Začnime trochu filozofickou otázkou: ak sa pozrieme na vývoj v oblasti technológií umelej inteligencie, je jasné, že málokto na svete by si teraz trúfol povedať, čo všetko sa zmení alebo môže zmeniť, keď pustíme umelú inteligenciu (UI) do našich životov, podnikov, škôl, zdravotníctva… Je sa teda čoho obávať? Alebo naopak, máme pred sebou žiarivú budúcnosť, kde sa vďaka UI veľa vecí zmení k výrazne lepšiemu?
Možno je to inherentne bezpečným charakterom UI, ktorú vyvíjame v našej firme, ale celkovo som optimista. Vidím obrovský prínos pre spoločnosť a prostredníctvom optimalizácie výroby aj riešenie existenčných hrozieb a vytiahnutie stámiliónov ľudí z chudoby. Obavy sa zdajú oprávnené, sledujúc UI vylepšujúcu kód, ktorý jej pomáha rýchlejšie sa učiť. Tzv. singularita, keď nás počítače v inteligencii predbehnú, sa zrejme blíži. Singularita však nemusí znamenať žiaden Armagedon.
Motivácia umelej inteligencie zničiť nás nemusí existovať. A pokiaľ budeme dbať na kybernetickú bezpečnosť, napríklad oddeľovať IT a OT systémy, UI nemusí mať dosť nástrojov na boj proti ľuďom. Najväčšiu hrozbu vidím v tom, ako nebezpečne rýchlo a bez rozmyslu posúvajú firmy UI do výroby. Experimentálna technológia, ktorá neumožňuje dostatočnú transparentnosť, v rukách IT amatérov, ktorí niekedy nevedia pozbierať konzistentne pár čísel a grafickú kartu použili len na hranie počítačových hier, sa môže stať nebezpečnou zbraňou. Ako automatická puška v rukách dieťaťa. Výzvy na zastavenie alebo spomalenie vývoja UI však nepovažujem za aktuálne. Ľudstvo si nevystačí len s logaritmickým pravítkom a kresadlom, musíme rozvíjať užitočné technológie.
Na úvodnej stránke webu vašej spoločnosti máte slogan Získajte excelentnosť vo výrobe vďaka umelej inteligencii. Je to teda tak, že umelá inteligencia prináša niečo zásadne iné, čo doterajšie technológie neboli schopné priemyslu ponúknuť?
UI prináša priemyslu schopnosť spracovať obrovské množstvá dát tak, že musíme len málo predvídať, čo v tých dátach uvidíme. To je presne to, čo výroba potrebuje. Výroba je proces, do ktorého vstupuje hlina a z ktorého vystupuje bezpečné lietadlo. Výroba vyžaduje vyladenie mnohých prvkov, ktorým rozumieme len čiastočne, ak vôbec, a boj s variabilitami, ktoré nevieme predvídať. Preto potrebuje flexibilitu modelov, ktorú umožňuje UI. UI znamená revolúciu nielen v spracovaní údajov z výroby, ale aj v ich získavaní. Doteraz najväčšou bariérou digitalizácie výroby bol zber údajov. Tým, že náklady na uloženie údajov Moorovým zákonom 30 rokov exponenciálne klesali, je možné kumulovať mesiace videozáznamov výroby. No až 3. vlna umelej inteligencie znížila náklady na spracovanie týchto záznamov na bežné použitie. Revolučná je hlavne technológia tzv. virtuálnych alebo SW senzorov. Naša firma túto technológiu dostala do použiteľnej podoby, už sme otestovali stotisíc takýchto senzorov a dokázali, že s ňou vieme digitalizovať výrobu za jeden deň.
V odbornej literatúre sa hovorí o niekoľkých tzv. zimách a následne jarných obdobiach vo vývoji umelej inteligencie, podľa toho, ako sa tejto technológii darilo zaujať investorov a aký pokrok vo vývoji dosiahla. Vy hovoríte o tretej vlne umelej inteligencie – čo si máme pod ňou predstaviť?
