O budoucnosti průmyslové strojové inteligence

Dr. Duane S. Boning je profesorem na katedře elektrotechniky a informatiky Clarence J. LeBela na MIT. Je také zástupcem ředitele MIT Microsystems Technology Laboratories (MTL) a spoluředitelem programů Leaders for Global Operations (LGO) a Machine Intelligence for Manufacturing and Operations (MIMO). Redaktoři portálu tec.News měli nedávno příležitost udělat s profesorem Boningem rozhovor a zeptat se ho na zajímavé novinky v oblasti strojového učení, konkrétně v oblasti průmyslových aplikací.

Konkurenceschopnost průmyslu

tec.news: Mohl byste popsat vývoj strojové inteligence v souvislosti s transformací provozu a výroby

Professor Boning: Začněme historií provozních a výrobních postupů. Před 30 lety změnily metody štíhlé výroby celý průmysl. Tyto metody se zaměřily na odstranění přebytečných zásob díky příjmu materiálu pouze na základě potřeby, snižování nadbytečných nákladů na skladování a zvyšování produktivity a ziskovosti.

Před 15 lety pak došlo k výraznému posunu dodavatelského řetězce od lokálního zásobování ke globálnímu zásobování s velkou závislostí na Asii. Pandemie 
COVID-19 odhalila přirozené slabiny tohoto systému, protože narušení globálního dodavatelského řetězce mělo za následek masivní nedostatek zdrojů.
 

Digitalizace a strojová inteligence nabízejí protiváhu k těmto problémům a nabízejí možnost urychlit konkurenceschopnost výroby a zvýšit odolnost dodavatelských řetězců.

tec.news: Mohl byste nastínit, v čem vidíte hlavní problémy při použití strojové inteligence v průmyslových aplikacích?

Professor Boning: Můj výzkum a zkušenosti mě dovedly k závěru, že zavedení strojové inteligence do výroby a provozu představuje pro průměrného výrobce výzvu, kterou je třeba překonat, aby bylo dosaženo slibovaných přínosů. Vzhledem k nestandardním procesům je ve většině situací ve výrobě obtížné použít předem vytvořené strojové učení. Stroje musí učit uživatel, který má naprostý přehled o dané problematice, aby bylo možné zajistit efektivní řešení. Můj výzkum se zaměřuje na rozvoj lidí, kteří jsou „překladateli“ s odbornými znalostmi v oblasti strojového učení a výrobních procesů, a přispívají ke zvýšení úspěchu. Pracuji na výuce základů strojového učení pro vysokoškolské studenty, aby mohli tuto potřebnou dovednost nabídnout budoucím zaměstnavatelům.

Prvním krokem při strojovém učení je mít k dispozici vhodná data jako výchozí bod. Pro konkrétní aplikaci strojového učení však nemusí nutně stačit pouze samotné údaje. Ty musí být opravdu relevantní. Existuje řada technik strojového učení včetně statistických metod, rozhodovacích stromů, náhodných souborů, neuronových sítí, analýzy časových řad atd., které by měly být aplikovány s využitím praktického technického a obchodního úsudku. Mezi další faktory, které je třeba zvážit, patří metody práce s odlehlými hodnotami, strukturování dat, detekce anomálií a chyb a posunutí modelu. Posunutí modelu je jev, kde se korelace dat zjištěné v jednom časovém okamžiku mění v průběhu týdnů, měsíců nebo let s tím, jak provozní zařízení zastarává nebo jak se postupně lehce mění samotné výrobní procesy.

Stručně řečeno, úspěšný vývoj modelu strojového učení vyžaduje rozsáhlé znalosti modelování dat a přístup k těm správným údajům

tec.news: Jakou roli vidíte v partnerství průmyslu a akademické obce při řešení těchto problémů?

Professor Boning: Partnerství mezi průmyslem a akademickou sférou je zásadní pro poskytování reálných platforem a případových studií pro zkoumání a testování nových přístupů a hypotéz. V důsledku jsou k řešení skutečných potřeb nezbytné oba světy.

MIT má dlouhou historii takových partnerství a díky organizacím, jako je MTL, a dalším střediskům v rámci MIT můžeme využívat silné stránky průmyslového i akademického prostředí a naplňovat naše motto MENS ET MANUS – neboli spojení teorie a praxe.

tec.news: Jak vidíte budoucnost strojového učení a výsledky těchto programů?

Professor Boning: Strojové učení má zásadní význam pro další vývoj výrobních procesů. Práce, kterou děláme dnes, pomáhá vytvořit základy pro budoucnost. V rámci těchto programů vyučujeme potřebné koncepty a dovednosti, které tito studenti přinesou budoucím zaměstnavatelům, kteří tak získají konkurenční výhodu.