Řešení nedostatku znalostí v oblasti AI u výrobců strojů

Cyklická povaha projektů umělé inteligence a strojového učení (AI/ML), jak je popsána v Machine Learning Academy společnosti Dimecc. Obrázek poskytla společnost Dimecc Cyklická povaha projektů umělé inteligence a strojového učení (AI/ML), jak je popsána v Machine Learning Academy společnosti Dimecc. Obrázek poskytla společnost Dimecc

Využívání umělé inteligence (AI) v aplikacích strojového učení (ML) vyžaduje více znalostí. Podívejte se na čtyři způsoby, jak zlepšit vzdělávání v oblasti umělé inteligence a strojového učení.

Najít pracovníka pro oblast umělé inteligence (AI) je těžké. Jen málo průmyslových společností jich má dostatek. Umělá inteligence promění podobu mnoha pracovních míst. Firmy by měly každému zaměstnanci poskytnout znalosti, které potřebuje, aby se mohl přizpůsobit novým rolím obohaceným o použití umělé inteligence. Využívání AI pomáhá implementovat nové obchodní modely a poskytovat lepší služby. Je nutné, aby s ní uživatelé byli schopni pracovat.

Během posledního desetiletí se design, vývoj a implementace AI rozšířily do mnoha odvětví. Organizace se potýkají s pochopením obchodního potenciálu AI a s hledáním pracovníků pro tuto oblast.

Stále více zemí si uvědomuje příležitosti, které poskytuje umělá inteligence, a tak vypracovaly národní strategii umělé inteligence. V roce 2017 bylo Finsko mezi prvními zeměmi, které zahájily program umělé inteligence. Cílem programu bylo učinit z Finska lídra v oblasti aplikace umělé inteligence.

Finský program umělé inteligence vybral malou skupinu firem jako průkopníky implementace AI. Většina společností je v raných fázích používání dat a AI v provozu.

Jak řešit nedostatek znalostí v oblasti umělé inteligence

Způsobem, jak řešit nedostatek znalostí v oblasti umělé inteligence, je zvýšit objem prostředků věnovaných na vzdělávání v oblasti digitálních technologií, matematiky a technického vzdělávání obecně. Současný vzdělávací systém ve Finsku navíc ještě nevěnuje dostatečnou pozornost aplikaci AI v různých oblastech. Akademické a školicí programy nejsou schopny držet krok s rychlým tempem inovací v oblasti umělé inteligence. Výuka umělé inteligence by měla začít brzy a měla by probíhat v každé fázi vzdělávání. Akademická obec, společnosti i úředníci veřejného sektoru musejí spolupracovat a zajistit, aby byly k dispozici komplexní osnovy AI. Hromadné, otevřené on-line kurzy (Massive Open Online Courses – MOOC) ukazují cestu a jsou dobrým příkladem moderního způsobu, jak naučit širokou veřejnost základní znalosti o AI. Hlubší porozumění však často vyžaduje vzdělávací moduly šité na míru.

Výrobní sektor v současné době zaostává v používání umělé inteligence a ML ve srovnání s mnoha jinými průmyslovými odvětvími. Zavádění nových technologií, zejména v procesním průmyslu, vyžaduje důsledné plánování, které je časově náročné. Společnosti mají dlouhodobé zkušenosti s optimalizací výroby, a jelikož životnost investic může být i desítky let, nelze provádět změny rychle. Kromě toho předpisy v oblasti bezpečnosti a životního prostředí vyžadují přísné řízení.

Organizace PwC (dříve známá jako PricewaterhouseCoopers, firma poskytující profesionální služby) na základě svých odvětvových odhadů indexu dopadu AI předpokládá, že do roku 2023 se může v jednotlivých průmyslových odvětvích zvýšit provozní marže (kolik zbude z každého eura výnosů po odečtení přímých nákladů na prodej zboží a provozních nákladů) o 60 až 100 %. Rozdíl křivky „navýšení díky AI“ u jednotlivých odvětví odráží dopad dvou faktorů: 1) rychlost, jakou jsou průmyslová odvětví schopna zavádět různé aplikace AI, a 2) vývoj systémů AI pro řešení obchodních problémů příslušného odvětví.

Výhody a překážky AI ve výrobě

Očekává se, že ve výrobě budou krátkodobé výhody pocházet většinou z automatizace procesů a řešení založených na produktivitě. Ve střednědobém horizontu lze automatizovat složitější procesy, protože inteligentní automatizace nabízí značný potenciál a prediktivní aplikace pro údržbu a optimalizaci dále zvyšují výkon.