Tými vlnami myslíme kvalitatívny pokrok umelej inteligencie, ako je použiteľná vo výrobe a vnímaná spoločnosťou. V tomto modeli môžeme hovoriť celkovo o štyroch vlnách umelej inteligencie:
- Prvá vlna sa začala v 60. rokoch rozvojom symbolickej UI, ale očakávania revolúcie sa nenaplnili a nastala prvá zima, t. j. pokles záujmu a investícií ako dôsledok sklamania. Druhá zima nastala niekedy v 80. rokoch, tretiu zimu už asi neočakávame. V 90. rokoch sa rozvíjala hlavne regresia, pravdepodobnostný prístup, ale bez zásadného rozšírenia a dôsledku na ekonomiku. Klasicky sa ešte tieto staršie prístupy rozlišujú na prúdy alebo vlny, to však v tomto modeli nemáme na mysli.
- Druhou vlnou rozumieme obdobie zhruba od 2012, ide o vývoj neurónových sietí, všeobecného modelu, ktorým možno opísať veľmi širokú triedu problémov. V počítačovom videní šlo hlavne o konvolučné neurónové siete, ktoré vedia výborne rozoznávať objekty na obrázkoch. Problémom sú však vysoké nároky na odborníkov pri používaní, čo zamedzuje škálovaniu, podobne ako sú klasické snímače obmedzené nedostatkom elektrikárov a inštalačných technikov.
- Tretia vlna prirodzene prichádza zhruba po roku 2021 ako dôsledok rozsiahlej akademickej činnosti a skúseností z pilotného použitia neurónových sietí v praxi. Rozšírené použitie a znížené náklady umožňujú veľké jazykové modely, prístupy kombinujúce strojové učenie a expertné systémy, kompozitná UI a tzv. human-in-the-loop UI kombinujúca flexibilitu človeka a konzistentnosť a náklady stroja. My vyvíjame práve posledný spomenutý prístup, vďaka ktorému vieme inštalovať senzor vo výrobe jedným klikom doslova za sekundy a dlhodobo udržiavať vysokú spoľahlivosť.
- Štvrtou vlnou je všeobecná umelá inteligencia, t. j. Čapkov robot, ktorý vymení dušu na bicykli, porazí vás v hre mikádo, odšoféruje auto, vyberie oblečenie z práčky na sušiak, následne ho úhľadne ožehlí starou žehličkou a zloží do skrine. To sú pre stroje veľmi náročné úlohy a možno je to stav až po spomínanej singularite.
Ak niektoré technológie neboli dostatočne preverené časom a hlavne úspešnými inštaláciami a výsledkami, máloktorý podnik si ich vyberie za svoj smer technologického rozvoja. Nie je zatiaľ umelá inteligencia v tejto fáze životného cyklu? Čo sa musí stať, aby bola v širokej miere prijatá aj vo výrobných a spracovateľských podnikoch?
Nemyslím si, že by bariérou škálovania UI bol nedostatok pilotov a potvrdení. Problémom je väčšinou nedostatočná návratnosť investície z dôvodu vysokých nákladov, za ktoré si často môžu fabriky svojou nepripravenosťou na spoluprácu s firmami, ktoré distribuujú štandardné riešenia. Ďalšou brzdou škálovania bol samozrejme príliš dlhý čas potrebný na digitalizáciu reálneho sveta.
Fabriky sú zvyknuté zo sveta automatizácie, že treba pilotovať proces v praxi a že mnoho problémov sa ukáže až v reálnej prevádzke, takže každá zmena stojí veľa a musí sa dlho vylaďovať. Tradične očakávajú prístup vývoja na mieru a pilot s vysokou investíciou overený v automatizácii aj v digitalizačných projektoch. Veria, že digitalizácia musí byť pre každú továreň iná, na mieru len pre jedného používateľa. Riešenie vyvinuté pre jedinú fabriku je potom však aj stokrát drahšie ako riešenie ponúkané mnohým fabrikám. Z pohľadu fabrík treba byť schopný rýchlo nadviazať spoluprácu s dodávateľom UI služieb, vedieť si ju dobre vyskúšať formou menšieho pilota a koncepčne porovnať alternatívy.
