A jövő versenytényezője

A mesterséges intelligencia, azon belül is leginkább a gépi tanulás áll azon megoldások mögött, amik elemi erővel változtatnak meg iparágakat

2022. augusztus 11., csütörtök, 06:00

Címkék: adat adatelemzés adatgyűjtő ipar 4.0 mesterséges intelligencia minőség-ellenőrzés Stratis Kft.

A mesterséges intelligencia fogalmának 1956-os megjelenése után a szakértői jóslatok gyors eredményeket fogalmaztak meg a területtel kapcsolatban. Bár a technológia malmai kissé lassabban őröltek, 1982-ben már megjelent az első üzletileg sikeres szakértőrendszer, napjainkra pedig a mesterséges intelligencia új üzleti modellek és munkakörök létrehozását eredményezte. Az ipar világa korábban nem látott sebességgel alakul át, amiről Gáspár Sándor, a Stratis Vezetői és Informatikai Tanácsadó Kft. AI-kompetencia-központjának vezetője beszélt a TechMonitor olvasóinak.

Milyen mozgatórugói vannak a minőség-ellenőrzés térhódításának?

Gáspár Sándor: A minőség-ellenőrzés célját és mozgatórugóit a gazdasági mutatók javításában, vagy a termékkel kapcsolatosan előírt szabványok, vagy a vevői elvárások teljesítésében célszerű meghatározni. Ez minden termékre és a gyártási folyamat minden pontján másként jelenik meg. A beérkező alapanyagok, gyártási segédanyagok, alkatrészek, félkész termékek és végtermékek minőség-ellenőrzési módszerét és az eredményességére vonatkozó elvárásokat más módon célszerű meghatározni. Minden esetben fontos ismerni az adott minőségvizsgálati mód költségét és az eredményességét jellemző fő mutatókat – ciklusidő, részletezettség, pontosság, stabilitás. A minőségvizsgálat digitalizálása és az automatizálásra törekvés az előbbi szempontok figyelembevételével dönthető el, azaz minden esetben valamely paraméter mentén jobb értéket szeretnénk elérni.

Gáspár Sándor, a Stratis Vezetői és Informatikai Tanácsadó Kft. AI-kompetencia-központjának vezetője

A minőség-ellenőrzés tehát rendkívül fontos, ám időigénye van, ami a gyártási folyamat teljes ciklusidejét növeli, ezért ennek beépítése a gyártási folyamatba gondos tervezés alapján kell megtörténjen. Érdemes ismerni a gyártási folyamat költségmodelljét, mert ez nemcsak a gyártási technológia kiválasztását, hanem a minőség-ellenőrzés mutatóinak elvárt értékeit is befolyásolja. Mindenesetre a minőség-ellenőrzés eredményét, környezeti paramétereit érdemes digitálisan és idősorosan tárolni, mert ez teremti meg a lehetőséget a minőségi mutatók változásának vizsgálatára, amiből rengeteg hasznos információt szerezhetünk. Ez ad lehetőséget a minőségi hibák gyökérokainak vizsgálatára, és ezen keresztül alakíthatunk ki a gyártási folyamatban a minőségi problémák felmerülésének megelőzésére irányuló beavatkozásokat is támogató monitoringrendszert. A hibás gyártás általában korrekciós vagy selejtkezelési műveletek elvégzését is igényli, aminek addicionális környezetterhelő hatása van, aminek csökkentésére egyre több vállalat helyez már kifejezetten nagy hangsúlyt.

A félautomata vagy automata minőség-ellenőrző állomások megnövelik az üzem áteresztőképességét. Mire kell figyelni, hogy ne képezzen szűk keresztmetszetet semmi a gyártási folyamatban?

Igen, a részbeni vagy teljes automatizálással szemben alapvető elvárás, hogy hatékonyság-, és ezáltal termelésnövekedést eredményezzen a kézi ellenőrzéshez viszonyítva. Az automatizálás a teljes gyártási mennyiségre kiterjedő minőség-ellenőrzés esetében merül fel a legtöbbször. A hatékonyságnövekedést ilyen esetben egy szintig a kézi munkavégzéssel történő minőség-ellenőrzés esetében is elérhetnénk, mivel annak a kapacitása létszámarányosan szintén növelhető. Az automatizálás azonban számos további előnyt is hoz. Az egyik ilyen a stabilitás: az automatizmus nem fárad, így a minőségvizsgálat pontossága nem romlik, a sebesség nem csökken, illetve az egyre inkább jellemző munkaerő-fluktuáció sem okoz fennakadást. Az automatizált minőség-ellenőrzés esetén a vizsgálati ciklusidőre és a kiesési idők elkerülésére kell a tervezés során a legnagyobb figyelmet fordítani, hogy az ne okozhasson szűk keresztmetszetet. Bár a gyártási folyamatközi minőség-ellenőrzés minden esetben csökkenti a teljes gyártási áteresztőképességet, a hibás félkész termékeken történő további gyártási lépések elvégzése felesleges többletköltségeket és időfelhasználást jelent, így összességében ezek kiszűrésével és helyes tervezés esetében az üzem áteresztőképessége nőni fog. A ciklusidő a gyártási folyamathoz történő megfelelő illesztése, a vizsgált paraméterek ellenőrzésének számossága és pontossága, az ehhez alkalmas technológia és módszer kiválasztása és ezek költsége ad egy döntési teret számunkra a minden szempontnak megfelelő megoldás kiválasztásához.

