádzkové výsledky. Umožňujú tak spoločnostiam optimalizovať svoje procesy. Môžu využívať napríklad dáta senzorov z kamier v reálnom čase na vytváranie prehľadov založených na údajoch monitorovaním výrobných liniek, čakacej doby strojov, zásob, technického stavu strojov a nebezpečného správania pracovníkov. Spoločnosti môžu skúmať efektívnosť svojich procesov analýzou údajov o surovinách, problémoch s kvalitou, údržbou a inými výrobnými faktormi, ako je teplota a vlhkosť. Táto schopnosť pomáha nájsť aktivity bez pridanej hodnoty, nerentabilné linky a úzke miesta v prevádzkach. Vývoj produktov Strojové učenie sa čoraz viac využíva aj v dizajne produktov. Softvér na generovanie dizajnu produktov umožňuje používateľom zadávať relevantné informácie vrátane KPI, ktoré sa majú optimalizovať, a iné dôležité aspekty (napríklad náklady na materiál a životnosť). Tento softvér potom generuje návrhy a pomáha používateľom robiť kompromisy v dizajne. Testovanie produktov pomocou strojového učenia je tiež možné posunúť na novú úroveň a testovať produkty bez toho, aby ste museli vytvárať drahé prototypy. Automatizácia Automatizácia pomocou robotov bola doménou 3. priemyselnej revolúcie. Spoločnosti začali vo veľkom využívať priemyselné roboty na zvládnutie komplikovaných, špecifických či nebezpečných procesov. Strojové učenie posúva tieto roboty na novú úroveň, keď im umožňuje samostatne sa učiť. Významne v tomto smere experimentuje napríklad Fanuc, japonská spoločnosť na výrobu priemyselných robotov. Robot sa môže vďaka ich inováciám trénovať na nové úlohy pomocou schopností rozpoznávania objektov a vzorov modelov hlbokého učenia. Logistika a riadenie zásob Nielen vo výrobe sa vďaka strojovému učeniu dosiahol veľký pokrok. S priemyslom tiež súvisí množstvo logistiky na riadenie celého výrobného procesu. Využívanie riešení založených na strojovom učení súvisiacich s logistikou taktiež zvyšuje efektivitu a znižuje náklady. Podľa magazínu Material, Handling and Logistics Magazine stráca priemerný americký podnik v dôsledku opakujúcich sa každodenných úloh, ako je vyhľadávanie čísiel objednávok, spracovanie dokladov a výpočet hodnoty objednávok 171 340 USD ročne. V každej výrobnej spoločnosti pohltí logistika a papierovanie súvisiace s výrobou tisíce človekohodín ročne. Strojové učenie a umelá inteligencia môžu tieto procesy markantne zefektívniť prostredníctvom analyzovania údajov v reálnom čase. Výhody a výzvy aplikácie strojového učenia vo výrobe Zavedenie umelej inteligencie a strojového učenia do priemyslu predstavuje zásadnú zmenu a prináša mnoho výhod – často nad rámec už spomínanej zvýšenej efektivity či úspory času. To, samozrejme, zvyšuje aj konkurencieschopnosť podniku a otvára dvere novým obchodným príležitostiam. Uvedené výhody sú len zlomkom toho, čo je možné vďaka strojovému učeniu vo výrobe dosiahnuť. Zlepšenie prevádzkovej efektívnosti a zníženie nákladov Vďaka strojovému učeniu sa aj takému gigantu, ako je Google podarilo znížiť spotrebu elektriny vo svojich dátových centrách o 40 % pomocou vlastného algoritmu na ovládanie klimatizácie na svojich serverových farmách. Zlepšenie bolo dosiahnuté aj napriek tomu, že Google už strávil veľa času manuálnou optimalizáciou svojich procesov. Až štvrtina podnikov dokáže zvýšiť efektivitu interných operácií vďaka strojovému učeniu a viac ako 80 % tvrdí, že im pomáha znižovať náklady. Zníženie úrovne zásob a odpadu Strojové učenie dokáže oveľa presnejšie predpovedať dopyt a optimalizovať tak výrobné plány. Efektívne využitie algoritmov v tomto prípade môže viesť až k stavu výroby just-in-time – čo umožňuje podniku vyrábať výrobky v určenom množstve a určenom čase podľa požiadaviek zákazníka. Strojové učenie pomáha podnikom lepšie porozumieť zákazníkom i potenciálnym klientom. Inteligentná údržba Keďže je údržba zariadení veľmi dôležitou súčasťou každej výrobnej operácie závislej od aktív, je jedným z najväčších výdavkov vo výrobnom priemysle. Preto sa prediktívna údržba stala životne dôležitým riešením, ktoré pomôže ušetriť obrovské množstvo peňazí. Výhodou v tomto smere je nepochybne aj fakt, že algoritmy strojového učenia dokážu predpovedať poruchu zariadenia s presnosťou až 92 %, a celková efektívnosť zariadení sa zvýšila z priemeru v odvetví 65 % na 85 %. Ak je potrebné