Co sztuczna inteligencja robi w przemysłowych systemach IT i czy warto sięgać po korzystające z niej rozwiązania? W jakich obszarach sprawdzają się one najlepiej? Czy automatyzacja przewróci rynek pracy do góry nogami? Na te inne pytania odpowiada Michał Staśkiewicz z Alphamoon, specjalizującej się w sztucznej inteligencji polskiej firmy działającej na międzynarodowym rynku, która wspólnie z DSR realizuje projekt AI 4FACTORY.
Według szacunków analityków z Deloitte rynek sztucznej inteligencji rośnie w tempie 55,1 proc. rdr. Nie ma dnia, by w mediach nie pojawiła się informacja o jej wszechstronnych możliwościach. A jak wygląda rzeczywistość? Czy SI zadomowiła się już we współczesnych fabrykach?
Nie oszukujmy się, adaptacja sztucznej inteligencji w fabrykach znajduje się w stadium prenatalnym. Wielu producentów dopiero zaczyna innowacje w tym zakresie, bada możliwości i szuka odpowiednich partnerów. Oczywiście istnieją również firmy (Siemens, General Electric), które inwestują w rozwój i wdrażanie technologii SI już od kilku lat. Istnieje też kilka kluczowych zastosowań, gdzie zdają one egzamin. Jest to np. kontrola jakości, gdzie algorytmy, bazując na obrazie z kamer albo pomiarach przy użyciu sensorów, wyłapują produkty, które mają wady. Inne zastosowania to m.in. prognozowanie zużycia, gdzie mamy rozwiązania umiejące wskazać potrzebę wymiany eksploatacyjnych części w maszynach, minimalizując tym samym ryzyko poważnej awarii. Kolejnym takim obszarem jest zarządzanie łańcuchem dostaw, gdzie algorytmy przewidują zapotrzebowanie na określone surowce, ograniczając potrzebę magazynowania i zapobiegając opóźnieniom w produkcji.
To nie jest tak, że te terminy znacząco się różnią. Dalekosiężnym celem w nauce jest oczywiście zbudowanie SI znanej z filmów, czyli takiej, która dorówna lub przewyższy analityczne zdolności człowieka. Obecnie jesteśmy jeszcze daleko od takich rozwiązań. Dzisiaj pod hasłem sztuczna inteligencja kryją się przede wszystkim nowoczesne metody uczenia maszynowego, oparte głównie na głębokich sieciach neuronowych, czyli tzw. deep learning. Doczekały się one wielu spektakularnych zastosowań, takich jak chociażby system AlphaGo od Google Deepmind, który pokonał koreańskiego mistrza w grę Go czy systemy do analizy sygnałów EKG, gdzie algorytmy SI są już skuteczniejsze od człowieka. Niemniej, na razie są to metody skupione przede wszystkim na jednym zadaniu, pod które zostały zaprojektowane.
Działamy na wielu płaszczyznach, rozwiązując różnorodne problemy. W ten sposób nieustannie poszerzamy naszą perspektywę. Do najciekawszych projektów należy zapewne wykorzystanie technologii deep learning do projektowania nowych leków. Rozwój metod SI w tym obszarze będzie miał olbrzymi wpływ na postępy w medycynie. Firma Insilico Medicine niedawno poinformowała, że udało się jej zweryfikować laboratoryjnie skuteczność cząsteczek, które zostały wygenerowane przez modele deep learningowe.
Ostatnio dużo działamy również w dziedzinie analizy języka naturalnego, tworząc narzędzia wspomagające przetwarzanie dokumentów. Pracujemy np. nad rozwiązaniem, które na podstawie notatek sporządzonych przez telefonicznych konsultantów, jest w stanie przewidzieć, jak bardzo dany klient-rozmówca będzie skłonny zakupić wybrany produkt. Rozwijamy również automatyczną ekstrakcję danych z dokumentów. Ma ona zastosowanie między innymi w automatycznym przetwarzaniu faktur lub zamówień. Tego typu rozwiązania potrzebne są w wielu branżach. Dzięki automatyzacji prostych czynności pozwalają one na przyspieszenie czasu i obniżenie kosztów związanych z obsługą dokumentów.
Niestety, ma Pan rację. Technologicznie gonimy resztę świata. W rozwoju SI prym wiodą Stany Zjednoczone i Chiny. Inne państwa również widzą w niej olbrzymi potencjał i nie chcą pozostać w tyle. Na przełomie ostatnich dwóch lat już ponad 20 krajów na poziomie rządowym opracowało strategię rozwoju i wdrażania technologii SI, są wśród nich m.in. Kanada, Japonia, Francja, Niemcy, Wielka Brytania i Szwecja. Po dziś dzień brakuje wśród nich Polski, choć w lipcu tego roku Ministerstwo Cyfryzacji powołało grupę roboczą ds. SI. Bierzemy udział w pracach tej grupy związanych właśnie z przygotowaniem strategii dla SI w naszym kraju.