Milyen szoftver- és hardvermegoldások jelentek meg az elmúlt évtizedben, amik elsősorban a minőség-ellenőrzés hatékonyságát célozták? Milyen mozgástér van még hardver- és szoftvertéren?

A minőségvizsgálat fejlődését egyrészt a különböző fizikai jellemzők mérésének technológiai módszere lendítette előre. Ez rendkívül kiszélesítette a mérési lehetőségeket a mérési tartomány, a pontosság, a gyorsaság és a költségszintek terén. A mérési technológiák fejlődése mellett a mért eredmények digitális feldolgozása és kiértékelése lendített nagyot a minőség-ellenőrzés terén az elmúlt évtizedekben. A számítógép-architektúrák jelentős átalakulása, a számítási teljesítmények és tárolási kapacitások ugrásszerű növekedése, a felhőszolgáltatások elterjedése nagymértékben kiterjesztette az informatikai megoldások felhasználhatóságát a minőség-ellenőrzés terén. A korábbi minőség-ellenőrzési módszereket általában az egyes fizikai paraméterek önmagukban történő vizsgálata jellemezte, és ez is viszonylag egyszerűen meghatározható szabályoknak való megfelelés vizsgálatát jelentette. A „cloud computing”, az „edge computing” fejlődése és széles körben elérhetővé válása megteremtette a feltételeket a komplex paraméterhalmaz együttes vizsgálatához, a szabályoknak való megfelelés mellett a mesterséges intelligenciára (MI) épülő rendszerek segítségével pedig a még nem ismert vagy rendkívül nehezen leírható minőségi eltérések beazonosításához is. A minták alapján előzetesen betanított MI modell az „edge computing” fejlett hardver- és szoftvermegoldásokkal együtt valós időben történő mérést és rendkívül gyors „adatgyűjtés-adatfeldolgozás-kiértékelés-beavatkozás” ciklust tesz lehetővé. Kiemelkedő lehetőségeket látunk például az MI-alapú gépi látást alkalmazó rendszerek minőség-ellenőrzési felhasználásában, amit számos példa bizonyít már általában és a cégünk praxisában is.

Milyen kapcsolat van a mesterséges intelligencia és az Ipar 4.0 között? Az előbbit felfoghatjuk az utóbbi kikerülhetetlen részének is?

Mind az MI, mind az Ipar 4.0 egy-egy ernyőfogalom. Hardver- és szoftvertechnológiák egymásra épüléséből – digitalizációból – áll, és az általános emberi teljesítőképesség határain általában túlnyúló feladatok elvégzésére célszerű alkalmazni ezeket. Lehet ez valamilyen egyszerű, ismétlődő művelet nagy számosságban történő elvégzése nagy sebességgel és megbízhatósággal, vagy nagy komplexitású feladat elvégzése, ahol az emberi átlátóképesség már elakad. Lényegében az emberi gondolkodás és cselekvés gépi helyettesítéséről beszélünk, azaz az emberek életének megkönnyítéséről van szó. Az MI felhasználási területe nagyon szerteágazó, a gyártó vállalatok esetében történő felhasználását tekintjük az Ipar 4.0 egyik szegmensének. Ilyen pl. a gépi tanulás alkalmazása a minőség-ellenőrzés terén vagy a meghibásodásokra utaló jelek beazonosítása a működési paraméterek halmaza elemzésével. Az Ipar 4.0 emellett számos egyéb digitalizációra épülő megoldást magába foglal, ahol gép végzi el az ember helyett a cselekvéseket/döntéshozást. Ilyenek lehetnek a robotok alkalmazása, a digitális iker megoldások, az AR alkalmazása karbantartás támogatására, az IoT-eszközök széles körű elterjedése stb.