Digitalizácia je oveľa menej riziková než automatizácia a tretia vlna UI umožňuje veľmi univerzálne riešenia, takže návratnosť napríklad zavedenia výrobného informačného systému (MES) bude dostatočná v prípade desaťnásobného počtu firiem. Keď prekonáme bariéry kolaboratívnosti fabrík a vysokých nákladov na digitalizáciu výrobných prevádzok, budeme vidieť stále viac prípadov využitia UI vo výrobe.
Ktoré procesy je, resp. bude možné zveriť v rámci priemyselného podniku umelej inteligencii a aké výsledky by sa od nej dali očakávať?
Prípadov použitia, ktoré majú dobrú návratnosť, je už teraz dosť, ale z dôvodu prílišného vývoja na mieru sa oplatia len málo firmám. Najväčší efekt bude mať digitalizácia a UI na zvýšenie produktivity nižšieho manažmentu – optimalizácia úloh pre operátorov, plánovanie, rozvrhovanie, zvýšenie efektívnosti a trvácnosti zariadení, redukcia variability. Konkrétne napríklad naše SW snímače dokážu automaticky detegovať miesto zastavenia alebo spomalenia na linke, čím zefektívňujú prácu predáka linky. Alebo počítajú opakovateľný čas produkčného kroku, čím umožňujú lepší odhad nákladov. Môžu napríklad skontrolovať, či boli vykonané všetky montážne kroky, alebo automaticky určiť zastavenie z dôvodu chýbajúceho materiálu alebo prestavby. Prípadne sledujú mobilné zariadenia a tým zabezpečia sústavný prehľad o polohe materiálu v hale. Len pre UI na zber dát máme desiatky ďalších dokumentovaných použití.
UI teraz rýchlo automatizuje kancelárske práce, z ktorých mnohé sú relevantné aj pre výrobné firmy, napríklad nahrávanie faktúr, získavanie informácií o zákazníkoch, príprava grafiky pre marketing atď. Digitalizácia kancelárskych procesov potom prinesie mnoho príležitostí pre automatizáciu. Automatizácia fyzických procesov, ako napríklad spomenutá práca s látkou alebo výmena duše na bicykli, je oveľa náročnejšia, lebo treba zanalyzovať širokú škálu vstupných dát rôznymi modelmi v reálnom čase, takže príde neskôr. Tiež by som bol veľmi opatrný s automatizáciou procesov pomocou UI, teraz ešte UI metódy nedokážu v plnom automatickom režime zabezpečiť dostatočnú spoľahlivosť, takže využitie bude nabiehať len pozvoľna.
Digitalizácia priemyslu je od ohlásenia konceptu Priemyslu 4.0 každodennou témou nielen v médiách, ale hlavne v stratégii podnikov všetkých veľkostí. Veľa výrobcov a dodávateľov hardvéru/softvéru sa s touto témou identifikuje a ponúka recept na digitalizáciu. Čo to znamená, keď tvrdíte, že vaša technológia dokáže stonásobne zrýchliť digitálnu transformáciu u zákazníka?
Musím opraviť, že naša technológia nedokáže stonásobne urýchliť digitálnu transformáciu, ale digitalizáciu výroby. Transformácia zahŕňa aj správanie ľudí a podnikové procesy, ktorých nábeh sa dá zrýchliť flexibilnejším systémom, ale stonásobné zrýchlenie by znamenalo skrátenie z obvyklých jednotiek rokov na týždeň a tak rýchlo sa ľudia nemenia.