Zvýšení produktivity díky AI a ML nezávisí jen na zavedení samotné technologie. Je potřeba také změnit organizaci práce a zvýšit znalosti zaměstnanců.

Výzkum ukazuje, že největší překážkou zavádění AI a strojového učení je nedostatek znalostí. Průzkumy většinou poukazují na technické dovednosti potřebné k vývoji řešení AI a ML. Největší nedostatek znalostí v oblasti AI a ML se však týká organizace.

Závěrečná zpráva programu Finnish Artificial Intelligence Programme poukázala na to, že na základě průzkumu nabízí Finsko vysoce kvalitní vzdělání pro ty, kteří chtějí být profesionály v oblasti AI (informační technologie, matematika), ale v oblasti aplikátorů AI vykazuje jistý nedostatek. V těchto oblastech budou dopady AI viditelné nejrychleji. Podle údajů pracovní skupiny je k dosažení ambiciózních cílů AI nejdůležitější zajistit dostupnost univerzálního vzdělávání, investovat do nových metod vzdělávání a vytvářet programy, které do Finska přilákají talentované pracovníky.

Kontinuální vzdělávání zaměstnanců je výzvou a tyto problémy mohou řešit různé operace a mechanismy. Kritickým faktorem je zvýšení povědomí a znalostí managementu o příležitostech AI, aby bylo zajištěno dostatečné množství vstupů pro nové flexibilní metody vzdělávání.

Požadavky na způsobilost zaměstnanců pro AI

Požadavky na kompetence zaměstnanců jsou ovlivněny změnami poptávky po práci na trzích práce. Potřeba nových talentů rychle roste v aplikacích, kde se bude vyvíjet a zavádět AI. Tento požadavek nelze řešit obvyklou cestou vzdělávání. Aby bylo možné efektivně zlepšit stávající dovednosti zaměstnanců, jsou nutné nové operace a mechanismy.

Většina kompetencí zaměstnanců je založena na učení na pracovišti. Firmy proto mají větší odpovědnost za rozvoj kompetencí. Společnosti aktivně hledají způsoby, jak zaměstnance vzdělávat interně nebo ve spolupráci s jinými společnostmi.

Je mnoho přístupů ke vzdělávání, ale existuje jen malá míra učení na pracovišti v kontextu Průmyslu 4.0. Organizace potřebují adekvátní strategii hodnocení výkonu a odpovídající školení pracovní síly se samoregulačním, reflexivním, společným a kombinovaným učením, aby se snížilo riziko vyloučení pracovníků z prostředí Průmyslu 4.0. Organizace bez adekvátního školení riskují dopady na efektivitu výroby, rozmanitost produktů a kvalitu.

Společnosti musejí vybavit stávající profesionály dovednostmi AI, aby tito profesionálové mohli své znalosti uplatnit ve světě řízeném AI. Hovoří o tom i studie organizací Future Workplace a The Learning House z roku 2018, která zdůrazňuje, že školení pracovní síly pro dovednosti AI a ML by mohlo být účinným způsobem, jak vyplnit mezeru v dovednostech.

Organizace Letmathe & Schinner (2017) uvádí, že úspěch pracovníků bude záviset na flexibilitě a kompetencích pro řešení problémů, stejně jako na ochotě zapojit se do celoživotního vzdělávání, jinak nebudou pracovníci schopni držet krok s požadovanými změnami na svých pracovištích a v pracovních postupech. Tato výzva by také mohla vysvětlit, proč se mnoho společností zdráhá investovat do kyberfyzických systémů (Cyber-Physical Systems – CPS), které často zahrnují AI. Řízení kompetencí na organizační úrovni a také reforma veřejného vzdělávání jsou důležitými faktory pro zavedení CPS. 

Případová studie: Kurzy strojového učení

Bezplatné on-line školení AI a ML na obecné úrovni je k dispozici od hlavních poskytovatelů technologií (jako jsou IBM, Microsoft, Amazon a Google) nebo prostřednictvím hromadných kurzů MOOC organizovaných významnými univerzitami.

Příkladem je „Elements of AI“, šestimodulový on-line kurz vytvořený ve spolupráci finské technologické společnosti Reaktor a univerzity v Helsinkách. Cílem tohoto typu školení je obvykle „demystifikovat AI“ pro povzbuzení široké skupiny lidí a pochopit, co to vlastně umělá inteligence je, k čemu je dobrá a jaká jsou její omezení.