A megoldások alapmodellje itt is az „érzékelés-mérés-adatgyűjtés-adatfeldolgozás-kiértékelés-cselekvés”. Azaz nem az MI a kikerülhetetlen része az Ipar 4.0 megoldásoknak, hanem az adatok felhasználása, amik a működési folyamatok során közvetlenül előállnak, vagy a környezeti állapotokat írják le. Ez minden automatizálás alapja. A cél pedig a vállalat eredményességének javítása.

Mit ad hozzá az MI, a gépi tanulás az adatok és folyamatok elemzéséhez?

A mesterséges intelligencia, azon belül is a gépi tanulás alapú modellek legnagyobb előnye, hogy a lépésről lépésre leírt adatfeldolgozási lépések helyett a gépre bízzuk ezen lépések meghatározását korábbi adatokat és már ismert kimeneteleket megadva. Ha belegondolunk, hogy a különböző szenzorokkal és gépekkel mennyi adatot gyűjthetünk, akkor felmerül a másik probléma, melyet szintén megold a mesterséges intelligencia. A rendelkezésre álló komplex folyamatokból származó adatok mennyisége manapság már emberi munkaerővel kezelhetetlen, azonban a gépi tanulás nemcsak hogy kezelni tudja ezt, de akár rejtett összefüggéseket is észrevehet az adatok között, ami az ember figyelmét elkerülné.

A JIT (Just-In-Time) szemlélet elterjedésével elsődlegessé vált a folyamatok optimalizációja, melyben hatékony segítséget jelenthet a mesterséges intelligencia. Az úgynevezett megmagyarázható MI (explainable AI) emellett törekszik arra, hogy a modell által hozott döntések háttere az ember számára is érthető legyen. Az adatokra épülő és azzal támogatott döntéshozatal sokkal nagyobb megbízhatóságot biztosít ezáltal az emberi döntéshozónak is.

Milyen területeken járulhat még hozzá a mesterséges intelligencia a vállalkozás hatékonyságának javításához?

Elsősorban kiemelhető terület a logisztika, hiszen egy gyártó cég életében gyakran a gyáron kívüli vagy akár azon belüli anyagmozgások teszik ki az egyik legnagyobb költséget, illetve ezek átfutási ideje lehet a gátló tényező a további feldolgozási vagy gyártási folyamatokban is. Gondolhatunk itt például az anyagbeszerzések időzítésére. Ha előre tudjuk jelezni, hogy várhatóan egy alapanyag milyen mennyiségben fog fogyni a következő időszakban, azzal tervezhetővé válik a beszerzés, illetve a raktározás is, hiszen mindig pont annyi alapanyag áll majd rendelkezésre, amennyire szükség van.

Ha elvonatkoztatunk a szűk értelemben vett gyártástól, akkor még több terület hatékonysága növelhető. A beszállítói és az ügyfélmegrendelések manapság jellemzően elektronikus formában érkeznek, melyeket a mesterséges intelligencia segítségével fel lehet automatikusan dolgozni, a megrendelt termékeket és a hozzájuk tartozó mennyiségeket, illetve a partner adatait kinyerni pl. egy PDF-fájlból, majd ezeket a vállalatirányítási rendszerbe emberi beavatkozás nélkül betöltve ezen folyamatokat is meggyorsíthatjuk, miközben munkaerőt takarítunk meg.

A hazai vállalkozások mit gondolnak a mesterséges intelligencia alkalmazásáról?

Az ügyfeleink felé nem kifejezetten az MI alkalmazását szorgalmazzuk, hanem a digitalizálást a működés minél több területén, és a keletkező adatok felhasználását a stratégiai és rövidebb távú üzleti céljaik megvalósításához. Az adatvezérelt működés kialakítását. Ha ezen a téren elfogadás és elköteleződés alakul ki egy vállalat tulajdonosi és vezetői körében, akkor az adatvezérelt megoldások esetében már másodlagos kérdés, hogy vezetői dashboard használatát vagy BI-eszközökkel történő elemzésekből származó következtetéseket, MI-alapú rendszerből származó döntési javaslatokat, vagy erre épülő automatizálást kell elfogadni és beépíteni a vállalat gyakorlatába.

Egy tulajdonos vagy egy jó vezető minden eszközt és lehetőséget megvizsgál, és igyekszik felhasználni, ami a vállalatának az eredményességét javítja és a működéséhez illeszkedő megtérülést mutat. Így van ez az MI-alapú megoldások esetében is. A mi feladatunk, hogy alkalmazási lehetőségeket és jó példákat mutassunk nekik a döntéseikhez.

Mit érdemes tudni az MI két fontos alkalmazási területéről, az előrejelző karbantartás támogatásáról, illetve a folyamatok rendellenességeinek automatikus felismeréséről?

