Itt a blogon bemutattuk már az “adatok hosszú vándorútját”, vagyis, a korunk digitális aranyának, az adat bányászatának teljes folyamatát.

Az előző posztban leereszkedtünk a tárnákba és kifejtettük az ércet a telérekből. Most eljött az idő arra, hogy kinyerjük a nemesfémet a kitermelt anyagból és értékesítsük azt.

Az alábbiakban néhány példával bemutatjuk, hogyan tudja a gépi tanulás és az algoritmusok segítségét optimálisan kihasználni egy vállalat az adatai kiértékelése, és az azokra alapozott döntéshozatali folyamatok során.

Emlékeztetőül, az adatkezelés 4 fázisa így néz ki:

ADATGYŰJTÉS > ADATTÁROLÁS > ADATELEMZÉS > DÖNTÉSHOZÁS

Említettük, hogy a kitermelt / begyűjtött adatok két fő halmazba sorolhatók, lehetnek strukturáltak és strukturálatlanok.

Strukturálatlan adatok elemzése és kiértékelése gépi tanulással

A strukturálatlan adatok elemzésére, kiértékelésére egy hétköznapi példa a mesterséges intelligencia (AI) témakörben talán legáltalánosabban ismert felhasználási mód, az önvezető autózás területén található. Az autóba szerelt kamerák által létrehozott kép strukturálatlan adat: sokféle színű pixelek kaotikus, változékony halmaza. Illetve a képek sokasága mint adathalmaz önmagában is strukturálatlannak számít.  Hogyan tud ebből a káoszból olyan következtetést levonni a fedélzeti számítógép, hogy milyen messze van az előttünk haladó autó?

Ez, mint sok más esetben, ha mesterséges intelligenciáról van szó, gépi tanulás segítségével történik: kellően sok hasonló képet mutatunk a gépnek, és előre megmondjuk, hogy ezeken a képeken mennyire messze van az elől haladó “autó”,vagyis a színes pixelek egy csoportja a környező pixelekhez képest. Ez az amit egy képen “mélység”-nek hívunk. Ha pedig a képen látható különböző objektumok mélységét megismerjük, akkor azok mélységének egymástól való különbségét, azaz távolságát is ki lehet következtetni.

Ennek eredményeként a gép egy idő után egyre pontosabb és pontosabb becsléseket fog magától tenni az autók felismerésére és a távolság meghatározására, amikor teszteljük a képességeit.

A gépi látás rendszerek felépítéséről és a lehetséges felhasználási módokról itt írtunk bővebben.

Általában kétféle különböző strukturálatlan adat együttes elemzése már jó alap egy adott becslés megtételére. Az önvezető autó persze nem csak kameraképre hagyatkozik, hanem (nagyon is strukturált) szenzoros adatokra is, de ez a példánk szempontjából nem lényeges.

Teljesen hasonló elven működik az írott szöveg szoftverekkel történő felolvastatása is. Az írott jelek sorozata egy strukturálatlan adatsor, de az ezekben lévő ismétlődő mintákat beazonosítva meg lehet tanítani a gépnek, hogy az adott jelsort milyen hanggal párosítsa, azaz, hogy hogyan kell a leírt szót “kiejteni”. Ugyanez a folyamat megfordítva is: a kimondott szó hangja a bemenő adat, ezt a gép le tudja írni megfelelő tanítás után.

A strukturálatlan adatok elemzésére az egyik alapvető példa tehát a képfelismerés. Konkrétan megemlíthetjük itt saját fejlesztésünket: a SzamlAI a könyvelők munkáját segítő adatbeviteli szoftver-projektünk, amelyről már írtunk a blogon. Mivel a számlák külseje és az adatok elhelyezkedése változatos, a feldolgozáshoz olyan gépi tanulási módszert kellett kidolgozni, ami segít a gépnek felismerni az adott adattípust (dátum, végösszeg, stb)

Strukturált adatok elemzése és kiértékelése gépi tanulással

A strukturált adatokra Ipar 4.0 területen a legjobb példa az időben strukturált szenzoradat: fix, definiált értékek rögzítése másodlagos paraméterekkel (például időpont) együtt. Végtelen számú felhasználási mód elképzelhető, most a megértés kedvéért a három legelterjedtebbet mutatjuk be:

1. Minőségellenőrzés

Ha tudjuk, hogyan néz ki egy hibátlan termék, akkor viszonylag könnyen észre tudjuk venni, ha egy termék külseje attól eltér, azaz hibás. Ezt a feladatot a kamerakép elemzésével át tudjuk adni az ipari mesterséges-intelligencia rendszerünknek is.

A hibákat indirekt módon is észlelni tudjuk, ha pontosan tisztában vagyunk azzal, hogy egy gyártási folyamat milyen paraméterek mellett zajlik, ezt hívhatjuk “normális működésnek”. Ez az, amit folyamatosan fenn szeretnénk tartani, mert megfelelő eredményt produkál.  Amennyiben mérni tudjuk a paramétereket valós időben, akkor észlelni tudjuk, ha eltérés jelentkezik a “normális működéstől”, bármilyen irányban, mértékben és módon. Mivel ez biztosan szuboptimális eredményhez vezet, azonnal közbeléphetünk, akár mielőtt hiba keletkezik a gyártás alatt álló termékben, vagy közvetlenül annak pillanatában, megakadályozva a további hibákat: ez már a következő felhasználási területre vezet át minket.

