Az elmúlt években a mesterséges intelligencia (MI) robbanásszerű fejlődése nem kerülte el az ipari szektort sem, hiszen a hatékonyság, termelékenység, és a minőség növelésében egyre számottevőbb szerepet tölt be.
Az Ipar 4.0 Backstage podcast vendége ezúttal Szabados Levente mesterséges intelligencia szakértő volt, akivel elmélyültünk az MI ipari hasznosításának témakörében. (Az epizód itt hallgatható meg: https://podcast.mortoff.hu/.)

Tisztázzunk néhány alapvető fogalmat: MI és a deep learning

A mesterséges intelligencia fogalmával először 1955-ben találkozhattunk, akkor még egyfajta gyűjtőfogalomként, amely az emberi intelligenciához köthető képességeket (döntést, tervezést, nyelvértést, érzékelést, előrejelzést) próbálta egy közös nevezőre hozni. Az MI fogalma azonban az emberi intelligencia modelljének inspiratív hatására az idők során folyamatosan változott, melyben jelentős szerepe volt a mély neurális hálós tanulásnak, más néven a deep learning-nek. A neurális hálózatokon alapuló módszer lényege, hogy a gépek képesek saját maguk tanulni a bemeneti és kimeneti adatokból, és ezáltal végrehajtani olyan összetett feladatokat, amelyre korábban csak az emberi agy volt képes.

És hogy mit jelent ez a gyakorlatban? A befektetett szakértői munkaórák számának csökkenését. Míg a korábbi paradigmában 1%-nyi javulás a teljesítményben megközelítőleg tízszer annyi szakértői munkaórát igényelt, addig a deep learning rendszerek sajátja, hogy ún. end-to-end tanulási folyamatot folytatnak, és a nyers adatokból önállóan próbálják kinyerni a feladat végrehajtásához szükséges specifikus jellemzőket (a feladat végrehajtásának módját), ami egyben azt is jelenti, hogy a fő skálázás immáron nem a szakértői munkaóra, hanem az adatmennyiség lesz. Azaz minél több adatunk van, annál biztosabb a tanulás sikeressége.

Hogyan hasznosítja az ipar az MI-t?

Az ipar szempontjából az adatelemzés területén ma két technológia dominál: a képi és az idősoros adatok világa.
Nézzük először a képi adatokat: Az optikai vizsgálatok esetén mély neurális hálózatok alkalmazása jellemző, amelyek képesek valamilyen általános összefüggés megragadására, és a képeken lévő objektumoknak és azok jellemzőinek a megtanulására. Ez a tudás pedig transzferálható olyan helyzetekre, amelyeket a hálózat kevésbé, vagy akár még sosem látott. A minőségbiztosítás területén például a gyártósorokon vizuális felismeréssel támogathatóak az olyan – önmagukban nem túl produktív – tevékenységek, mint a szortírozási folyamatok.

Másrészről a nagy mennyiségű szenzoros adatfelvételnek köszönhető, hogy az idősoros adatok elemzése már hatékonyan képes támogatni a gyártásoptimalizálást és a gyártósorokkal kapcsolatos előrejelzéseket az értéklánc szinte minden területén: a folyamat elemeiről, a gépek állapotáról, a minőségről, és a megrendelésekről is. Mindez olyan kulcsfolyamatok sikeres elvégzésében nyújt támogatást, mint a meghibásodások előrejelzése, anomália detekció, ill. a termelés és megrendelés optimalizálása.

Mit tanulhat az ipar a ChatGPT-jelenségből?

A szakértő szerint az ipar sokkal jobb teljesítményt tudna elérni, ha nem mindenki a maga kis silójában, csak a saját adataival próbálná megoldani a hasonló feladatokat, hanem képesek lennénk a „párhuzamos” adatokból a tanulságokat összeönteni egy mély neurális hálós modellbe. Ne felejtsük el, hogy ChatGPT-nk azért van, mert az interneten elérhető egy több száz milliárd szavas szövegmennyiség, amit össze lehetett tömöríteni egy nyelvi modellé. Ha ezt az iparban is meg tudnánk tenni, akkor nagyon hasonló perspektívák nyílnának meg! Az ipari adatok megosztásával kapcsolatos bizalmatlanságra válaszul pedig megállapítható, hogy nem szükséges magának az eredeti nyersadatnak a megosztása! A tanulságok, a modellnek szóló update-ek vagy „tanuló jelek” megosztása is elégséges lenne, ami pedig önmagában messze nem ipari titok.

