![[ŽIVĚ] Jak kybernetická bezpečnost ovlivní výrobní sektor](https://www.vseoprumyslu.cz/media/k2/items/cache/4782e61929e852d1cbbbbebe70425508_S.jpg)
![[ZÁZNAM] Priemysel 4.0 – automatizácia, digitalizácia a robotizácia (2023)](https://www.vseoprumyslu.cz/media/k2/items/cache/6e4b2528701707a3ed973fc804a3e209_S.jpg)
Trade Media International nejen ve své mediální nabídce denně dokazuje svou snahu naplnit hlavní slogan společnosti: INspirujeme INterakci INženýrů!
Na jaké úrovni si myslíte, že je sběr dat v průmyslu v současné době, kdy jsme ušli spoustu let od doby, kdy dostalo téma digitalizace spoustu mediálního prostoru?
To je dobrá otázka. Musíme si uvědomit, že dat je velká řada a musíme rozlišovat, o které zdroje se jedná. My v našem závodě jako průkopníci určitých témat v digitalizaci jsme už někam došli, data sbíráme, vyhodnocujeme, používáme i vstupy od lidí. S daty u nás pracujeme na denní bázi.
Vy sám jste byl ve funkci označené specialista Průmyslu 4.0. Myslíte, že Průmysl 4.0 je stále silný pojem? A jak se případně liší od doby, kdy jste v této specializované funkci začínal.
Vnímám to stále jako silný pojem, pro nás jde o klíčovou otázku, s níž denně pracujeme. Když porovnám zkušenost z doby před pěti lety, kdy jsem jako specialista začínal, prvotní euforie malovala všechno na růžovo. Nicméně dnes na celé téma koukáme o něco více pragmatičtěji, ale pojem jako takový je pro nás stále silný.
A jak jsme na tom s využitím dat? Daří se nám obecně přeměňovat data skutečně v informace, nebo selháváme už při jejich vyhodnocení, respektive nevyhodnocování? Jak se tahle praxe daří v Boschi? Umíte s daty pracovat, využívat je?
Řekl bych, že ano, ale je důležité pracovat jen s daty, které mohou přinášet relevantní přínos – peněžní, výkonnostní či jakýkoli jiný. S praxí, kterou dnes máme, umíme posoudit konkrétní zdroje, zda je nutné s ním dále pracovat nebo se jím nadále nějakým způsobem zabývat.
Takže není vhodné sbírat data za každou cenu, spíše dbát na to, jaká data sbíráme? Dokážete poradit, na co se zaměřit, abychom vybrali jenom ta relevantní?
Musíme rozlišovat, zda se jedná o procesní data, případně logistická či data z provozu výroby jako takové. Musíme se dotknout i problematiky obrazových dat, kam spadají nejrůznější fotky či další vstupy z kamerových systémů. Samostatnou kapitolou jsou pak vstupy od lidí, zaměstnanců, které vysvětlují, jak organizace funguje.
Kde v ideálních podmínkách v průmyslu začíná a kde končí práce s daty?
To je dobrá otázka, která by se dala ještě více zobecnit: data jsou dostupná všude. Když se člověk rozhlédne po výrobě, velmi důležitý a informativní vstup jsou sami operátoři – co pracují na výrobní lince. Byla by škoda tato data, která můžeme využít, nebrat v potaz. Jedním příkladem je třeba vstup od našich seřizovačů, resp. operátorů z linky, kde sbíráme centrálním systémem, umíme tato data systematizovat a vyhodnocovat, co se u dané mašiny skutečně děje, co stroj sám nemůže říct. To je jedna strana. Když povídám o procesních datech, člověk si uvědomí, že design produktu je navržený nějakým způsobem, a k tomu je postavený stroj, které v procesu vyrábí. Nicméně dílčí vlastnosti produktu můžou být opomenuty ve fázi vývoje stroje a občas chybějící střípky informací musíme posbírat a doplnit do našeho zařízení, aby bylo možné posílat data do databází.