niečo opraviť alebo vymeniť, vďaka strojovému učeniu technici budú vopred vedieť, kde je problém a aké metódy použiť na jeho vyriešenie. Zlepšenie kvality Ako sme už v článku uviedli, modely strojového učenia sa úspešne používajú aj na kontrolu produktov a kontrolu kvality. Strojové učenie ponúka výrazné úspory pri vizuálnej kontrole kvality vo výrobe. Podľa Forbes môže automatizované testovanie kvality založené na strojovom učení zvýšiť mieru detekcie až o 90 % a nahradiť „ľudskú“ kontrolu, ktorá je únavná a stresujúca pre pracovníkov výrobnej linky, drahšia a zároveň náchylnejšia na chyby. Lepšie produkty S predchádzajúcim bodom súvisí aj zlepšenie dizajnu výsledných produktov. Riešenia strojového učenia môžu pomôcť pri zhromažďovaní a analýze veľkého množstva údajov o produktoch s cieľom pochopiť dopyt spotrebiteľov, odhaliť skryté nedostatky a identifikovať nové obchodné príležitosti. To môže pomôcť zlepšiť existujúce návrhy produktov, ako aj vyvinúť lepšie produkty, ktoré môžu vytvoriť nové zdroje príjmov pre podnikanie. Spoločnosti môžu znížiť riziká spojené s vývojom nových produktov, pretože môžu robiť informovanejšie rozhodnutia s lepším prehľadom. Kybernetická bezpečnosť Riešenia strojového učenia sa pri efektívnom fungovaní spoliehajú na siete, údaje a technologické platformy – lokálne aj cloudové. Bezpečnosť týchto systémov a dát je kritická a strojové učenie môže hrať významnú úlohu pri regulácii prístupu k cenným digitálnym platformám a informáciám. Strojové učenie môže zefektívniť, ako jednotliví používatelia pristupujú k citlivým údajom, ktoré aplikácie používajú a ako sa k nim pripájajú. Spoločnostiam to môže pomôcť chrániť ich digitálne aktíva rýchlou detekciou anomálií a okamžitým spustením nápravných opatrení. Prispôsobenie trhu Strojové učenie dokáže okrem iného vytvárať predikcie aj na základe externých údajov a faktorov ako politická situácia, počasie, správanie spotrebiteľov či stav ekonomiky. Na základe toho potom dokáže optimalizovať rôzne procesy a prvky výroby ako personál, inventár či zásoby materiálu. Manažéri tak môžu zlepšiť svoju strategickú víziu spoliehaním sa na tieto návrhy a prispôsobiť sa zmenám na trhu. Nie každé riešenie strojového učenia pre priemysel je vhodné pre všetky výrobné potreby. Dôležitosť hodnotenia rôznych riešení strojového učenia, ktoré sú dnes k dispozícii, nemožno preceňovať, rovnako ako je potrebné brať ohľad aj na najpálčivejšie výzvy, ktoré so sebou aplikácia strojového učenia prináša. Získavanie relevantných údajov a ich spracovanie Veľmi častou výzvou aplikácie strojového učenia vo výrobe je získavanie relevantných údajov. Vstupné dáta môžu obsahovať vysoký stupeň irelevantných a nadbytočných informácií, ktoré môžu ovplyvniť výkon algoritmov učenia. Aký významný je tento vplyv, závisí od rôznych faktorov vrátane samotného algoritmu a nastavení parametrov. Aj keď strojové učenie umožňuje získavanie vedomostí a generuje lepšie výsledky ako väčšina tradičných metód s menšími požiadavkami na dostupné údaje, stále je potrebné zvážiť určité aspekty týkajúce sa dostupných dát, ktoré môžu brániť úspešnej aplikácii. Výber algoritmu Pre oblasť strojového učenia vo výrobe je k dispozícii veľké množstvo rôznych algoritmov a ich variácií. Rovnako kombinácia rôznych algoritmov a takzvané „hybridné prístupy“ sa stávajú čoraz bežnejšími a sľubujú lepšie výsledky ako „individuálna“ aplikácia jediného algoritmu. Existuje síce mnoho štúdií, ktoré zdôrazňujú úspešnú aplikáciu techník strojového učenia na špecifické problémy, avšak ideálny výber je často veľmi náročný a závisí aj od skúseností dodávateľa riešenia a interných faktorov. Kontextualizácia a znalosť domény Kontextualizácia a znalosti domény je v rámci aplikácie strojového učenia mimoriadne dôležitým prvkom. Výsledky strojového učenia sú najcennejšie, ak využívajú a rešpektujú obmedzenia založené na znalostiach tej ktorej domény a zohľadňujú výrobné podmienky. Záver Výrobný priemysel má dnes prístup k nesmiernemu množstvu údajov, ktoré obsahujú viacero formátov, štruktúr a sémantiky. Strojové učenie umožňuje tieto masy údajov spracovávať na donedávna nepredstaviteľnej úrovni, dokáže sa automaticky z týchto údajov „učiť“, zisťovať zákonitosti a robiť rozhodnutia. Pokročilá analytika získaná pomocou