Példák az MI felhasználására az iparban

Jó példa az ipari járművek fékberendezés állapotának és meghibásodásának az előrejelzése. A fékberendezések ellenőrzésének a klasszikus módja, hogy valamilyen szakaszonként megállítjuk a járművet, szétszereljük, megnézzük a fékberendezést, megállapítjuk, hogy szükséges-e a javítása, vagy ha kár volt szétszerelni, összeszereljük nagyon drágán, és visszaküldjük oda, ahova való. Ezt a tevékenységet le lehet cserélni egy prediktív karbantartási tevékenységre. Nagyon sok, nagy frekvenciával felvett nyomásszenzoroknak az összesített adataiból meg lehet tanítani a modellt a fékmunkahengereknek az állapotára következtetni. Ha ebből a modellből az látható, hogy egyébként egy a fékmunkahenger gyengül, akkor nem várjuk már meg vele az előírt ellenőrzés időpontját. De az se kell, hogy egy láthatóan teljesen egészséges fékmunkahengerrel rendelkező járművet azért leállítani, hogy szétszedjük darabokra, és megállapítjuk, hogy minden rendben van.

A képi adatelemzés szép példája az a mezőgazdasági munkagépeket gyártó vállalat is, amely egy egyetemi startup-ban látta meg a lehetőséget. A startupperek több tízezer képet készítettek különböző gyomnövényekről, amely aztán olyan jelentős adatbázisnak bizonyult, hogy a cég fel is vásárolta őket annak érdekében, hogy adataikat be tudja integrálni a saját megoldásába. Innentől pedig lehetővé vált, hogy a permetezőszer kijuttatásakor a permetezőfej kizárólag és célzottan csak a fej alatt lévő gyomnövényekre permetezzen. Ez a megoldás nemcsak a hatékonyság növeléséhez járult hozzá, de a környezeti terhelést is jelentősen csökkentette.

Az MI bevezetés legfontosabb szervezeti és működési feltételei

Most már látjuk, hogy milyen hasznos lehet egy iparvállalat számára az MI bevezetése. De hogyan kezdjen hozzá a vállalat? Szabados levente 3 fő pontban foglalta össze az MI bevezetés legfontosabb szervezeti és működési feltételeit:

• Alkossunk stratégiát!

A kezdetekben kihívást jelenthet, hogy a vállalat nem rendelkezik kellő szervezeti tapasztalattal és belső ismeretekkel a témában. Koncentráljunk a „quick win” feladatokra a nagy stratégiai projektek helyett! Keressük meg az olyan gyors, apró és jól megfogható alfeladatokat, amelyek tulajdonképpen már csak „terhet” jelentenek számunkra, vagy adott esetben csak javítanunk kell rajta. Ezzel elindíthatunk egy tanulási folyamatot.

• Indítsuk be a szervezeti tanulást!

Fontos, hogy a folyamatnak egyaránt legyen szélessége és mélysége is. Minden részleg és munkatárs kapjon alapinformációkat az MI-ről, mindenki legyen kitéve a saját területén ötleteknek és használati eseteknek! Mindemellett pedig legyen néhány dedikált szakember, akik mélyebben elmerülnek a témában és megpróbálják a miérteket is megérteni!

• Az MI bevezetése egy véget nem erő folyamat!

A hatékony fenntartás kizárólag akkor lehetséges, ha folyamatosan fejlesztjük és karbantartjuk, újabb és újabb projekteket indítunk, amelyekkel az MI rendszereket folyamatos tanulásra késztetjük!

A manapság mindenkit foglalkoztató téma: elveheti az MI a munkánkat?

