Obr. Krivka inovačného cyklu produktu podľa spoločnosti Gartner [6]

Priemyselná výroba vstupuje do prelomovej etapy – po ére pary, elektriny a počítačov prichádza ďalší technologický skok v podobe Industry 4.0. Táto éra ako všetky pred ňou výrazne zmení výrobné závody. Pojmy Industry 4.0 a Smart Factory veľmi úzko súvisia. Smart Factory je trend využívajúci najmodernejšie všadeprítomné počítačové technológie. V tomto koncepte sa najčastejšie spomínajú situácie citlivé (context-sensitive) na výrobné prostredie. Systémy by mali byť schopné uvedomovať si situáciu (vzájomnú polohu s inými strojmi a zamestnancami, plán výroby a podobne) a na základe toho prispôsobiť svoje reakcie. Často sa zvykne spomínať zavádzanie kyberfyzikálnych systémov (Cyber-Physical Systems), odkazujúcich na generáciu nových systémov s integrovanými počítačovými a fyzikálnymi členmi, ktoré môžu interagovať s ľuďmi prostredníctvom nových spôsobov.

Táto myšlienka je jednou z kľúčových pre budúci technologický vývoj a ponúka mnoho príležitostí a vedeckých výziev. CPS systémy zahŕňajú okrem lietadiel a vozidiel novej generácie aj robotické systémy, neobídu ani zdravotnícku oblasť. Analýza týchto dát zohráva čoraz významnejšiu úlohu. Každým rokom množstvo vygenerovaných dát narastá a tým stúpa množstvo informácií, ktoré sa v nich ukrývajú. Dnes sledujeme mnoho trendov so spoločnou myšlienkou vytvorenia inteligentných/smart zariadení. Ide v nich o pripojenie čo najväčšieho počtu zariadení na internet. Tieto dáta by sa mali odosielať, či už predspracované, alebo „surové“, do vzdialených špecializovaných centier. V článku [1] rozoberáme podobnú myšlienku brány (gateway) zbierajúcej dáta z CPS. Na základe dát sa senzory zhlukujú do určitých skupín a to nám dáva zozbierané dáta do kontextu. Zozbieranie veľkého množstva údajov by malo pomôcť pri zhotovovaní predikcií, modelov a v konečnom dôsledku by to malo určitým spôsobom zlepšiť riadenie rôznych systémov.

Dátová analýza pred Big Data

Veľké množstvá dát tu boli aj v minulosti. Tretia priemyselná revolúcia sa začínala koncom 60. rokov minulého storočia. Riadiace systémy sa postupne stávali zložitejšími. Ak berieme do úvahy distribuované systémy riadenia kontrolujúce viacero riadiacich systémov, ktoré sú nezávislé, môže nám táto architektúra pripomínať základ internetu vecí (IoT). Na našej katedre sa takéto distribuované systémy riadenia nachádzajú [2] a študenti majú možnosť pochopiť základne princípy, ktoré platia aj v najnovších trendoch. Takto vygenerované dáta sa spracovávali pomocou rôznych technológií, ktoré poskytovali nástroje skúseným administrátorom týchto systémov na tvorbu reportov a analýz definovaných používateľmi. Tieto procesy boli však často zdĺhavé a nepresné, a preto vznikla Business Intelligence (BI). Tá ponúkala nástroje na prácu s dátami, a tak sa mohol aj menej technicky zdatný používateľ dostať k dátam zo systémov priamo a vytvárať si vlastné ad-hoc reporty, statické a dynamické reporty, multidimezionálne kocky a rôzne ďalšie analýzy. BI sa špecializovala na business dáta, takže rôzni výrobcovia postupom času prichádzali so špecializovanými riešeniami. S výrobou sa začala spájať čoraz častejšie Manufacturing Intelligence (MI).

Naše skúsenosti s riešeniami BI a MI z praxe sme zhrnuli aj v článkoch [3], [4]. Hlavný rozdiel medzi BI a MI je v pôvode dát, s ktorými pracujú, a vo funkciách, ktoré ponúkajú. BI väčšinou pracuje s dátami pochádzajúcimi z ekonomických a plánovacích vrstiev podniku. Samotní používatelia týchto nástrojov BI sú často vysokoškolsky vzdelaní, majú dobré analytické myslenie a vedia čítať rôzne grafy. MI by mala slúžiť zamestnancom vo výrobe a ich vedúcim. Ponúka lepšie možnosti prepojenia technológií použitých vo výrobe so zdrojovými databázami. Z našich skúseností, kde sme použili riešenie BI pri dátach z výroby a reporty v jednom divíznom závode spoločnosti U. S. Steel Košice, a. s., vyplýva, že riešenia MI možno často nahradiť BI. Reporty vo výrobe sú zvyčajne jednoduchšie a používatelia sú zvyknutí na určitú formu reportu, najčastejšie papierovú a vo forme tabuľky, a ťažko si zvykajú na nové prvky ako grafy a portál na ďalšiu analýzu dát. Koniec koncov vo väčšine spoločností je stále práve Excel a jeho doplnky neodmysliteľnou súčasťou práce s dátami.

