Szinte felfoghatatlan az a fejlődés, amit a 4. ipari forradalom hoz magával. A vállalatvezetőknek, döntéshozóknak olyan dolgokat kell megérteniük, mint a BIG DATA, robotika, a mesterséges intelligencia (MI), virtuális valóság és analitika, hogy ezeket az eszközöket az autonóm termelés és az egyedi tömeggyártás szolgálatába tudják állítani.

És, hogy mikor indul be a gazdaságot forradalmasító folyamat, már csak a vállalatvezetőkön és a munkaerőpiacon múlik. Azt kutattuk két szakértővel, Szabados Leventével és Szertics Gergővel, hogy az ipari szereplők, miként tudják munkára bírni a MI-t, ehhez milyen ismeretek szükségesek és azt vizsgáltuk, hogy egy hazai kkv-nak milyen lépéseket kell tennie ahhoz, hogy digitalizálja a működését.

Mély- és gépi tanulás

Számítási kapacitás és gépi tanulás

Az artifical intelligence (AI), magyarul mesterséges intelligencia (MI) úgy lett a mindennapjaink szerves rész, hogy észre sem vettük. AI nélkül nincs chatbot, nincs arcfelismerés és nincs önvezető autó sem.

Ma már rendelkezésre áll akkora számítási kapacitás, hogy elég mély rétegekben tudjuk alkalmazni a neurális modelleket, így most ezek a mély neurális hálók lettek az etalon. A deep learning keresztapja Geoffrey Hinton, a Torontói Egyetem professzora és a Google AI kutatói karának tagja. A módszer alapjait a 1980-as években fektették le, de nem nagyon használta senki, nem hittek benne, hogy működhetnek. Viszont mivel ma már rengeteg adatot és számítási kapacitást is biztosítani tudunk ezen rendszerek számára, sokkal jobb eredményeket tudunk elérni a neurális hálózatokat a alkalmazásával.

“A machine learning egy alkalmazott statisztikai modellezés tág területe, mely során  van egy ipari/üzleti probléma, valamennyi adat és ez alapján kell megoldást találni, ahol nem adjuk meg a szabályszerűségeket, hanem – kis túlzással élve – csak rádobáljuk az adatokat a gépre és kérjük a megoldást! A gépi tanulás területén belül az elmúlt évek egyik legígéretesebb technológiája a fent említett mélytanulás (deep learning) alapú modellalkotás. A deep learning úgy különbözteti meg nagy biztonsággal az önvezető autó esetén a járdát az úttesttől, hogy közben nem magyarázza el a rendszernek senki, hogy mit jelent a járda és az úttest.

Mély tanulás (deep learning)

A deep learning nem utánozza az embert, nem tudása van, hanem tudás elsajátítási képessége. Mivel azonban mindig egy célterületre fókuszál, és tudásunk szinte alig haladt abban, hogy általánosan intelligens rendszereket építsünk. Így egyáltalán nem kell tartanunk öntudatra ébredő Skynettől és a terminátor filmek vízióitól.” Foglalja össze Szabados Levente,  mesterséges intelligencia (MI) szakértő a két kapcsolódó fogalom közötti különbséget.

Szertics Gergely ipari digitalizációs tanácsadó, aki az ipar 4.0 technológiákat felhasználva oldja meg a vállalatok digitalizációs kihívásait, sok esetben mesterséges intelligenciát használ. Azt keresi, hogy milyen technológia kellene a megoldáshoz.

A döntéshozók általában nem ismerik azt a gyorsan fejlődő technológiai spektrumot, amivel meg lehetne oldani a problémájukat, akik technológusok, azoknak pedig kell egy kézzel fogható, specifikált probléma, amin konkrétan lehet dolgozni. Ma már vannak olyan kkv-k, ahol a gyártásirányítást és a logisztikai rendszer irányítását MI-val vértezték fel, az ehhez szükséges szenzorok, vagy az RFID használata már általános. A digitalizáció, ami segít automatizálni a folyamatokat az MI-bevezetését alapozza meg, az izgalmak ezeknek a technológiáknak az integrálásánál kezdődnek, illetve ott, amikor a gyártásirányítást is rábízzuk a MI-ra, ami nélkül nincs cahtbot, nincs arcfelismerés és nincs önvezető autó sem.

Adat, mindenek felett

Három nagy helyzet van, amikor a mesterséges intelligencia alapú megoldások optimálisan működni képesek. Az egyik, ha van valamilyen adat, melyek nem teljesen specifikusak a problémánkra nézve – például képek az internetről – ez elég ahhoz, hogy elég erős általános modelleket építsünk fel. A másik eset, amikor nincsenek jelen nagy tömegben általános adatok, ilyenkor meg kell tanítani a gépi rendszernek az adott folyamatokból származó adatokat, ez a specifikus maching learning; a harmadik eset, amikor valaki  aki a modelleket szolgáltatja (például egy népszerű, cloudon keresztül elérhető szolgáltatás) kiválóan ismeri az adott területet, nem kell tréningezni, csak testre szabni a folyamatokat, hiszen minél több az adat annál könnyebben tanul a deep learning rendszer és feltehető, hogy a szolgáltató a tanítás jelentős részét már elvégezte.

