O przyszłosci inteligencji maszyn przemysłowych

Wywiad z
Dr. Duane S. Boning, Electrical Engineering, and Computer Science in the EECS

Dr. Duane S. Boning jest profesorem inzynierii elektrycznej i informatyki w Instytucie MIT. Jest takze zastepca dyrektora laboratoriów MIT Microsystems Technology Laboratories (MTL), a takze współdyrektorem programów liderów Operacji Globalnych (LGO) i Inteligencji Maszyn dla Produkcji i Operacji (MIMO). Zespół tec.News miał ostatnio okazje przeprowadzic wywiad z profesorem Boningiem i zapytac o ekscytujace nowosci w rozwój w uczeniu maszynowym, w szczególnosci do zastosowan przemysłowych..

KONKURENCYJNOSC PRZEMYSŁOWA

tec.news: Czy mógłby Pan opisac rozwój inteligencji maszynowej w kontekscie operacji i transformacji produkcyjnych?

Professor Boning: Zacznijmy od historii operacji i metod wytwarzania. 30 lat temu metody Lean Manufacturing zmieniły sector przemysłowy. Metody te koncentrowały sie na wyeliminowaniu nadmiernych zapasów poprzez odbieranie dostaw towarów ylko wtedy, gdy były potrzebne, redukujac nadmierne koszty przechowywania a zwiekszajac wydajnosc i zysk.

Nastepnie, 15 lat temu, nastapiła znaczaca zmiana w łancuchu dostaw od aopatrzenia lokalnego do zaopatrzenia globalnego, silnie uzaleznionego od Azji. Pandemia COVID-19 ujawniła nieodzowne słabosci tego typu systemu, a zakłócenia w globalnym łancuchu dostaw skutkuja ogromnymi niedoborami.

Cyfryzacja i inteligencja maszynowa daja przeciwwage dla tych problemów, oferujac mozliwosc zwiekszenia konkurencyjnosci produkcji i zwiekszenia odpornosci łancuchów dostaw.

Ponadto niedawne postepy w technologii czujników, niedrogich, poteznych komputerów i narzedzi programowych daja mozliwosc tworzenia owych innowacyjnych zastosowan produkcyjnych.


 

tec.news: Czy mógłby Pan opisac główne wyzwania zwiazane z zastosowaniem inteligencji maszynowej w zastosowaniach przemysłowych?

Professor Boning: Moje badania i doswiadczenie doprowadziły mnie do wniosku, ze wprowadzenie inteligencji maszynowej do produkcji i operacji stanowi wyzwanie dla przecietnego producenta, takie które trzeba przezwyciezyc, aby osiagnac obiecane korzysci. Dzieki niestandardowym procesom, gotowe uczenie maszynowe jest trudne do zastosowania w wiekszosci sytuacji produkcyjnych.

Maszyny musza byc nauczone przez uzytkownika, który w pełni rozumie problem, aby stworzyc skuteczne rozwiazanie. Moje badania skupiaja sie na rozwijaniu ludzi, którzy sa tłumaczami z wiedza domenowa na temat uczenia maszynowego i procesów produkcyjnych, aby odniesc wiekszy sukces. Pracuje nad nauczaniem studentów podstaw uczenia maszynowego jako podstawy, aby mogli dac te niezbedna umiejetnosc przyszłym pracodawcom.

Pierwszym krokiem w uczeniu maszynowym jest posiadanie odpowiednich danych, to punkt wyjscia. Jednak samo posiadanie danych nie jest wystarczajace dla konkretnego zadania uczenia maszynowego.

Musisz miec odpowiednie dane. Istnieje szereg technik uczenia maszynowego, w tym metody statystyczne, drzewa decyzyjne, lasy losowe, sieci neuronowe, analityka szeregów czasowych itp., które nalezy zastosowac z wykorzystaniem praktycznej inzynierii i oceny biznesowej.

Inne czynniki, które nalezy wziac pod uwage obejmuja metody radzenia sobie z danymi odstajacymi, strukturyzacje danych, wykrywanie anomalii i błedów oraz dryf modelu. Dryf modelu to zjawisko, w którym korelacje danych wykonane w pewnym momencie zmieniaja sie w ciagu tygodni, miesiecy lub lat w miare starzenia sie sprzetu procesowego lub samych procesów produkcyjnych, które nieznacznie zmieniaja sie w czasie.

Krótko mówiac, pomyslne opracowanie modelu uczenia maszynowego wymaga szerokiego zrozumienia modelowania danych i dostepu do własciwych danych.


 

tec.news: Jaka widzi Pan role partnerstwa przemysłowo-akademickiego w rozwiazaniu tych problemów?

Professor Boning: Partnerstwa miedzy przemysłem a srodowiskiem akademickim maja kluczowe znaczenie dla zapewnienia rzeczywistych platform i studiów przypadków do badania i testowania nowych podejsc i hipotez. W ostatecznym rozrachunku oba sa potrzebne do zaspokojenia rzeczywistych potrzeb.

MIT ma długa historie takich partnerstw, a poprzez organizacje takie jak MTL, a takze inne osrodki w MIT, jestesmy w stanie wykorzystac mocne strony zarówno srodowisk przemysłowych, jak i akademickich oraz sprostac duchowi naszego motto, MENS ET MANUS – czyli połaczenie teorii z praktyka.


 

tec.news: Co widzi Pan jako przyszłosc uczenia maszynowego i efekt tych programów?

Professor Boning: Uczenie maszynowe ma kluczowe znaczenie dla nastepnej ewolucji procesów produkcyjnych. Praca, która wykonujemy dzisiaj, pomaga połozyc podwaliny pod przyszłosc.

Programy te ucza niezbednych pojec i umiejetnosci, które to studenci przyniosa przyszłym pracodawcom, którzy z kolei skorzystaja z przewagi konkurencyjnej.