Big Data už nie sú in

V posledných rokoch sa pojem Big Data spomínal často. Mnohé spoločnosti sa chválili riešeniami Big Data, ktoré sa od klasických, napríklad riešení BI, líšili minimálne. Zo spojenia Big Data sa stal pojem, ktorý dobre predával, a tak sa ním označovalo všetko, čo sa týkalo dát a práce s nimi. Vznikalo mnoho riešení a to mohlo spôsobovať problémy pri rozhodovaní a výbere tých správnych. My sme sa tejto problematike systémov na podporu rozhodovania v oblasti dátovej analýzy venovali v článku [5]. V skutočnosti sú Big Data hlavne o variabilite a ukladaní veľkého množstva rýchlo sa generujúcich dát. Dokonca aj tých, ktoré nám na prvý pohlaď nemusia pomôcť, ale v kombinácii s inými nám môžu vytvoriť určitú konkurenčnú výhodu. Na konferenciách sme sa stretli s názormi, že Slovensko je malou krajinou pre „veľké dáta“. Postupom času vznikli pojmy ako Smart Data a podobne, ktoré lepšie definovali potreby firiem a predznamenali budúci vývoj pojmu Big Data.
Analytická spoločnosť Gartner každý rok zverejňuje krivku známu ako Gartner´s Hype cycle [6], ktorá zaznamenáva nové technológie a zatrieďuje ich do piatich kategórií (obr. 2). Gartner tvrdí, že každá technológia prejde týmito fázami.

Na začiatku je daná technológia spúšťač, prichádzajú veľké očakávania, ktoré nie sú prototypy a prvé generácie produktov zvyčajne schopné naplniť. Potom zvykne prísť druhá až tretia generácia produktov, v ktorej sa opravia chyby, a táto technológia sa postupne sa dostáva do hladiny produktivity, kde už generuje zisk. Tento proces môže pri rôznych technológiách trvať rôzny čas. Ak by sme to mali zhrnúť, mohli by sme povedať, že táto krivka nám umožňuje vidieť, v ktorej fáze sa dané technológie nachádzajú a ako sa budú vyvíjať v priebehu času. Každoročné zverejnenie tejto krivky je veľkou udalosťou pre najväčšie spoločnosti, lebo dáva možnosť naplánovať si správne obchodné ciele na ďalšie roky.

Big Data sa nachádzali na špici pomyselnej krivky. Minulý rok sa však stala veľká vec – z tejto krivky sa odstránili. Dobrý článok o tom sa nachádza na portáli KDnuggets [7], v ktorom to zdôvodňujú tým, že sa tento celok rozbil do viacerých menších, ako je internet vecí (IoT), Smart Advisors, Speeech to Speech Translation, autonómne vozidlá, strojové učenie a ďalšie. Momentálne sú technológiou, ktorá sa nachádza na špici tejto krivky, autonómne vozidlá. Všetky tieto technológie v konečnom dôsledku používajú metódy strojového učenia. V strojovom učení existuje viacero algoritmov, ktorými sa dá riešiť určitý typ úloh. Zvyčajne sa tieto algoritmy špecializujú na rozpoznávanie reči, obrazov a podobne. Spomenúť môžeme napríklad rozhodovacie stromy, neurónové siete, Bayesovské siete, množinu rozhodovacích pravidiel a ďalšie. CEO spoločnosti IBM Ginni Rometty na nedávnej konferencii Code 2016 povedala: „Cognitive computing will impact every decision in 5 years.“. Preto môžeme v najbližších rokoch očakávať intenzívnejšie prenikanie kognitívnych technológií do našich životov a to, že z najbežnejších zariadení sa stanú smart.

V ďalšej časti seriálu sa budeme zaoberať dátovou analytikou v cloude a stručne opíšeme aj právne aspekty cloud computingu.

Literatúra

[1] LOJKA, T. – BUNDZEL, M. – ZOLOTOVÁ, I.: Industrial gateway for data acquisition and remote control. In: Acta Eletrotechnica et Informatica, 2015, Vol. 15, No. 2, p. 43 – 48.
[2] PAPCUN, P. – ČOPÍK, M. – JADLOVSKÝ, J.: Distributed control of production system. Praha: 17th International Student Conference on Electrical Engineering. 16. 5. 2013. Poster.
[3] MIŠKUF, M. – ZOLOTOVÁ, I.: Application of business intelligence solutions on manufacturing data. Applied Machine Intelligence and Informatics (SAMI). IEEE 13th International Symposium on. IEEE 2015.
[4] MIŠKUF, M. – NEMČÍK, M. – ZOLOTOVÁ, I.: Application of business intelligence solutions from Microsoft and IBM on manufacturing data. IEEE 14th International Symposium on Applied Machine Intelligence and Informatics (SAMI). IEEE 2016.
[5] MICHALIK, P. – ZOLOTOVÁ, I.: Design of models for the selection of the suitable platform in the area of data analysis. Intelligent Systems and Informatics (SISY). IEEE 13th International Symposium on. IEEE 2015.
[6] GARTNER: Gartner’s 2015 Hype Cycle for Emerging Technologies Identifies the Computing Innovations That Organizations Should Monitor. http://www.gartner.com/newsroom/id/3114217.
[6] KDNUGGETS: Gartner 2015 Hype Cycle: Big Data is Out, Machine Learning is in. http://www.kdnuggets.com/2015/08/gartner-2015-hype-cycle-big-data-is-out-machine-learning-is-in.html.


prof. Ing. Iveta Zolotová, CSc.
Ing. Martin Miškuf
Ing. Marek Bundzel, PhD.
Technická univerzita v Košiciach
FEI, Katedra kybernetiky a umelej inteligencie,
Laboratórium inteligentných kybernetických systémov/Laboratórium Industry 4.0
http://cybereducentre.fei.tuke.sk