Machine Learning Academy (MLA) od společnosti Dimecc ve spolupráci s firmou Futurice je soustředěnou a odvětvově přizpůsobenou metodou eliminace nebo přinejmenším snížení nedostatku kompetencí v oblasti AI. První kurz, zaměřený na finský strojírenský průmysl, proběhl na podzim roku 2018. Druhý kurz byl uzavřen na konci dubna 2019. Tato iniciativa byla také zdůrazněna v závěrečné zprávě finského národního programu AI jako inovativní příklad vzdělávání souvisejícího s AI.

Primární cílové publikum MLA se skládá z vedoucích pracovníků a techniků výzkumu a vývoje, jakož i vlastníků podniků a produktů, kteří řídí nebo se účastní vývojových projektů AI/ML. Aby uspěli v těchto úkolech, musejí pochopit, jak specifikovat, plánovat, hodnotit a řídit vývoj nebo interní zajištění dílčích subjektů, které zahrnují prvky AI a ML. Například pro techniky výzkumu a vývoje je důležité pochopit, jak zavedení těchto nových technologií změní schopnosti, meze, plány a rozhraní jejich procesů vývoje produktů. Po absolvování kurzu budou mít účastníci základní znalosti AI a ML a také schopnost rozpoznávat a řídit vývojové úkoly, jejichž cílem je těžit z používání těchto nových metodik.

MLA se skládá ze sedmi celodenních tréninkových modulů s podpůrnými materiály pro předběžné studium, s praktickými cvičeními a domácími úkoly. Školení začíná tématy na obecnější úrovni, jako je přehled typických hnacích motorů podnikání a příklady aplikací ML.

V techničtějších modulech jsou zahrnuty metodiky ML (učení s učitelem /supervised learning/, učení bez učitele /unsupervised learning/ a hluboké učení) následované vysvětlením dat a etiky AI. Šestý modul pomáhá účastníkům pochopit, jak jsou realizovány skutečné projekty AI/ML. V posledním modulu jsou hodnoceny projekty zadané v kurzu.

V celém kurzu jsou představeny různé typy obchodních a technických scénářů; ty jsou používány jako výukové nástroje. Jejich hlavním účelem je pomoci účastníkům pochopit, na co se mají zaměřit a se kterými subjekty se musejí během různých fází projektů datové vědy spojit. Například scénář „Obchodní cíl a kontext“ použitý v prvním modulu směruje uživatele, aby spolupracovali s vlastníky firem a s těmi, kteří financují projekt, při odpovědích na následující otázky: „Jaký je obchodní cíl (tohoto projektu)?“ a „Jak to zapadá do naší obchodní strategie?“

V typickém projektu datové vědy se často využívá odbornost mezioborového projektového týmu.

Vzhledem k primární cílové skupině MLA není překvapující, že při svém hodnocení účastníci oceňují získání lepšího povědomí o tom, jak mohou projekty ML řídit a formovat skutečné obchodní dopady. Rovněž byla oceňována témata související s přípravou a provozováním praktických projektů ML, jako jsou příprava dat (sběr, čištění, předběžné zpracování, filtrování, analýza atd.) a srovnání různých metod ML. Jak jeden účastník uvedl: „Často děláme spoustu práce, abychom nakonec zjistili, že máme nedostatečná data.“ 

Studenti plánují a specifikují projekt ML

Během kurzu MLA se od účastníků očekává, že budou plánovat a specifikovat skutečný projekt strojového učení. Moduly kurzu jsou uspořádány tak, aby jejich obsah sledoval vývoj typického projektu ML (viz obrázek). Uspořádání kurzu také poskytuje účastníkům několik příležitostí diskutovat o svých projektech s lektory a ostatními studenty a sdílet či porovnávat své přístupy.

K dokončení zadaného projektu musejí účastníci také získat příspěvky od různých interních subjektů, jako jsou vlastníci podniků a procesů, vývojáři technologií a produktoví manažeři. Jelikož jsou v průběhu kurzu představována a řešena témata související s projektem kurzu, účastníkům se doporučuje, aby spolupracovali s těmito subjekty a získali je pro nový přístup. Cílem je, aby na konci kurzu měl každý účastník specifikaci projektu, kterou klíčoví aktéři již znají a která je dostatečně podrobná pro zahájení interního vývojového projektu nebo pro jeho získání od externího dodavatele. Každý účastník v posledním modulu prezentuje projekt zadaný v kurzu.