Úzkym hrdlom z pohľadu digitalizácie výroby je prenos a štruktúrovanie údajov z reálneho sveta do digitálneho a nedostatok relevantných údajov na analýzu. Hlavným problémom súčasne používaných HW snímačov je čas a náklady potrebné na ich naplánovanie, inštaláciu, overenie, údržbu a interpretáciu v prípade problémov. Na každý snímač sú potrebné hodiny až dni práce odborníkov, typicky rozloženej do obdobia niekoľkých týždňov. Prax ukazuje, že na prvýkrát sa snímače nemusia nainštalovať na najvhodnejšie miesto, takže treba umiestnenie a pochopenie ich signálu postupne iterovať. Manažment týchto dlhých projektov, kde synchronizujeme elektrikárov, údržbárov, dátových analytikov a expertov na výrobu, trvá mesiace až roky.
SW senzory umožňujú tento čas skrátiť na menej než jeden deň inštalácie, po ktorej už v prevádzke netreba nič inštalovať alebo premiestňovať, pretože všetko je na zázname, takže na digitálnom obraze môžeme senzor validovať alebo premiestniť okamžite a dokonca spätne. Popritom sme vyvinuli katalóg modelov pokrývajúci viac ako 80 % strojov a liniek, ktorý umožňujú rýchle zavedenie digitálneho dvojčaťa so širokým spektrom prínosov. Takže rýchlosť uvedenia nástrojov digitalizácie je rádovo jeden deň. Rýchlosť ich rozbehnutia, vyladenia a realizácie prínosov v praktickej výrobe závisí už len od používateľa. Máme vyvinuté doslova krabicové riešenie, kde aj si môže zákazník alebo jeho systémový integrátor nainštalovať potrebný hardvér, ľahko umiestniť SW senzory a napojiť ich do svojich monitorovacích systémov.
Umelá inteligencia potrebuje veľké objemy údajov, aby dokázala generovať overiteľné a uveriteľné výstupy. Jednou z možností, ako tieto údaje získavať z výroby, je pridávať rôzne druhy snímačov. Vy ste sa rozhodli využiť na zber údajov kamery, ktoré ponúkajú niekoľkonásobne väčší objem informácií. V čom je teda výhoda takéhoto riešenia v porovnaní s klasickými snímačmi?
Technológia SW senzorov využíva kamery, ktoré zbierajú až miliónkrát viac údajov, ako je potrebné, ale tým zabezpečia, že žiadne údaje nebudú chýbať. Interpretácia záznamov sa odsúva na neskôr. To prináša kvalitatívnu zmenu oproti starším prístupom zapojenia PLC strojov alebo tzv. retrofitom výrobných zariadení hardvérovými snímačmi. Hlavným prínosom SW senzorov je možnosť inštalovať senzory v minulosti – to pridáva v digitalizácii takú obrovskú flexibilitu, že aj v prípadoch, keď je SW senzor stokrát drahší, je jednoznačným riešením. Druhým prínosom je rýchlosť inštalácie, keď prakticky na päť klikov za pár sekúnd môžem vytvoriť z videa nový dátový tok, ktorému dobre rozumiem, a pripojiť ho na ďalšie analýzy. Ďalšou výhodou SW senzorov je univerzálnosť. Fabriky sú stavané tak, aby boli vizuálne kontrolovateľné manažérmi a expertmi, takže drvivá väčšina dát relevantných pre riadenie a ladenie výroby sa dá získať kamerami. SW senzory dodávajú dôveryhodnejšie dáta, keďže signál zo senzorov možno ľahko overiť podľa pôvodných videí. Video sa oveľa náročnejšie falšuje ako tabuľka meraní zo senzora, takže SW senzory umožňujú rýchlejší konsenzus medzi ľuďmi analyzujúcimi problémy vo výrobe.