Część firm faktycznie promuje swoje produkty jako nowatorskie rozwiązania wykorzystujące SI. W praktyce okazuje się, że jest to jedynie chwyt marketingowy, a cała SI polega na dodaniu gotowej, ogólnodostępnej biblioteki, realizującej mało znaczące zadania. Istnieją także firmy, takie jak np. DSR, które poważnie podchodzą do tematu. Nasz partner zdawał sobie sprawę, że własnymi środkami nie jest w stanie wytworzyć wysokiej jakości SI, dlatego podjął z nami współpracę. Alphamoon zapewnia wysokiej klasy wsparcie w SI, a DSR posiada wiedzę dziedzinową i wieloletnie doświadczenie. Z takiego połączenia można się spodziewać naprawdę dobrych efektów.
W wielu firmach brakuje świadomości potencjału sztucznej inteligencji. Przychodzimy im z pomocą identyfikując obszary, w których jej implementacja przyniesie wymierne korzyści. Na tym etapie klient dostaje do ręki raport, z którego jasno wynika, gdzie i w jaki sposób sztuczna inteligencja może pomóc, i jaka jest prognoza zwrotu z takiej inwestycji. Chodzi przecież o to, by w końcowym rozrachunku być na plusie. Jeśli klient jest zainteresowany dalszą współpracą, przedstawiamy gotowe rozwiązania, co do których mamy pewność, że sprawdziły się już w innych przedsiębiorstwach. Po ewentualnych modyfikacjach, specyficznych dla danego zakładu, wdrożony zostaje działający i sprawdzony system.
Istnieje również bardziej grupa przedsiębiorstw bardziej świadoma potencjału wykorzystania SI w swojej działalności. Zwykle tacy klienci zgłaszają się do nas z konkretnymi problemami. Wtedy analizujemy dostępne dane, badamy czy SI może rzeczywiście stanowić wartość dodaną i sprawdzamy możliwość integracji z istniejącymi systemami. Jeśli audyt tych aspektów okazuje się satysfakcjonujący, przygotowujemy propozycję rozwiązania wraz z jego estymacją czasową i kosztową.
Zdaje się, że dane odgrywają tutaj kluczową rolę. W jaki sposób należy je gromadzić, by sztuczna inteligencja zrobiła z nich najlepszy użytek?
Przede wszystkim trzeba zadać sobie pytanie, w jakim celu będą one wykorzystywane. Znając na nie odpowiedź, cały proces ich zbierania i przetwarzania można dokładnie zaplanować. W konsekwencji jakość danych dostarczanych sztucznej inteligencji będzie dużo wyższa. Mam na myśli ich kompletność, dokładność i brak błędnych rekordów, mających ogromny wpływ na efektywność działania takich algorytmów. Warto, aby gromadzone dane były dobrze ustrukturalizowane, a sam proces usystematyzowany. W tym celu warto skorzystać z rozwiązań klasy Enterprise Asset Management oraz narzędzi Industrial IoT do monitorowania zarówno parku maszynowego, jak i realizowanych procesów produkcyjnych oraz ich wskaźników jakości. Dobrym przykładem takiego rozwiązania jest produkt SFC 4FACTORY firmy DSR.
Obecnie technologie SI wkraczają w coraz więcej obszarów. Oprócz branży przemysłowej w najbliższych latach czeka nas również rewolucja w transporcie, gdzie autonomiczne samochody będą wprowadzane na coraz szerszą skalę. Pierwsze firmy w USA (Waymo, Drive.ai) dostały już pozwolenie na przewóz osób pojazdami autonomicznymi, choć na razie, ze względów bezpieczeństwa, w takim pojeździe zawsze znajduje się kierowca. Bardzo ważnym obszarem jest również sprzedaż i marketing, gdzie z coraz większą skutecznością algorytmy SI pozwalają docierać do potencjalnych klientów, a także konstruować spersonalizowane oferty. Kolejna gałąź to diagnostyka medyczna i służba zdrowia. Naukowcy z uniwersytetu Stanforda pokazali ostatnio, że algorytmy SI dorównują najlepszym specjalistom w diagnozowaniu raka skóry, a miesiąc temu chińska firma BioMind udowodniła w zaaranżowanym konkursie, że ich rozwiązanie radzi sobie znacznie lepiej w diagnozie raka mózgu niż 15-osobowe konsylium najlepszych onkologów w kraju. Coraz więcej wdrożeń odbywa się również w tzw. spersonalizowanej medycynie. Rozwiązania oparte o SI są już obecne w energetyce, finansach i ubezpieczeniach, sektorze publicznym, a nawet rolnictwie. Chiński gigant Alibaba zaprezentował niedawno rozwiązanie, które na podstawie monitoringu wideo i nagrań audio z hodowli trzody chlewnej było w stanie wykrywać chore świnie.