strojového učenia transformuje výrobu na vysokovýkonný inteligentný proces a rastúci rozsah zavádzania umelej inteligencie v priemysle, sa už dnes javí skôr ako evolúcia, než revolúcia. Strojové učenie, aj keď je pomerne mladým odborom, je výkonným nástrojom pre mnohé aplikácie v rámci (inteligentných) výrobných systémov a inteligentnej výroby a jeho význam bude v budúcnosti ďalej narastať. Páčil sa vám článok? Prihláste sa do newslettera function controls_data (value){ let currentWrapper = "mf-response-props-id-4531"; let currentEl = document.getElementById(currentWrapper); return currentEl ? currentEl.dataset[value] : false } let is_edit_mode = '' ? true : false; let message_position = controls_data('messageposition') || 'top'; let message_successIcon = controls_data('successicon') || ''; let message_errorIcon = controls_data('erroricon') || ''; let message_editSwitch = controls_data('editswitchopen') === 'yes' ? true : false; let message_proClass = controls_data('editswitchopen') === 'yes' ? 'mf_pro_activated' : ''; let is_dummy_markup = is_edit_mode message_editSwitch ? true : false; return html` ${is_dummy_markup ? message_position === 'top' ? props.ResponseDummyMarkup(message_successIcon, message_proClass) : '' : ''} ${is_dummy_markup ? ' ' : message_position === 'top' ? props.SubmitResponseMarkup`${parent}${state}${message_successIcon}${message_errorIcon}${message_proClass}` : ''} ${html` parent.activateValidation({"message":"Pros\u00edm, zadajte v\u00e1\u0161 email.","emailMessage":"Please enter a valid Email address","minLength":1,"maxLength":"","type":"none","required":true,"expression":"null"}, el)} /> ${ parent.decodeEntities(``) } parent.handleCheckbox(el, 'onLoad')} className="mf-checkbox multi-option-input-type" id="mf-input-checkbox-e1edbdf"> parent.handleCheckbox(el.target, 'onClick') } aria-invalid=${validation.errors['mf-checkbox'] ? 'true' : 'false'} ref=${el => { parent.activateValidation({"message":"This field is required.","minLength":1,"maxLength":"","type":"none","required":false,"expression":"null"}, el)} } /> ${ parent.decodeEntities(`Súhlasím so spracovaním osobných údajov a so zasielaním propagačných mailov na uvedenú e-mailovú adresu.`) } ${ parent.decodeEntities(`.`) } ${ parent.decodeEntities(`ODOSLAŤ`) } `} ${is_dummy_markup ? message_position === 'bottom' ? props.ResponseDummyMarkup(message_successIcon, message_proClass) : '' : ''} ${is_dummy_markup ? ' ' : message_position === 'bottom' ? props.SubmitResponseMarkup`${parent}${state}${message_successIcon}${message_errorIcon}${message_proClass}` : ''} ` Zdieľajte ho na sociálnych sieťach Autor Vyvíja webové aplikácie založené na .NET frameworku. Má rozsiahle skúsenosti s programovaním. Zaujíma sa o AI, BI a moderné IT postupy. Branislav Bielik Analysis Programmer .NET Ďalšie články Digitálna transformácia Trendy digitálnej transformácie roku 2021 RPA Užitočné prípady použitia RPA technológie: viete využiť RPA aj vo vašom biznise? Case Studies Nástroj na riešenie problémov pre Jaguar Land Rover
Kód výzvy IROP-PO2-SC223-PZ-2018-12 – Zvýšenie počtu žiakov stredných odborných škôl na praktickom vyučovaní Zaverecna sprava vyzvy na predkladanie PZ SC223
prejsť na článokRiadiaci orgán pre Integrovaný regionálny operačný program oznamuje žiadateľom, že z dôvodu dopytu prevyšujúceho alokáciu v rámci výzvy na predkladanie žiadostí o NFP s kódom IROP-PO2-SC221-2022-94 uzavrel výzvu dňa 12.09.2022. Po tomto termíne už nie je
prejsť na článokAktualizácia č. 3 výzvy na ŽoNFP Dňa 10.05.2019 bola na webovej stránke Ministerstva pôdohospodárstva a rozvoja vidieka SR ako Riadiaceho orgánu pre IROP zverejnená Aktualizácia č. 3 výzvy na predkladanie žiadostí o nenávratný finančný príspevok na pod
prejsť na článokRiadiaci orgán pre Integrovaný regionálny operačný program oznamuje žiadateľom, že z dôvodu dopytu prevyšujúceho alokáciu v rámci výzvy na predkladanie žiadostí o NFP s kódom IROP-PO2-SC221-2022-94 plánuje uzavrieť výzvu dňa 12.09.2022, čo je zároveň term
prejsť na článokMedzi základné predpoklady návrhu dobrej stavby patria: reálny architektonický a technický návrh primeraný časový rámec rovnocenná spolupráca zúčastnených vhodné detailné spracovanie aktívna realizačná fáza Príspevok Nové výzvy v projektovaní zobrazený
prejsť na článok