A rendellenességek (avagy anomáliák) detektálása egy olyan megoldást takar, mely során a rendelkezésre álló adatokat felhasználva a digitalizált folyamatokat és azok eredményeit különböző csoportokba sorolhatjuk a gépi tanulás segítségével. Mára a különböző szenzorok és mérőműszerek több ezer digitális jelet tárolnak a különböző gyártási folyamatokról, melyeket emberi erővel feldolgozni rengeteg időt és energiát emészt fel, azonban a bekövetkező hibákat jó lenne már a megtörténésük pillanatában felismerni.

Ehhez nyújt segítséget a mesterséges intelligencia, mely a fent említett kategorizálást a beérkező szenzoradatok alapján, a köztük rejtőző összefüggéseket figyelembe véve elvégzi, a folyamatokat csoportokba rendezi, és az emberi dolgozónak mindössze ezen csoportokat kell együttesen vizsgálnia, hogy hibára utaló események megtalálhatók-e bennük. A csoportosítás úgynevezett felügyeletlen tanítással elvégezhető, így nincs szükség a korábbi adatok felcímkézésére, az algoritmus a beérkező mérési adatokat együttesen vizsgálva alakítja ki hasonlóság alapján a csoportokat.

A prediktív karbantartás annyival több ennél, hogy nem csak valós időben elemzi az adatokat, hanem a korábbi historikus adatok alapján trendeket rajzol fel, hogy hogyan fognak alakulni ezen értékek a jövőben, és így a rendellenes működést már előre jelezni tudja, emellett azt is megtippeli, hogy mikor várható a hiba bekövetkezése, így pl. egy alkatrész esetén az élettartama maximálható.

Az adattudósi munkakör kialakítása milyen gyakorlati előnyöket jelent egy vállalkozás számára?

Minden digitális érettségi szinten más-más szerepe lehet egy adattudósnak a vállalaton belül. Az adattudós felé általánosan megfogalmazott elvárás, hogy értse az adott ágazati trendeket, alapvető üzleti és műszaki összefüggéseket és problémákat, az adott vállalat stratégiai és rövidebb időtávú céljait, valamint az adatelemzési módszerek, technológiák terén is tapasztalatokkal rendelkezzen. Továbbá fontos, hogy rendelkezzen nagyon jó kommunikációs és szervezési képességekkel. Összességében ez nem egy könnyen megtalálható vagy „kinevelhető” személy. Gyakran ezért inkább több személy együttműködéséből áll elő mindaz a képesség, ami a digitalizáció és az adatvagyon felhasználása szempontjából szükséges egy vállalat számára.

Amennyiben egy gyártó cég mérési és adatgyűjtési gyakorlatának kialakításánál tart, akkor az adattudós abban segíthet, hogy a kialakuló adatvagyont hogyan lehet hatékonyan feldolgozni és kiaknázni, és minél hatékonyabban felhasználni a vállalat céljainak elérése érdekében. Az adattudósnak feladata emellett az adatalapú szemlélet bevezetése a gyártó cégben, és a fejlesztések felügyelete, hogy ezen szemlélet mentén valósuljanak meg.

Amennyiben az adathasználat-alapú vezetési szemlélet megerősödött, az adattudós mesterséges intelligencia megoldások tervezésével és fejlesztésével tudja javítani a gyártó cég működését. Ehhez előzetesen szükséges megtervezni, hogy a vállalati működés melyik területén és pontosan melyik folyamatokban alkalmazható az MI, majd a konkrét megoldási koncepció és részletes tervezés és a megvalósítás következik, amiben az adattudós számára ugyanúgy főszerep jut.

Megváltoztathatja a mesterséges intelligencia a vállalatvezetési gyakorlatokat is?

Eltérő szerepkörökben eltérő információk szükségesek, az adott munkaköri környezetből a szükséges és elégséges részletezettségű és frissítési gyakoriságú adatok felhasználásával. Az adatok összefüggéseinek megértése, elemzésével következtetések elvégzése, az előálló információk felhasználásának képessége. Az információk felhasználása terén a demokratizálódás akkor tud ténylegesen megvalósulni, ha az adott munkakört betöltő személy az előzőekben leírt képességekkel rendelkezik. Addig a döntéshozatali hierarchiák megmaradnak, a döntéshez szükséges információk viszont a digitalizáció eredményeként tényszerű alapokra helyeződnek.

Molnár László

Keresés
Bejelentkezés / Regisztráció
BMW GROUP CAREERS

SENIOR SPECIALIST ENVIRONMENTAL MANAGEMENT AND PERMITTING (F/M/X)

METROLOGY COORDINATOR (F/M/X)

SENIOR SPECIALIST FACILITY MANAGEMENT (F/M/X)

PRODUCTION SUPPORT TECHNICIAN (F/M/X)

Média Partnerek