Zaujala mě pasáž o práci seřizovačů. Jak jsou na tom, chápou v Boschi všichni pracovníci, že data jsou klíčovou věcí i pro jejich vlastní práci? Nedochází k nějakému bojkotu či falšování dat?
Určitě jistá míra averze mezi pracovníky na samém počátku byla. Dneska už jsou pracovníci u strojů zcela součástí tohoto procesu a rozumí tomu, že když se vyskytne systematicky opakující se problém, na který nemůže reagovat a vyřešit ho sám, ze správného vstupu a dat se pak najde ten, který je schopen najít řešení. To zajišťuje bezproblémový chod výroby.
Kdybychom se podívali do reálné praxe Váš a Vašeho týmu, dokážete přiblížit reálné projekty, kde datová analytika byla klíčovou součástí?
Datová analytika startuje hned na začátku pracovního dne při ranní poradě. Určitými nástroji, které jsme si sami vyvinuli, si odpovídáme na otázky, jaké problémy nás aktuálně trápí, sledujeme současně na týdenní i měsíční bázi opakující se záležitosti atd. Snažíme se všechno řešit. Datová analytika je pro nás denní chleba, diskutujeme v týmu o hodnotách, které sledujeme, jsme schopni predikovat budoucí vývoj, a tvoříme tak co nejlepší výstupy.
V čem tkví největší problémy při práci s daty? Dělají se největší chyby právě na úrovni sběru dat, nebo třeba už i při výběru, co vlastně sbíráme?
Určitě bych poradil zkoušet si sběry dat nějakým způsobem ověřovat. Ideálním případem je „experiment“, ačkoli je mi jasné, že výroba není pokusný králík. Dají se ale vysledovat určité závislosti výrobních dat a když jimi specialista digitalizace zabývá, řekne si, že potřebuje správné odpovědi na pokládané otázky. Není problém i do již běžících mašin zabudovat zdroje pro sběr dat, ověřit si jeho funkčnost a teprve poté jeho nasazení řešit hromadně, rozšiřovat je. Kdybych to měl shrnout, je důležité naučit se na pokusném zařízení data správně sbírat, ověřovat své hypotézy kvůli sběru dat a teprve poté se pouštět do rozšiřování.
Kdysi jsme dostal doporučení, že kdybych se chtěl rekvalifikovat do průmyslu a mít jistotu velké budoucnosti, tak to bude právě datová analytika. Jak velkou roli hraje lidský faktor při práci s daty?
Bezesporu je při práci s daty lidský faktor na místě. Člověk může ovlivnit proces nebo podobu, jak bude vypadat ten či onen systém. Nicméně profil člověka je různorodý – může se jednat o odborníky na jiné oblasti, kteří se datovou analytikou začali zabývat teprve nedávno, nebo opačně – člověk z inženýrské profese, který se oboru doučí a začíná pokládat otázky, na něž mu datová analytika odpoví. Celý proces opravdu stojí na správně pokládaných otázkách. Na jejich základě je pak už snadné hledat cesty a způsoby vedoucí k odpovědím.
Máte v týmu dost odborníků, nebo momentálně na trhu nejsou?
Nemáme dost a myslím si, že jde o obecný trend v průmyslu. Datový analytik je unikum. Do budoucna jich určitě bude třeba víc, i pro jiné profese a zaměstnání. Osobně si myslím, že právě práce s daty bude jednou patřit k běžnému profilu uchazeče o zaměstnání u nás.
Poslech a možnost odběru všech epizod v aplikacích:
Spotify: https://open.spotify.com/show/
Apple Podcast: https://podcasts.apple.com/cz/podcast/
Google Podcast: https://www.google.com/podcasts
Tato problematika často vůbec není předmětem studia. Pokud přicházím do průmyslu, strojírenské obory s daty nepracují tolik, co by mohly. Co by pro Vás bylo ideální, aby absolvent uměl? Nebo nemusí umět nic a všechno ho naučíte? Co je lepší?
Oba případy jsou možné. Bezesporu rádi naučíme všemu, co umíme. Nicméně vyzdvihl bych tzv. digitální trojici, jak ji nazýváme. Jde o schopnost dotazovat databáze, umět pracovat s různými BI nástroji, které pomáhají data vizualizovat, a programování. To je také zapotřebí a každodenní práci nesmírně usnadní.