A tapasztalat az, hogy jelenleg szét vannak szórva különböző területeken az adatok – logisztikánál a logisztikai adatok vannak, a gyártásnál a gyártási adatok – ezek összegyűjtése nehéz feladat. Egy helyre, automatikusan összegyűjtött adatokkal jelentős emberi munka megtakarítható. Persze lehet hatékonyan használni egy excelt is, 30 megás adatsorokat létrehozni, miközben betölt el lehet menni kávézni, de egy napi 480 percből gazdálkodó üzemvezetőnek 10-20 perc is jelentős kiesés.

Adatgyűjtés

Szertics megoldást is tud arra, hogy hogy kezdjünk hozzá az adatok gyűjtéséhez. Szerinte kétirányba lehet elindulni. Egyrészt lehet egy megfogalmazott problémához, vagy célhoz elkezdeni átgondolni, hogy milyen adatok kellenek és beruházni adatgyűjtő rétegekbe, hogy aztán azt majd elemezni tudjuk. De a legtöbb esetben már van egy csomó adat ami már elérhető, ezeket érdemes egy fedél alá hozni, csoportosítani és megtanulni kérdezni az adattól.

Általában sokkal több adat létezik, mint amennyit ismernek vagy, amit már ésszerűen ki tudnak használni. Sokszor már minden adatot gyűjtenek, nyolcféleképpen logolva, különböző eszközökkel, RFID-val, szenzorokkal, mérnek a hőmérséklet adatoktól a rezgésadatig mindent, mert az adat az értékes. Ami igaz is. De nagyon fontos, hogy az adatkereslet és az adatkínálat összeérjen és ne essünk abba a hibába, mint a nagyvállalatok közül sokan. Felültek a big data hype-ra és mérhetetlen adatvagyont halmoztak fel, amibe belefulladnak. Nem tudják mit lehet vele csinálni, van egy szuper eszközük, hogy bármilyen mélységekig le tudnak menni. De akiknek konkrétan használniuk kéne nem tudják, hogy hova is fúrjanak le. Segíteni kell a vállalatvezetőknek, döntéshozóknak abban, hogy ezeket az adatokat használni tudják, meg kell mutatni, hogy milyen lehetőségek vannak az adatelemzésben. Ez egy új szemlélet, gondolkodás, nem csoda, hogy tanulni kell azt, hogy mit lehet belőle kihozni.

Adathalmozódás

Szabados szerint, tévedés lenne azt gondolni, hogy csak a nagyvállalatok rendelkeznek sok adattal. Hiszen a legkisebb cégben is méretes adatmennyiség halmozódik fel, a bevételekről, a kiadásokról, kommunikációról, annak tartalmáról, a kapcsolati hálózatokról, az alkalmazotti rutinról, a gyártás folyamatáról, a raktározásról, a vásárlásokról. Ebből a feltáratlan adatbányából építkezhet és tanulhat a MI, és ez nem csak a nagyvállalatoknak jelent növekedési potenciált. Összességében elmondható, hogy a deep learninghez rengeteg adat kell, viszont, ahol meg kell indokolni a lépéseket ott még nem túl jól használható. Egyszerűen, a megelőző karbantartásnál jól használható, egy banki hitelbírálatnál még nem. Ennek ellenére a mesterséges intelligencia területéről származó többféle módszer közül a legtöbb esetben található megfelelő megoldás az adott üzleti problémára.

Kinek a feladata?

Egy-egy gyártóvállalatnak a gyártási és logisztikai folyamatai hasonlóak. Vannak dobozos megoldások a gyártók számára, hasonlóan az SAP rendszerekhez. A platformszolgáltatónak az a nagy ajánlata, hogy  machine learingtől a szerverüzemeltetésig mindent elvállal, mint a liftes példában. A másik forma a szervezeten belüli tudáshalmozás és erre alapuló megoldások kidolgozása a data scientist és machine learning szakember feladata. Ők irányítják azt a szigetcsapatot, akik javítják a folyamatokat, egy-egy megoldással próbálják a hatékonyságot segíteni.

Szertics szerint hasznos lehet ha valaki felkarolja egy cégen belül az adatok menedzselését, a digitalizációt. De ahhoz, hogy az egyedi tömeggyártás létrejöjjön mindenkinek benne kell lennie az értékesítéstől a kiszolgálásig. Ugyanakkor nem kell mindig csillagrombolót elképzelni, ha MI-ről van szó. Egy képelemzésen alapuló selejtválogatót egészen elszigetelten is be lehet vezetni és közben tanulni arról, hogy mit jelent a technológia. De kétségtelen, hogy a nagy potenciál az adatvezérelt gyártásban van.