Nagyon egyszerű példa erre az, ahogyan az autóipari Astotec pápai üzemében optimalizáltuk csomagolóállomások működését. Itt egy kamera folyamatosan figyeli az előkészítés alatt álló speciális csomagot, és jelez, ha nem megfelelő darabszámban vannak benne az alkatrészek.

2. Prediktív karbantartás

A minőségbiztosítás egy óriási kihívás szinte minden iparág számára, gondoljunk csak az autógyártásra vagy az élelmiszeriparra. Komoly standardoknak kell megfelelni, mint amilyen a HACCP vagy a különböző ISO minősítések, és egészen a közelmúltig a gyártási hiba elhárítása során végrehajtandó gyökérprobléma-analízis - amikor a cég kideríti, mi okozta a problémát, hogy az többet ne fordulhasson elő - egy különböző mérnöki területeket érintő, interdiszciplináris, komplex feladat volt. A gépi tanulás segítségével viszont előre lehet jelezni a meghibásodás esélyének növekedését, értesíteni a megfelelő karbantartói részleget, a várható gyökérprobléma pontos megnevezésével. Ez a cégek számára dollármilliárdokban is nehezen kifejezhető potenciált jelenthet. Akár teljes mértékben ki lehet zárni a hibás működést, és napok helyett percek alatt megállapítható a gyökérok. Ez már egy teljesen más liga az eddigi ipari működéshez képest, és ennek a jelentőségét az ipari innováció területén nehéz túlbecsülni.

Az előzőekből következik, hogy ha egy gépészeti rendszer paramétereit a kellő mértékben ismerjük és monitorozni tudjuk valós időben, szenzorok segítségével, akkor az gyökeresen megváltoztathatja a karbantartás fogalmát is.

Először gyorsan gondoljuk át, mit szoktunk érteni karbantartás alatt: a gépeknek van egy előre meghatározott futási ideje, leadott munka mennyisége. Amikor a gép elér egy ilyen mérföldkövet, akkor leállítják, és a kopó vagy fogyó alkatrészt protokollszerűen cserélik, függetlenül annak valós állapotától, vagy ellenőrzik, és emberi döntés alapján cserélik vagy hagyják tovább futni a következő ellenőrzőpontig - ezt nevezzük hagyományosan preventív karbantartásnak.

A gépi tanulás ezt az egészet, úgy ahogy van, felülírhatja. Minél jobban ismerjük egy géptípus működési jellegzetességeit, annál pontosabban lehet megbecsülni, hogy mikor lesz szükség valamilyen konkrét karbantartási munka végrehajtására (akár modellezéses teszteléssel), ráadásul a paraméterek mérésével. Vagyis már egyáltalán nem arról van szó, hogy előre kitalált, sokszorosan túlbiztosított működési mennyiségek elérésekor automatikusan végrehajtunk egy előre meghatározott karbantartási protokollt! A gépi tanulásban az a nagyszerű akár pusztán a helyes működés bizonyos időn át tartó megfigyelésével képes pontosabb előrejelzést produkálni e téren, mint amit emberileg megbecsülni lehetséges.

Mondani sem kell, hogy ezzel micsoda hatékonyságnövelést érhetünk el a leállási idők minimalizálásának segítségével.

3. Beszállítólánc-menedzsment optimalizálása az adatelemzés alapján

Az üzleti döntések meghozatalában a mesterséges intelligencia-megoldások az eddigieknél messzebb is el tudnak jutni.

Egy kellően komplex üzemi működés során a beszállítói komplexitás szinte a végtelent is elérheti, olyan értelemben, hogy valamilyen alapanyag vagy alkatrész beszerzésének optimális módja számtalan tényezőtől függhet. A három legfontosabb tényező általában a minőség, az idő (mikorra érkezik be) és az ár. A gyártási folyamatokat is sok minden befolyásolja, valós időben, kezdve a piaci igények alakulásától át az átfogóbb menedzsment-döntésekig. Mivel a gyártási célok folyamatosan ingadozhatnak, ezért optimális beszállítási döntéseket meghozni végtelenül nehézzé válik az emberi elme számára: de ha az adatok egyébként rendelkezésre állnak, akkor az algoritmusok meg tudják mutatni azt, hogy adott pillanatban az aktuális beszállítási igények kielégítésére mi az optimális megoldás!

Természetesen az ilyen kulcs-döntések között sok olyan van, ami mindig emberi kézben marad, például lehet, hogy az üzletileg szuboptimális beszállító mellett döntünk, ha mondjuk régi partnerről van szó, akivel a jó kapcsolat megőrzése fontosabb, mint a szó szerint pillanatnyi haszon realizálása.

A mesterséges intelligencia a döntések előkészítésében tud tökéletes segítséget nyújtani, mert ki tudja választani a legjobb megoldásokat, és azt is konkrétan megmutatja, hogy miért az a legjobb megoldás.

Az üzlet, mint az élet maga, végtelen komplexitású tud lenni, ezért az emberi tényezőt sohasem tudja egy algoritmus kiváltani, hatékony és megbízható segítséget nyújtani viszont nagyon is tud, szinte minden elképzelhető üzleti és ipari kihívás terén.

Szeretne többet tudni a témakörről?  Adja meg elérhetőségét és értesítjük az új blogbejegyzésről.

Indítana egy hasonló projektet, de lenne lenne kérdése ezzel kapcsolatban?
Éljen az ingyenes konzultáció lehetőségével és lépjen belünk kapcsolatba már ma! Kattintson ide.