Zkoumání výhod umělé inteligence a strojového učení

Cíle strojového učení a umělé inteligence může naplnit mnoho algoritmů, ale tyto  mohou uživateli pomoci začít. Obrázek poskytla společnost Inductive Automation Cíle strojového učení a umělé inteligence může naplnit mnoho algoritmů, ale tyto mohou uživateli pomoci začít. Obrázek poskytla společnost Inductive Automation

Umělá inteligence (AI) a strojové učení (ML) mohou výrobcům přinést mnoho výhod a pozitivních výsledků v oblasti optimalizace, prediktivní údržby a dalších. Podívejte se na tři úvodní kroky každého projektu strojového učení.

Ještě před nedávnem byly strojové učení (ML) a umělá inteligence (AI) pro mnoho lidí ve výrobním průmyslu poměrně novými pojmy. Mnoho společností se dostává do tempa a zavádí tyto technologie pomalu a metodicky. Naštěstí se nabídka v této oblasti v posledních letech výrazně zlepšila. Základní koncepce jsou však stejné.

Umělá inteligence (AI) je souhrnný pojem, který zahrnuje všechny technologie, u nichž se počítač nebo systém jeví jako inteligentní. Může jít o cokoli od rozpoznávání obrazu až po systémy autopilotů letadel, které se začaly objevovat již v roce 1914. Strojové učení (ML) je podmnožinou umělé inteligence a zaměřuje se na schopnost stroje získávat poznatky z dat. Studium strojového učení se často týká běžných algoritmů ML, které se používají k vytváření poznatků o datech.

Čtyři výsledky strojového učení a přínosy pro výrobce

V posledních letech se přesunula pozornost od samotných algoritmů ML ke kategoriím výsledků ML. Zde jsou čtyři hlavní typy výsledků ML, které jsou předmětem zájmu mnoha lidí:

  1. Prediktivní detekce poruch a generování alarmů mohou být pro společnost jednou z nejvýznamnějších oblastí úspor nákladů. Pokud má dojít k výpadku výrobní linky, může být nákladově mnohem efektivnější ji včas odstavit a provést údržbu než ji odstavit uprostřed výrobního procesu. Předvídání poruch a generování alarmů na základě algoritmů může ušetřit spoustu peněz.
  1. Další oblíbenou oblastí je optimalizace procesů. Obvykle probíhá tak, že systém poskytuje doporučení pro nastavení žádaných hodnot a regulovaných veličin pro systémy. Existují dva hlavní typy optimalizace procesů: otevřená a uzavřená smyčka. Optimalizace v otevřené smyčce zahrnuje interakci s uživatelem, kdy systém může doporučit změny k optimalizaci procesu a technik nebo jiný odborník tato doporučení přezkoumá a rozhodne, zda je použije. Optimalizace v uzavřené smyčce zcela vylučuje zásahy člověka a doporučení pro ladění se aplikují automaticky.

Často se stává, že společnost spustí optimalizační algoritmus v otevřené smyčce a poté, co se spokojí s výsledky, přejde na uzavřenou smyčku. Ačkoli se optimalizace v uzavřené smyčce obvykle provádí pouze jednou za několik minut, hodin nebo dní, existuje několik případů, kdy může být užitečné ji provádět rychleji. Účelem může být zajistit konstantní ladění procesu, jehož ladění tradičními prostředky, jako je proporcionálně-integračně-derivační smyčka (PID), může být velmi obtížné nebo nemožné. Většina lidí, kteří provádějí vysokorychlostní ladění procesů pomocí ML, nakonec spouští algoritmy ML pro ladění na vestavěném počítači nebo podobném hardwaru hned vedle PLC.

  1. Detekce anomálií zjišťuje odchylky od běžných provozních podmínek. To může poskytnout přehled o tom, kdy proces neprobíhá optimálně, nebo někdy může předpovědět špatný průběh výroby nebo chyby zařízení. Tyto systémy obvykle poskytují číslo, které udává, jak blízko je proces normálním provozním podmínkám. Výsledky lze považovat za další „senzor“ a výsledky algoritmu detekce anomálií lze použít k čemukoli od upozornění na abnormální stav až po zastavení procesu. Ačkoli je detekce anomálií podobná prediktivní detekci poruch a generování alarmů, poskytuje spíše informace o tom, jak si proces vede právě teď, než aby předpovídala, jak si povede v budoucnu.
  1. Analýza vad se obvykle provádí pomocí algoritmů rozpoznávání obrazu a může být velmi užitečná pro klasifikaci dílů a odhalování abnormalit. 