Tiež sa ukazuje, že ak sú potrebné veličiny nevýhodne odsledovateľné kamerou, ako napríklad elektrický prúd alebo prietok tekutín, senzor už býva v strojoch zabudovaný, takže netreba pridávať nový snímač. SW senzory sú omnoho škálovateľnejšie a veľmi skoro ich počet predbehne počet HW snímačov. To však neznamená, že HW snímače sa prestanú používať. Práve naopak, rozsah digitalizácie výroby umožnený SW senzormi pomôže aj rozvoju HW snímačov. Nákladový trend ide jasne v prospech SW senzorov: zatiaľ čo pre bežné snímače predstavuje hlavné náklady človek, ktorého práca je stále drahšia, hlavnými nákladmi SW senzora je dátový tok a algoritmy, ktoré sa zlacňujú. Prax ukazuje, že aby snímač za jednotky eur dodával spoľahlivé dáta, celkové náklady na prácu ľudí za päť rokov dosahujú jednotky tisíc eur, HW tak vie byť len jednou tisícinou nákladov. Už v okamihu inštalácie bývajú SW senzory lacnejšie, potom ich prevádzka prináša významné úspory oproti HW snímačom.
Jedným z megatrendov súčasnej priemyselnej automatizácie sú aj výpočty na okrajových zariadeniach (z angl. edge computing). Priblížiť technológie výpočtov a rozhodovania bližšie k zdroju, kde informácie vznikajú, prináša nesporné výhody. Budú práve edge zariadenia tými, kde budú bežať aj algoritmy umelej inteligencie? Dajú sa pomenovať?
Presun výpočtov z cloudu alebo on-premise vlastných serverov na edge je prirodzeným vývojom vo výrobe, pretože edge computing prináša kratšiu latenciu a vyššiu dostupnosť a náklady edge počítania klesajú. UI musí bežať na edge, pokiaľ aplikácia vyžaduje významnú mieru autonómie, napríklad sa využíva v autonómnom riadení alebo ak chceme riadiť fabriku, aj keď bager pretrhne optický kábel k internetu. Nedostatočne doceneným míľnikom edge computingu bolo vydanie edge zariadenia na výpočtovej úrovni bežného linuxového laptopu s nízkou spotrebou energie, ako sú napríklad inteligentné telefóny alebo jednodoskové počítače Raspberry Pi. Tieto zariadenia využívajú otvorené protokoly, open source SW, a ich komunita presiahla kritickú hranicu rýchleho rozvoja, z pár desiatok špecialistov na konkrétnu edge platformu na potenciálne všetkých programátorov. Hlavne dostupné počítače umožňujúce spracovanie obrazu na edge, ktoré prišli až v roku 2019, umožnili rýchle rozširovanie SW senzorov.
Zariadenia s nižšou výpočtovou kapacitou sa ukazujú ako nákladné na údržbu. Podobne ako HW snímače vyžadujú veľkú špecializáciu, ich vývojová komunita je príliš malá. Investícia do nich je riziková, lebo aspoň jedna z ich elektronických súčiastok vyrábaná v malých sériách sa pre veľmi nákladnú druhovýrobu stane povestným „kazítkom“, pre ktoré vyhodíte celé zariadenie, a čaká vás nová inštalácia, validácia dát atď. Ako keď vyhodíte kávovar, ktorého mechanické súčiastky sú v perfektnom stave, lebo neviete zohnať jednu elektrickú súčiastku. Jednoduchá vymeniteľnosť je vždy základom dobrého IT, spoločná otvorená platforma v priemyselnom IoT na báze počítačov s nižším výkonom chýba, prevláda kultúra OT sveta, t. j. robiť si všetko na mieru. Filozofia IT/OT konvergencie jasne favorizuje platformy podobné Raspberry Pi, trendom bude zvyšovanie bezpečnosti, odolnosti, modularity.
Edge computing má potom nevýhodu v ochrane IP, keďže umiestnenie SW u zákazníka znamená jeho odhalenie. Riešením môžu byť rôzne open source modely vývoja, ale napríklad v našej firme sme po dlhšom experimentovaní a konzultáciách s expertmi stavili na integrovanú edge-cloud architektúru. Aj keby niekto prišiel s modernejším prístupom, pri zotrvačnosti firiem nepredpokladáme, že bude najbližších päť rokov niečo lepšie ako cloud-edge hybrid.