Z SI jest tak, jak ze wszystkimi innymi technologiami — przede wszystkim chodzi o redukcję kosztów czy zwiększenie zysków, ale często liczą się też inne aspekty, takie jak np. jak zwiększenie bezpieczeństwa, poprawa jakości produkcji czy utrzymanie konkurencyjności. Opłacalność takiego wdrożenia to czysta kalkulacja. Należy również pamiętać, że technologie SI nie stanowią panaceum na wszystkie problemy. Natomiast jest kilka obszarów, gdzie sprawdzają się one dużo lepiej niż inne rozwiązania technologiczne, a w niektórych przypadkach — lepiej niż człowiek. Są to zagadnienia związane z przetwarzaniem i analizą obrazów, rozpoznawaniem mowy, przetwarzaniem języka naturalnego, analizą danych sensorycznych, a także analizą szeroko rozumianych dużych, nieustrukturyzowanych zbiorów danych, czyli big data.
Zdecydowanie. Wdrożenie systemu klasy MES (Manufacturing Execution System) umożliwia scentralizowane zarządzanie realizacją procesów produkcyjnych. Zbiera on dane o całym procesie, jego elementach oraz poszczególnych maszynach. Następnie są one przekazywane do systemów wspomagających podejmowanie decyzji. Posiadając wgląd w realny stan procesu produkcyjnego w czasie rzeczywistym, możemy na bieżąco reagować na anomalie i zmiany. Wdrożenie zaawansowanych metod wspomagania podejmowania decyzji i automatyzacji produkcji wykorzystujących techniki SI bez dostępu do aktualnych i rzeczywistych danych jest niemożliwe.
Popularyzacja SI znacząco wpłynie na rynek pracy. Co do tego nie mam wątpliwości. Nie oznacza to jednak, że człowiek przestanie być potrzebny. Na pewno czekają nas zmiany struktury zatrudnienia. Pewne stanowiska stracą rację bytu. Na pierwszy ogień pójdą te, które łatwo można zautomatyzować i w efekcie przyspieszyć realizację zadań, obniżyć koszty lub zmniejszyć ryzyko pomyłki. Już dziś ma to miejsce w przypadku prostej analizy dokumentów prawnych czy finansowych. Na utratę pracy narażeni będą kierowcy, gdy tylko autonomiczne samochody użytkowe wyjadą na drogi publiczne. Zagrożonych zawodów jest dużo więcej. Równocześnie firmy zaczynają rekrutować na nowe, nieistniejące dotychczas stanowiska, na których praca polega np. na obsłudze lub nadzorze zautomatyzowanych procesów. Obserwujemy rosnący popyt na specjalistów w zakresie analizy danych i sztucznej inteligencji. Tam, gdzie są maszyny, tam również występują awarie, potrzebne są prace konserwacyjne czy aktualizacja oprogramowania.
Trudno dokładnie przewidzieć, jakie zmiany zaistnieją na rynku pracy. Zarówno w Polsce, jak i na świecie prowadzone są analizy i badania w tym obszarze. Ciekawą hipotezą jest pojawienie się całkiem nowego rodzaju specjalistów — trenerów odpowiadających za nauczanie całych systemów sztucznej inteligencji. Mają to być osoby posiadające wiele zróżnicowanych kwalifikacji i kompetencji: programisty, psychologa, coacha. Google już dziś zatrudnia tego typu specjalistów.
Marcel Płoszczyński - Account Executive w agencji inPlus Media, entuzjasta nowych technologii i sympatyk blockchainowej rewolucji. Przetwarza kawę na linijki tekstu, a w czasie wolnym grasuje w okolicach równika. Specjalizuje się w komunikacji zewnętrznej, którą prowadzi dla firm z branż technologicznej i marketingowej.
inPlus Mediato stworzona przez pasjonatów technologii agencja PR, która wierzy w dobre i wartościowe treści. Doradza zarówno największym korporacjom, jak i startupom z branży IT, w jaki sposób skutecznie komunikować się z rynkiem.
Hej, jesteśmy na Google News - Obserwuj to, co ważne w techu