Ačkoli první účastníci kurzu MLA pocházeli převážně z výzkumu a vývoje, projektová témata pokrývala celou řadu interních funkcí: finance (chytré prognózování hotovostního toku, analýza rizik zákazníka), prodej (ceny a nástroje, automatické generování nabídek), výrobu (inteligentní plánování, řízení v procesu za účelem optimalizace kvality), péči o zákazníky (prediktivní a preventivní údržba) a lidské zdroje (zlepšený rozvoj kompetencí prostřednictvím analýzy trhu práce). 

Provozní projekt AI pro strojové učení

Konkrétním příkladem byl provozní projekt společnosti Ponsse zaměřený na poprodejní služby, zejména na údržbu sklízecího zařízení v terénu, kde se ML využívalo k rozpoznání potřebného intervalu výměny oleje. Hydraulický olej a filtry se aktuálně mění ve stanovených intervalech (přibližně každých 1 800 hodin) a optimalizace intervalu výměny by přinesla významné úspory.

Kurz MLA trvá přibližně tři kalendářní měsíce a plánovaná celková doba práce účastníků, včetně projektových prací, je 100 pracovních hodin. Zpětná vazba a zkušenosti z prvních dvou kurzů MLA naznačují, že to stačí k dosažení plánovaných cílů výuky, což závisí i na schopnosti účastníků studovat nad rámec svých každodenních povinností. Projekt zadaný v kurzu se také jeví jako dobrý způsob, jak konkretizovat výuku a získat zájem různých zúčastněných subjektů.

Nedostatek znalostí o ML při jeho zavádění a nedostatečné proškolení mají dopad na výrobní a strojírenský průmysl. Ačkoli je pravděpodobné, že nedostatek znalostí bude v dohledné době přetrvávat, existuje zjevná potřeba přizpůsobených vzdělávacích programů AI/ML, které společnostem pomohou rozvíjet zaměstnance a povzbudit je, aby začali experimentovat s AI. 

Čtyři způsoby, jak zlepšit výuku AI/ML

Doporučení pro pomoc společnostem, akademickým institucím a státní správě při výuce v oblasti AI a ML:

  1. Vypracujte učební plán přizpůsobený pro vaše odvětví. Místo toho, abyste se snažili v AI obecně konkurovat předním technologickým společnostem, jako je Google, doporučujeme stát se přední AI společností ve vašem průmyslovém sektoru, kde vám vývoj jedinečných schopností AI umožní získat konkurenční výhodu. Jak AI ovlivní strategii vaší společnosti, bude záviset na konkrétním odvětví, společnosti a situaci.
  2. Zaměřte se na vzdělávání celého personálu společnosti. Spíše než zřizování samostatných jednotek AI v rámci organizace doporučujeme zvýšit kompetence a porozumění AI na všech úrovních – od úrovně řízení až po dílnu. Stejný princip platí i na úrovni odborné veřejnosti.
  3. Výuka umělé inteligence by měla podporovat konkrétní pilotní projekty a případy použití. Vypracujte osnovy výuky umělé inteligence, které podporují konkrétní pilotní projekty a případy použití. Pomáhá to proměnit koncepty AI v praktickou hodnotu.
  4. Proveďte reformu stávajícího veřejného vzdělávání. Prozkoumejte příležitosti k vytvoření poukazu na vzdělávání v oblasti umělé inteligence nebo vzdělávacího účtu, který by stimuloval fungující trhy vzdělávání dospělých. Zvyšte počet webových školení a otevřených univerzitních kurzů pro širokou veřejnost. Integrujte vzdělávání v oblasti umělé inteligence také do učebních plánů odborných škol.

Antti Karjaluoto je ředitel pro inovativní technologie, Arto Peltomaa je programový manažer a Risto Lehtinen je vedoucí pro společnou tvorbu ve společnosti Dimecc, člena sdružení Industrial Internet Consortium, obsahového partnera vydavatelství CFE Media and Technology. Upravil Mark T. Hoske, obsahový ředitel časopisu Control Engineering, CFE Media and Technology, Tato e-mailová adresa je chráněna před spamboty. Pro její zobrazení musíte mít povolen Javascript..

Control Engineering Česko

Control Engineering Česko je přední časopis o průmyslové automatizaci. Je vydáván v licenci amerického Control Engineering, které poskytuje novinky z této oblasti více než 60 let.

www.controlengcesko.com