Projekty, ktoré sa týkajú digitalizácie procesov a nasadzovania technológií umelej inteligencie v priemyselnom podniku, sa plánujú, inštalujú, testujú a overujú v reálnej prevádzke rádovo mesiace. Dá sa tento proces nejako skrátiť? Možno sa v tomto smere pohybovať na úrovni týždňov/dní?
Áno, rýchlosť digitalizácie výroby sa vďaka SW senzorom bude približovať rýchlosti digitalizácie nevýrobných firiem, pričom táto rýchlosť je určená len mierou potrebnej zmeny správania ľudí, čo v niektorých prípadoch môžu byť mesiace, ale niekedy aj pár minút. Digitalizácia trvajúca niekoľko dní nie je žiadna teória, v našej firme máme skúsenosť s fabrikami, ktoré sme zdigitalizovali jednou návštevou za jeden až tri dni a následne sme pár týždňov pomáhali v rámci digitálnej transformácie prispôsobovať nástroje individuálnym potrebám fabriky, resp. naopak priblížiť procesy zákazníka k tzv. best practice. Keďže predaj je v priemysle tradične veľmi dlhý a nákladný, začíname školiť rôznych distribútorov na tzv. partnerský predaj, aby sme mohli naším riešením digitalizovať desaťtisíce podnikov. V roku 2024 každá ambiciózna IT firma dodávajúca priemyselným podnikom synergické systémy, napríklad ERP, PLM, QMS, APS, dokonca i len základnú dátovú infraštruktúru atď., môže s pomocou BI konzultantov dodať MES na báze SW senzorov za pár dní. To bolo v roku 2023 nemysliteľné.
Máte niekoľkoročné skúsenosti z reálnych projektov a z rôznych priemyselných odvetví pri nasadzovaní umelej inteligencie. Ak by ste sa na základe týchto skúseností pozreli do najbližšieho obdobia, ako bude vyzerať využitie umelej inteligencie v priemyselnej praxi v najbližších rokoch? Ktoré smery budú prevládať a naopak, ktoré sa ukazujú ako nepoužiteľné?
Za osem rokov praxe som mal možnosť byť pri projektoch digitalizácie v takmer sto fabrikách, pracoval som aj s desiatkami nevýrobných firiem. Jedna vec, ktorou som si celkom istý, je, že v rámci niekoľkých mesiacov sa toho nestane veľa. Čím väčšia organizácia, tým väčšia zotrvačnosť, v inováciách to znamená tým väčšia brzda. To je aj zrejme dôvod, prečo naša menšia agilná organizácia nainštalovala stotisíc senzorov, zatiaľ čo rôzne veľké IT firmy ich nainštalovali len niekoľko stoviek, maximálne zopár tisíc. Vysvetliť niektorým organizáciám, že na digitálne dvojča nepotrebujete investíciu, je niekedy zdĺhavejšie, než prejsť ich schvaľovaním CAPEX, čo môže trvať aj pol roka.
Na druhej strane, za 15 rokov vývoja, ktoré v akadémii a praxi sledujem, sa aplikácie strojového učenia, ako aj samotná technológia posunuli tak povediac z nuly na sto, pričom vývoj sa každým rokom zrýchľuje. Na úrovni niekoľkých rokov vidím obrovský potenciál v použití UI pri digitalizácii výroby, pričom tieto dáta môžu vstupovať do rôznych modelov digitálnych dvojčiat. To je zrejme oblasť s najväčším potenciálom použitia, a preto tým v našej firme prioritne zaoberáme. Následne budú môcť fabriky intenzívne využiť ďalšie technológie, ktoré sú viac zamerané na jednotlivé priemyselné odvetvia.
Ďakujeme za rozhovor.