A válasz: nem. Bővebben kifejtve azt mondhatjuk, hogy „azok a szakemberek, akik MI-t használnak, fogják elvenni a munkáját azoknak a szakembereknek, akik nem. Egy ember plusz egy gép kombinációja lényegesen hatékonyabb, mint akár egy ember, de akár egy gép magában.” Ez a gondolat pedig számos helyen is bebizonyosodott. Online csapatjátékok esetében például az ember-gép vegyescsapat győzelmet aratott mind az emberi, mind pedig a gépi csapat felett. Ez pedig általános érvényű igazság az olyan területeken is, mint például a kreatív szakmák vagy a szoftverfejlesztés.

Az MI közgazdaságtani hatása: milyen szerep jut az embernek, milyen új munkák fognak létrejönni a technológiai átállással? 

A gépi tanulási folyamatok és előrejelzések hatékonyan és olcsón elvégezhetőek. Ez pedig azt jelenti, hogy az előrejelzések minősége javul, miközben a költség csökkenni fog. És hogy mi lesz ennek az eredménye? A fogyasztás! Megszületik az igény, hogy sok problémát átalakítsunk egy új, olcsó technológiára.

A folyamatnak azonban van egy érdekes hozománya: az új technológia működtetéséhez szükséges komplementer erőforrások (például adatok, nyersanyagok és a döntéshozáshoz szükséges képességek) drágábbak lesznek. Az ember szerepe a döntéshozatali folyamatokban tehát továbbra is kulcsfontosságú marad, és olyan új pozíciók merülhetnek fel, amelyek az adatok elemzésére, az előrejelzések értelmezésére, és a döntéshozatal támogatására összepontosítanak.

Épp ezért, merjünk közel kerülni a technológiához, próbáljuk ki, fedezzük fel! Beszélgessünk és játsszunk a manapság hatalmas népszerűségnek örvendő ChatGPT-vel! Ami pedig a legfontosabb: ne féljünk tőle és ne hagyjuk, hogy a világ elsuhanjon mellettünk! Hiszen, „ami a legnagyobb veszély a technológiában az az, hogyha távol tartjuk magunkat tőle.”

Szabados Levente tippjei a téma iránt érdeklődők számára:

Kikre érdemes ma odafigyelni AI témában❓
A mesterséges intelligencia területén kiemelkedő véleményvezérek közül Yann LeCun-t tudnám hirtelen említeni, aki Chief AI Scientist a Metánál. Egészen népes data science csoportok találhatók egyébként akár Facebookon is, amelyeket érdemes lehet követni. YouTube-on pedig Yannic Kilcher videóit ajánlom gépi tanulás és AI témában.

Milyen könyveket tudsz a témában ajánlani❓
Aki a könyveket szereti, annak rossz hír, hogy sajnos manapság gyorsabban íródnak publikációk az Arxive-on, mint komplett könyvek. Különösen machine learning témában érdemes ezen a felületen kutakodni. Aki mégis a könyvekhez ragaszkodik, és üzleti megközelítésű szakirodalmat keres, annak Ajay Agraval: Prediction Machines c. kötetét ajánlom.

Milyen alkalmazásokat, eszközöket ajánlanál, amelyek segítenek megismerni a mesterséges intelligenciát❓
Vizuális téren a Stable Diffusion valamilyen formáját ajánlom, ami egy nyílt forráskódú text-to-image mesterséges intelligencia modell. Egy másik alkalmazás, a Google Teachable Machine pedig a gépi tanulómodellek megértésében, szemléltetésében segít. De általánosságban azt tudom mondani, hogy aki ma nem játszik a ChatGPT-vel és a ChatGPT-s pluginokkal, az egész könnyen le tud maradni, úgyhogy ne sajnáljátok kísérletezéssel és tanulással tölteni az időt!

Hallgasd meg a teljes epizódot a podcast.mortoff.hu weboldalon, vagy bármelyik népszerű podcast-lejátszóban az Ipar 4.0 Backstage csatornáján!