AI na tegorocznych targach w Monachium

Chodząc po halach targowych Productronica’23 zastanawiałem się nad praktycznym wykorzystywaniem technologii AI w przemyśle elektronicznym.

Niemal każdy producent maszyn inspekcyjnych miał na plakatach informację , że ich maszyny korzystają już z AI.

Prosząc o prezentację jak tworzy się nowy program inspekcyjny w ich nowoczesnym środowisku oprogramowania wyglądało to jednak analogicznie jak w dotychczasowych systemach korzystając z biblioteki wzorcowej z podstawowymi elementami, które należy przyporządkować do projektu cadowego bądź też zaznaczyć na zeskanowanym obrazie posiadanego produktu (tutaj mowa głównie o pcba)

Próbowałem wyjaśniać , że dla fabryk dość istotna jest różnica pomiędzy „klasycznym” uczeniem maszynowym (ML) a uczeniem głębokim (deep learining). Niestety statystyczne metody uczenia maszynowego nie są w stanie przetwarzać danych nieustrukturyzowanych. Rezultat: złożony proces wydobywania (ekstrakcji) cech przez ekspertów. Z drugiej strony ML nie stawia wysokich wymagań co do sprzętu i ilości danych. Typowym zastosowaniem jest konserwacja predykcyjna, którą można wdrożyć przy niewielkim wysiłku programistycznym, wykorzystując na przykład Microsoft Azure i solidną bazę danych.

Głębokie uczenie (DL) nie wymaga ekstrakcji cech. Wystarczy niewielka ilość informacji, takich jak na przykład nieustrukturyzowany obraz lub dane dźwiękowe. Oprócz modeli uczenia maszynowego Deep Learning jest aktualnym standardem branżowym w zakresie inteligentnej automatyzacji wizualnej kontroli jakości. Wymaga to jednak dużej ilości danych, czasochłonnych interwałów szkoleniowych i wydajnych komputerów.

Niestety nie zaobserwowałem wielu implementacji zastosowania AI poza systemami inspekcji jakościowej, przykładowo :

• Konserwacja predykcyjna od dawna jest uznawana za kluczową kwestię w przemyśle produkcyjnym. Do jego realizacji niezbędny jest monitoring stanu, który na bieżąco zbiera dane pomiarowe i produkcyjne z maszyn i systemów. Na podstawie tych danych algorytmy uczenia maszynowego optymalizują okresy konserwacji, aby zapobiec przyszłym awariom.
• Logistyka – AI może identyfikować i zapobiegać wąskim gardłom w łańcuchu dostaw podczas produkcji. Ponadto optymalizacja poziomów zapasów w oparciu o prognozy trendów zmniejsza zamrożenie kapitału.
• Cyfrowe systemy pomocy – Systemy pomocy cyfrowej oparte na sztucznej inteligencji zwiększają elastyczność i produktywność, zapewniając pracownikom odpowiednie informacje na każdym etapie procesu. Inteligentne algorytmy uczą się na podstawie interakcji i dostosowują komunikaty do poziomu umiejętności użytkownika. Rozpoznawanie gestów i mowy sprawia, że ​​współpraca jest bardziej intuicyjna i bezpieczna.
• Sprzedaż / Obsługa posprzedażowa – Obecnie toczy się dyskusja na temat możliwości wykorzystania ChatGPT – opartego na głębokim uczeniu wariantu modelu językowego GPT (Generative Pre-training Transformer) – do komunikacji na poziomie ludzkim w sprzedaży i po sprzedaży. Nadal jednak istnieją obawy i nieścisłości związane z ochroną danych wynikające z fałszywych założeń sztucznej inteligencji.
• Zrównoważony rozwój – Sztuczna inteligencja zwiększa zrównoważony rozwój w prawie wszystkich obszarach firmy. Przykłady obejmują procesy produkcyjne oszczędzające materiały i energię, predykcyjną kontrolę procesu, która ogranicza ilość odpadów, zoptymalizowane sterowanie systemami klimatyzacji oraz logistykę oszczędzającą zasoby.