Przemysł 4.0 – dobre dane to dobre decyzje!
Pierwsza część artykułu: Przemysł 4.0 – Wchodzimy w nową erę rozwoju przemysłu!
W dzisiejszych czasach chyba nikt już nie ma wątpliwości jakie są zalety zarządzania opartego na danych (Data Driven Management) zamiast na przeczuciu.
MIT Center for Digital Business opublikowało badania, z których wynika, że organizacje, które posiłkują się danymi przy podejmowaniu decyzji są bardziej efektywne nawet o 6%. Badania przeprowadzone przez McKinsey Global Institute wskazują z kolei, że firmy, które stosują data driven management mają 23% więcej szans na pozyskanie nowych klientów.
Jednocześnie 43 procent respondentów w innym badaniu, tym razem przeprowadzonym przez Kairos Future, wśród 300 przedstawicieli kadry zarządzającej, stwierdziło, że brakuje im wiedzy do lepszego korzystania z danych. 40 procent uczestników tego samego badania stwierdziło, iż jednym z najpilniejszych wyzwań w najbliższym czasie będzie wdrożenie procesów wspierających wykorzystanie danych w organizacji.
40% respondentów uznało, że jednym z najpilniejszych wyzwań jest wdrożenie procesów wspierających wykorzystanie danych w organizacji.
Skąd w takim razie czerpać dane potrzebne do sprawnego zarządzania firmą?
Pierwszym i podstawowym źródłem danych będzie system ERP do obsługi firmy. Praktycznie każdy liczący się producent udostępnia mniej lub bardziej rozbudowany system analityczny.
Dzięki danym na temat produkcji, jesteśmy, na przykład, w stanie wybrać najbardziej optymalny moment do zainwestowania w nową maszynę na produkcji.
Tego typu modele oparte są na danych historycznych, ale co zrobić w momencie, kiedy chcemy rozwiązać problem, na którego temat nie posiadamy jeszcze żadnych danych?
Odpowiedzią może być tutaj sztuczna inteligencja, której działanie oparte jest na uczeniu się przez wzmacnianie (reinforcement learning). Jest to jeden z trzech głównych nurtów uczenia maszynowego. Sztuczna inteligencja podejmuje decyzję na podstawie doświadczeń i zebranych przez nią informacji.
Obrazowo mówiąc – podobnie jak w przypadku szkolenia psa - za poprawne wykonywanie zadań sztuczna inteligencja jest nagradzana, a jeśli postąpi w sposób nieprawidłowy, zostanie ukarana przez brak nagrody. W konsekwencji system uczy się wykonywania zadań w taki sposób, żeby zmaksymalizować przyszłą nagrodę.
Dzięki temu możemy użyć mechanizmów uczenia maszynowego do rozwiązywania całkowicie nowych problemów.
Google aby nauczyć roboty przemysłowe rozpoznawania wybranych kształtów postawiło w swojej placówce badawczej o nazwie ARM FARM 30 robotów przemysłowych, które kolektywnie uczyło się rozpoznawać kształty obiektów i je przekładać we wskazane miejsce. Nauczono również innego swojego robota segregować śmieci po pracownikach, zmniejszając ilość źle posegregowanych odpadów z 30% do 4%.
Szkolenie robotów to jednak nie jedyne zastosowanie do jakiego można użyć uczenia przez wzmacnianie. W wielu firmach już działają algorytmy oparte o tę technologię, np. do automatycznego odczytywania danych z faktur – OCR.
Technologii tej możemy użyć do rozwiązania każdego zadania, którego da się nauczyć w kontrolowanym środowisku.
Świetnym zastosowaniem są na przykład prace projektowe. VW razem z Autodesk użył sztucznej inteligencji do obniżenia masy własnej elektrycznego VW Transportera. Algorytmy uczenia maszynowego zaprojektowały elementy samochodu w taki sposób, że były one o 30% lżejsze, a jednocześnie zachowały swoją wytrzymałość. Co więcej, zaprojektowane formy są po prostu piękne.
Zastosowań takiej technologii jest multum – od optymalnego rozłożenia towaru na magazynie, przez optymalizację poboru energii w serwerowniach (Google w ten sposób obniżyło zużycie energii o 40%!), czy dynamiczne dopasowanie wyglądu sklepów internetowych pod indywidualnego klienta, aż do modeli decyzyjnych przewidujących ceny akcji.
Stworzenie własnego środowiska badawczego może wydawać się kosztowne. Większość firm z sektora MSP raczej nie może sobie pozwolić na wstawienie 30 robotów przemysłowych tylko po to, żeby nauczyć je jakiegoś zadania. Tak samo nikt nie wyobraża sobie nauki algorytmu prowadzania samochodu bezpośrednio na ulicy, czy nawet na przyzakładowym parkingu. Skończyłoby się to raczej rozbiciem wszystkich aut w okolicy. Z pomocą przychodzi tutaj technologia 3D.
W stosunkowo niedrogi sposób możemy przygotować wirtualne środowiska, w których sztuczna inteligencja będzie uczona złożonych zadań. Co więcej, możemy uruchomić takie środowisko wielokrotnie i w tym samym czasie, nie jeden agent sztucznej inteligencji, a np. 1000 uczy się wykonywać dane zadanie. Doświadczenia wszystkich agentów trafiają do wspólnego „mózgu”, przez co algorytm szybciej się uczy. Jest to bardzo duży plus, ponieważ nauczenie się nawet prostych czynności może wymagać od sztucznej inteligencji wykonania jakiegoś zadania ponad 2 000 000 razy.
Do tworzenia wirtualnych środowisk badawczych można wykorzystać silniki gier 3D. Najpopularniejsze i najbardziej dostępne to Unity3D i Unreal Engine. Oba mogą być wykorzystywane również w technologii wirtualnej rzeczywistości. I właśnie o zastosowaniu wirtualnej i rozszerzonej rzeczywistości w biznesie napiszemy w kolejnej części artykułu.
Jeśli masz dodatkowe pytania lub chcesz na bieżąco otrzymywać informacje na temat Przemysłu 4.0
Napisz do nas!