Nahradí tyto chybějící datové analytiky úspěšně umělá inteligence, nebo tak daleko s umělou inteligencí zatím nejsme?
Když se zaměříme na procesy jako takové, umělá inteligence je dobrý pomocník pro inženýry pracující v průmyslu. Některé problémy nejde úplně dobře prozkoumat staršími metodami, respektive to zabírá hodně času. Pomocí datového analytika se dá vybudovat systém, který umí potřebné vazby vystihnout sám, dát jim určitou váhu – to je pomocník inženýra, který na základě svých zkušeností z praxe dokáže určit, co je nejpravděpodobnější, a tím pádem bude schopen svůj problém vyřešit. Nicméně nevidím to tak špatně, že by umělá inteligence úplně člověka nahradila. Ale v práci s datovou analytikou bych spíše jako náhradu viděl pro umělou inteligenci roli dobrého pomocníka, ne riziko, které může lidem sebrat pracovní místo.
Zmínil jste příklady, které byste rád představil. Naši posluchači mají rádi konkrétní příklady, pojďme klidně na ně.
Častá otázka v průmyslu je zpracování obrazu. Jsou místa nebo procesy, kde kontaktní metody není možné použít, tím pádem se musíme spolehnout na vyhodnocení kamerových systémů. V zakázkách většího objemu nebo u duplikací linek/procesů nastává nepříjemná situace – podmínky, za kterých kamery sbírají data, nejsou homogenní, takže strádá i kvalita vyhodnocení dat. Umělá inteligence je cílená na oblast, kde pomocí principů, které v sobě umělá inteligence má, je schopna se přizpůsobit měnícím se podmínkám. Mohou se měnit podmínky ze dne na den, jednou jsme řešili problém, jak odstínit střešní okna haly – konkrétně v létě od šesté do sedmé hodiny večer nebyly schopny kamerové systémy nic vyhodnotit. A to jen kvůli tomu, že se slunce určitým způsobem odráželo od zdí skrz okno ve střeše atd. Systém postavený na umělé inteligenci je schopný takové případy vyřešit sám.
Už jsme zmínili, že objem dat roste exponenciálně. Jak náročné je mít připravenou i dostatečnou IT infrastrukturu a datová centra?
Naštěstí si to Bosch uvědomil dost brzy a už pár let pracujeme na datových zdrojích, které se snažíme standardizovat. To je klíč, jak předcházet problémům. Ano, s rostoucí výrobou a rostoucími požadavky na ni je dat obrovské množství. Je možné narazit na technologický strop. I dnešní nástroje jednou přestanou fungovat, případně budou tak pomalé, že už nebudou organizaci přinášet žádnou hodnotu. Klíčem je standardizace a najít způsob, jak data sbírat. Budoucí případy je pak vhodné budovat na základě standardních cest, které pak jde škálovat.
Uchování dat mimo průmyslové podniky (cloud) je velká problematika, ještě větší je potřeba uchránit je. Jak intenzivně se v rámci kybernetické bezpečnosti věnujete ochraně dat?
Vidíme spíš otázku technologickou, když bude dat v cloudu hodně, co pak s nimi. Vidíme bezpečnostní rizika jako taková, data ukládáme v rámci Evropské unie a zabezpečení je na vysoké úrovni, řízeno centrálním oddělením pro informační bezpečnost nejen v našem závodě, ale v celé firmě. My jako generátoři dat, ti, kteří stojí u jejich zdroje, se tomu musíme podřídit a chovat se tak, abychom celkovou bezpečnost dat nenarušili.
Jsou pro vás otázky kyberbezpečnosti komplikací? Stává se, že si výroba a IT nemusí navzájem v této otázce vždycky rozumět.
