„Je to mix informatiků a matematiků, kteří už mají léta zkušeností. Umíme se napojit na existující systémy ve firmách a navrhnout, jak jejich data ještě lépe vytěžit. Nebo jaký nástroj umělé inteligence přidat, abychom celý firemní ekosystém ještě víc „nachytřili“, mluví o svém týmu nadšeně Hynek Cihlář, architekt AI řešení a AI konzultant v Aricomě. Když ho tak člověk slyší, tak má dojem, že žijeme v úžasné době, kdy je možné dělat neuvěřitelné věci.

Nejde o nástroj, ale strategii

Právě Hynek Cihlář a jeho kolegové teď ve velkém implementují nástroje umělé inteligence hlavně do výrobních procesů. Jak sám říká, nejde ani tak o to, že se do výrobní linky nebo na pás přidá nějaký jednotlivý nástroj. To je až konečné stádium. Kouzlo toho celého (a toho, co vede třeba ke zvýšení rychlosti odbavování výrobků až o 50 procent), je v navržení celého ekosystému.

„Poptávky nám chodí z menších i větších firem. Ty už většinou mají nějaký ERP (plánování výroby a navazujících procesů) nebo MES (sledování výroby v reálném čase) systém, ale vědí, že je nevyužívají naplno. Nebo neví, jak pracovat se všemi daty, která systémy poskytují. Právě to jim navrhujeme,“ popisuje Hynek Cihlář.

Typická poptávka podle něj vypadá tak, že manažeři firmy buď vědí o nějakém konkrétním problému, který je při nakládání s vlastní výrobou a daty trápí. Nebo naopak neurčitě tuší, že díky umělé inteligenci by mohli fungovat efektivněji, ale vůbec neví, kudy do toho. „Tady je důležité říct, že většinou neděláme revoluci. Častěji postupujeme agilně a vytváříme nadstavbu stávajících systémů. Nejdřív v jedné dílně nebo na jedné výrobní lince a pak postupujeme dál.“

Parťák navíc

Výhodou dnešních velkých jazykových (takzvaně multimodálních) modelů je mimo jiné to, že už umí i vytvořit textový popis toho, co vidí. Pokud je agent dobře natrénovaný, chová se jako parťák s vlastním přemýšlením. Fungovat to pak může například tak, že kamerový systém určený k hlídání kvality, umí s přidáním funkcí označit místa s vadou, obrázek pak putuje do multimodálního jazykového modelu a ten, na základě kontextu do servisní dokumentace, popíše nejen to, co vidí, ale udělá i logický výklad, takže nasměruje daného zaměstnance k tomu, jak je možné problém řešit.

Jako ukázkový příklad může sloužit projekt pro společnost Vars Brno, která kontroluje stav české silniční infrastruktury. „Jejich měřicí vůz pomocí radiového paprsku a kamery zkoumá, jak je ta vozovka poškozená. My jsme pro ně natrénovali neuronovou síť, která rozpoznává praskliny a to, kam až je silnice poškozená, a podle toho se dnes plánuje údržba. Celý proces jsme zkrátili z vyšších jednotek týdnů na asi 60 hodin,“ dává jeden z mnoha příkladů využití Hynek Cihlář. Další si můžete přečíst vedle tohoto článku.  

Kde v průmyslu a logistice se můžou nástroje umělé inteligence hodit?

1. Prediktivní analýza kvality výrobního cyklu

Problémy s kvalitou výrobku se často odhalí až na konci výrobního cyklu, což vede k vysokým nákladům na opravu výrobku nebo úplné vyřazení. AI nástroje, které kontinuálně analyzují data z výrobních senzorů, vizuální data z průběhu procesu a historická data o kvalitě dokončených výrobků, ale dokážou identifikovat korelace a vzorce, které naznačují potenciální problémy s kvalitou ještě předtím, než nastanou. Vidí například drobné změny v textuře materiálu a na základě záznamů umí predikovat třeba riziko prasknutí. Systém generuje včasná upozornění pro operátory, a celé to snižuje náklady způsobené nekvalitní výrobou o 15 až 25 procent.

2. Dynamická optimalizace výrobních parametrů

Nastavení výrobních parametrů je často statické nebo se upravuje manuálně jen na základě zkušeností, což snižuje efektivitu. AI monitoruje data ze senzorů strojů, vizuální data z průběhu výroby, informace o spotřebě energie a textové záznamy o manuálních úpravách, a dokáže tak doporučovat optimální nastavení pro každou fázi výrobního procesu, aby se maximalizovala efektivita a minimalizoval odpad. Přitom se kontinuálně učí. Výsledkem je zvýšení výrobní efektivity o 5 až 10 procent a další benefity, jako je snížení spotřeby energie nebo materiálu.

3. Prediktivní údržba výrobních strojů a zařízení

Poruchy strojů způsobují neplánované prostoje a vysoké náklady. Plánovaná údržba je často neefektivní, protože se provádí zbytečně brzy nebo pozdě. AI naproti tomu analyzuje data ze senzorů strojů, vizuální data (např. opotřebení dílů z kamer), textové záznamy (historie údržby, manuály) a zvukové záznamy (neobvyklé zvuky stroje). Díky tomu dokáže předpovědět blížící se poruchu s vysokou přesností a doporučit optimální dobu pro údržbu. Výsledkem je snížení neplánovaných prostojů o 20 až 40 procent a prodloužení životnosti strojů.

4. Automatizovaná vizuální inspekce s pokročilou detekcí defektů

Manuální vizuální kontrola je časově náročná, náchylná k chybám a subjektivní. Tradiční strojové vidění může mít problémy s detekcí komplexních nebo nečekaných defektů. To moderní ale zpracovává obrazová a video data z výrobní linky ve vysokém rozlišení. Dokáže identifikovat souvislosti na snímcích, jako jsou mikroskopické defekty, odchylky v barvě, tvaru, struktuře nebo povrchu, převést je na textový popis, a to i u produktů s vysokou variabilitou, jako jsou přírodní materiály.  Tím dosahuje zlepšení interpretace a kategorizaci vady o 20 až 30 procent a zvýšení rychlosti inspekce o 50 procent.

5. Optimalizace uspořádání skladu a sledování zásilek v reálném čase

Neefektivní uspořádání skladu vede k dlouhým časům vychystávání a obtížné lokalizaci zboží. Manuální sledování zásilek je náchylné k chybám a zpoždění. Pomocí integrace s IoT senzory a kamerami dokáže umělá inteligence identifikovat pozici každé položky a zásilky, porovnávat ji s plánem a upozorňovat na odchylky. Může také vizuálně identifikovat poškozené zboží při příjmu nebo expedici. Čas vychystávání se tím zkrátí o 20 až 30 procent.

6. Prediktivní řízení zásob a automatizované objednávání

Nevyvážené zásoby vedou k nadměrným skladovacím nákladům nebo naopak k nedostatku materiálu a přerušení výroby. Předcházet se tomu dá díky analýze historických prodejních dat, sezónních trendů, makroekonomických ukazatelů a případně i obrazových dat z monitoringu skladů. Na základě těchto dat AI předpovídá budoucí poptávku s vyšší přesností a automaticky generuje návrhy objednávek materiálů u dodavatelů. Náklady na skladování se tak sníží o 10 až 15 procent a pomůže to i cash flow.