Tři úvodní kroky každého projektu strojového učení

To všechno zní skvěle, ale jak je tedy třeba začít? Zde je několik úvodních kroků, které platí pro každý projekt ML:

  1. Určete systém, který by mohl mít prospěch z jednoho z výše uvedených výsledků.
  2. Definujte, co chcete pomocí tohoto systému analyzovat a jakých výsledků chcete dosáhnout.
  3. Ověřte, zda máte pro daný systém shromážděn dostatek historických dat. Většina algoritmů ML potřebuje k tomu, aby byly efektivní (aby se z nich „učily“), obrovská množství dat. Pokud je v systému nemáte k dispozici, přidejte historické protokolování a za několik týdnů nebo měsíců se k tomuto kroku vraťte. 

Tři kroky k vytvoření modelu strojového učení

Dalším krokem je vytvoření modelu strojového učení. Modely jsou programy, které se spouštějí za účelem získání potřebných výsledků. Vytvoření modelu:

  1. Připravte data. Všechny modely ML potřebují ke svému vytvoření data. Většina dat exportovaných z datového skladu nebo databáze není dokonalá a je třeba je vyčistit. To obvykle znamená vyřazení špatných řádků, identifikaci dat ze špatných senzorů a jejich vyloučení a zajištění použitelnosti dat. Procesní technik obeznámený se systémem se může podívat na data a určit, zda se jedná o čistý soubor dat.
  2. Model je třeba trénovat. To se provede tak, že se do něj vloží vyčištěná data a vyberou se některé možnosti trénování.
  3. Poté se model hodnotí, aby se zjistilo, jak dobře funguje. Pokud provedete trénink, vždy bude vytvořen nějaký model, který však může velmi špatně předvídat. Podívejte se na skóre, abyste zjistili, jak dobře si model vede, a ujistěte se, že model získal dobré skóre.

Tři typy softwaru AI/ML

Uživatelé sice mohou vědět, jak data připravit, ale nemusejí mít představu o tom, jak model natrénovat nebo vyhodnotit. V takovém případě je čas vybrat si software AI/ML. K dispozici je široká škála možností.

  1. Dodavatelé softwaru pro umělou inteligenci

Objevilo se mnoho firem, které staví modely nebo nabízejí hotové modely pro určité typy zařízení.

  1. Platformy ML typu low-code nebo no-code

Stále více platforem pomáhá lidem začít vytvářet vlastní modely. Příkladem jsou Google Cloud AutoML, AWS ML a Microsoft Azure Machine Learning Studio. Obvykle se doporučuje mít základní znalosti algoritmů strojového učení, ale začít není příliš složité. Pro začátečníky je dobré si přečíst něco o algoritmech pro shlukování, regresi a klasifikaci.

  1. Kódovací platformy ML

Jedná se o nejběžnější řešení. Pokud máte datového vědce nebo oddělení informačních technologií (IT), kteří se již zabývají ML, můžete se na ně obrátit, aby vás nasměrovali správným směrem. Svá řešení nabízejí Google, AWS a Azure. Navíc lze spouštět lokálně mnoho bezplatných řešení, jako je TensorFlow a Scikit-learn.

Není nic špatného na tom, když začnete s platformou ML typu low-code a později přejdete na platformu s plným kódováním. Kódovací platformy jsou složitější na používání a často je používají datoví vědci, ale větší flexibilita často vede k modelům s vyšším skóre. Čím lepší je model, tím lepší jsou výsledky a tím větší je pravděpodobnost dosažení stanovených cílů.

Po počátečním průzkumu si mnoho společností najme datového vědce, aby jim pomohl s prací v oblasti ML, ale není to nutné. Tyto technologie jsou k dispozici a přístupné každému, kdo chce tuto novou technologii vyzkoušet a využít její slibné možnosti.

Není pochyb o tom, že AI a ML budou i v budoucnu důležitou součástí prostředí řízení a automatizace. Společnostem, které hledají výhodu v oblasti provozních nákladů nebo efektivity, se vyplatí věnovat trochu času průzkumu možných variant.

Kevin McClusky, zástupce ředitele pro prodej technických řešení společnosti Inductive Automation. Upravil Chris Vavra, zástupce šéfredaktora 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