Alexander Katalevskiy, Manufacturing Engineering Team Leader, Bosch
Ano i ne. Samozřejmě můžeme svoje operativní záležitosti řešit důrazem na přidanou hodnotu – peníze, které nám můžou utéct, pokud je nebudeme monitorovat. Nicméně musíme být prozřetelní a nechodit do rizika, situací, které mohou ohrozit náš provoz. Snažíme se najít cesty, snažíme se domlouvat s IT oddělením. Většinou se to vždycky podaří, je to jen otázka času a toho, jak dobře se veškeré procesy naplánují.
Oddělení máte v rámci Bosche hodně. Kdo nejčastěji pracuje s daty? Napadá mě snad údržba, pro kterou data mohou znamenat zajímavý zdroj informací pro vlastní práci.
Je to tak, kromě procesních dat umíme sbírat i data monitorující „zdraví strojů“. Přímo na ně instalujeme dodatečná čidla a snímače. To jsou dělené zdroje, sbírají informace spíše v reálném čase než ve spojení s procesy. I z těchto dat je možné postavit predikční modely a snažit se odpovídat dopředu na otázky typu – odejde součástka, přestává fungovat a vznikají rizika ohrožující výrobu. Údržba s nimi funguje, pracují s nimi neustále. Mají možnost podílet se i na další optimalizaci procesů.
Na půdě konferencí o údržbě se často dostáváme k diskuzi, zda šetří peníze, nebo je to nákladová položka. Jak je na tom sběr dat z hlediska ekonomiky? Už zaznělo, že je potřeba vědět, zda problém ušetří peníze. Je Váš tým považován za ty, kteří firmě šetří či dokonce vydělávají peníze?
Je to tak, na své platy si dokážeme vydělat. Nicméně přínos v poměrně velkých částkách vidíme, ale určitě to není stoprocentně jen naší zásluhou. My děláme i na jiných projektech a procesech, práce s daty tvoří tak 30 % naší pracovní náplně. Díky datové analytice využíváme svoje pracovní kapacity na maximum.
Není jedním z témat, které v současnosti musíte řešit, sledování energií a snižování energetické spotřeby? Nedostali jste podobný pokyn?
My jsme dokonce schopni posoudit a vyhodnotit, kolik kilowatthodin u nás stojí výroba jednoho výrobku. Je to práce jak našeho oddělení, tak i jiných kolegů.
Podařilo se během náročné energetické doby najít nějakou cestu ke snižování?
Cesty stále hledáme, ale uvědomujeme si, že je to opravdu problém. Jde o klíčovou a podstatnou část nákladů. Vedení o tom ví, aktivně na tom pracujeme. Nejsem vám ale schopen říct nic konkrétního, celý proces je zatím spíše v počátcích.
Na závěr bych rád rekapituloval. V celém procesu je klíčový sběr dat, jejich vyhodnocení a přeměnu v informace. Jak správně postupovat? Pojďme závěrem představit best practise.
Asi bych doporučil zaměřit se na to, co stojí nejvíce peněz. Po sběru dat je velice důležitá vizualizace, pořád jsme jen lidi a veškeré vstupy zpracovává umělá inteligence. Potřebujeme proto přeměnit data jako taková do podoby, která je pro nás víc čitelná a pochopitelná. Často je pro naše procesní specialisty důležité konkrétní vyjádření. My posbíráme data, určitým způsobem je zkombinujeme a dáme jim do ruky nástroj, díky něhož budou moci na denní bázi sledovat svoje procesy a dostávat další podstatné informaci. Po sběru a vizualizaci dat nastává neméně důležitý krok – optimalizace. Jak proběhne, je většinou v rukou konkrétních procesních specialistů. Nicméně my analytici si všímáme, jak důležité je zajistit procesním specialistům vhodné nástroje, aby byly aktuální a odpovídaly požadavkům, které mají. Pro nás je to nekonečné kolečko, čtvrtý krok celého sběru. Data posbíráme, vizualizujeme, analyzujeme. Poté na základě těchto informací vzniká návrh toho, co se dá vylepšit. Když se na vylepšení přijde, vracíme se znovu na začátek, ptáme se, zda nějaká data chyběla, zda je možné pracovat jen s tím, co máme, a celé kolečko startuje vlastně od začátku.