Sztuczna Inteligencja w Przemyśle

Dzisiaj postanowiłem napisać kilka słów na powyższy temat w nieco innej formie niż zwykle :) Po pierwsze po polsku a po drugie postaram się odnieść do tematu z punktu widzenia użytkownika końcowego lub osoby zainteresowanej tematyką, szukającej być może inspiracji a być może odpowiedzi na pytania: co to znaczy Sztuczna Inteligencja w Przemyśle. Czyli co ona faktycznie daje, jak zacząć i… ALE O CO CHODZI z tą sztuczną inteligencją?

Krótko o tym czym jest owa Sztuczna Inteligencja (SI; ang. Artificial Intelligence, AI), którą czasami w popularnych czasopismach określa się jako: Uczenie Maszynowe (ang. Machine Learning), Głębokie Uczenie (ang. Deep Learning) a nawet Wizja Komputerowa (ang. Computer Vision). Inne określenia, które lekko zahaczają o SI to najczęściej automatyzacja (ang. automation), Internet Rzeczy (ang. Internet of Things, IoT) co z kolei prowadzi nas do pojęć typu urządzenia brzegowe (czasem cieszę się, że ktoś nie tłumaczył słowa interfejs :); ang. edge devices) itp. itd. Abstrahując już od kontekstu w jakim wspomniane określenia pojawiają się w odniesieniu do SI i czy od strony teoretycznej jest on właściwy czy też nie, na potrzeby niniejszego artykułu zapamiętajmy tylko tyle:

• Sztuczna Inteligencja to program komputerowy, który został tak zaprojektowany aby można go było czegoś nauczyć. Programy takie często podłączamy pod kamery i wówczas potrafią przeanalizować obrazy lub materiały wideo. Mogą wtedy np. rozpoznać komponenty, które produkujemy oraz zaznaczać na zdjęciach wykryte wady w tych komponentach jak np. pęknięcia, wgniecenia, brak etykiety, błędna etykieta, zła pozycja etykiety, elementy źle rozmieszczone lub za mała / za duża ich ilość (np. otwory), złe kolory, etc. Innymi słowy: kamera robi zdjęcie a SI dokonuje inspekcji wizualnej produktu poprzez dokonywanie szczegółowej analizy tego zdjęcia. W innych przypadkach kamera może włączyć alarm jeśli podłączona do niej SI wykryje np. brak kasków, ludzi w strefach przeznaczonych wyłącznie dla maszyn, błędy w produkcji (np. plama na materiale, zbyt mokry i przez to zbyt błyszczący materiał), itp. itd. Oczywiście SI możemy podpiąć także pod różnego rodzaju inne czujniki (sensory), tzn. inne niż kamery np. te mierzące poziom wibracji, hałasu, zapylenia, wilgotności, temperatury, itp. itd. Wówczas SI na podstawie analizy danych historycznych z takich czujników może np. próbować przewidzieć zbliżające się awarie (np. zbyt duże wibracje, zużywające się łożyska), pomóc nam dokonać prognoz: co kupić, kiedy, w jakiej ilości i to wszystko z uwzględnieniem łańcucha zależności typu: jeśli produkt A kupimy od dostawcy X to musimy wówczas wymienić także B, C… a jak nie ma D to może warto rozważyć alternatywy typu D1, D2 ale nie D3 bo ta akurat w danym przypadku nie sprawdzi się, co wynika z danych, które zbieraliśmy przez ostatnie 10 miesięcy. Ale długie zdanie wyszło :) Jeszcze inny przypadek wykorzystania SI, to wszędzie tam, gdzie spotykamy się z powtarzalnymi i często nudnymi zadaniami jak np. przepisywanie dokumentów do systemu, ich analiza, wyciąganie kluczowych informacji, etc. SI można także nauczyć by np. przeanalizowała umowę i wyświetliła z niej kluczowe elementy, odczytała skany faktur i przepisała z nich dane do systemu komputerowego czy choćby zweryfikowała poprawność dostarczonych formularzy.
  Przykłady zastosowań SI można mnożyć do woli… Realia są takie, że wielu z nas już korzysta ze sztucznej inteligencji. Gdy piszemy sms-a to SI sugeruje nam pisownię, podpowiada kolejne wyrazy, kontakty, … Gdy wyjeżdżamy z parkingu lub gdy jedziemy autostradą to właśnie SI rozpoznaje numer rejestracyjny naszego auta i np. otwiera przejazd. Innym razem SI rozpoznaje znaki drogowe i wyświetla je na ekranie w samochodzie, wykonuje komendy głosowe gdy mówimy do telefonu lub pilota od telewizora, podpowiada kolejny film albo piosenkę, która może nam się spodobać albo tworzy całą listę gdy powiemy np. graj muzykę pop. W fabrykach często SI stoi za takimi usprawnieniami jak np. sterowanie wózkami rozwożącymi materiały po hali, gdy dokonujemy obróbki lub kiedy szlifujemy różnego rodzaju elementy metalowe SI może monitorować stan wierteł, sterować nimi, itp. itd. Podsumowując jeszcze raz powyższe:

Sztuczna Inteligencja (SI) to program komputerowy, który został tak zaprojektowany aby można go było czegoś nauczyć: rozpoznawać wzorce/sytuacje w zdjęciach/materiałach wideo, analizować dźwięki, wyciągać wnioski na podstawie danych historycznych połączonych z aktualnymi danymi z czujników bądź odczytywać dane z dokumentów. Innymi słowy: SI potrafi nauczyć się analizować różnego rodzaju dane i wyciągać na ich podstawie wnioski: odczyt numeru rejestracyjnego/ etykiety, określić: etykieta za wysoko, za mała ilość otworów, błędnie zamocowany element, pęknięcie, odczytać wybrane dane z dokumentów, zidentyfikować podejrzane dźwięki, etc.

Sztuczna Inteligencja znajduje informacje ukryte w danych.

• Uczenie / inferencja (ang. training / inference): aby SI mogła działać, najpierw musimy ją nauczyć wykonywać czynności, na których nam zależy. Tak więc potrzebne są nam dane — historyczne. Możemy je wygenerować, czasem już je mamy, możemy je też kupić. Sposobów na pozyskanie danych jest wiele. Na tym etapie pojawia się pierwszy punkt styku pomiędzy SI (programem komputerowym), który jeszcze nic albo mało umie a użytkownikiem, który chce go czegoś nauczyć ewentualnie douczyć. Przykładowo, jeśli SI ma rozpoznawać różnego rodzaju wady w produkcie końcowym to najpierw musimy sfotografować te wady a następnie pokazać SI jak one wyglądają. Często odbywa się to na zasadzie współpracy (rozmowy) pomiędzy programistami a osobami posiadającymi wiedzę na temat tego co ma być wykryte. Mówiąc wprost: osoba, która wie jakich wad szukamy, pokazuje przykładowe ich zdjęcia, opowiada o wszelkich istotnych aspektach typu: wada X nie występuje na elementach okrągłych, temperatura jest w zakresie 0–530 natomiast wadliwa objawia się… itp. itd. Wszelkie te informacje są następnie przekazywane do SI i zaczyna się proces uczenia. W większości przypadków jest on bardzo dobrze zautomatyzowany. Oczywiście w sytuacjach kiedy chcemy wykrywać prostsze sprawy jak np. czy pracownicy mają kaski na głowach to wywiad sprowadzi się do określenia ich typów oraz ewentualnie zależności jak np. gdzie jest OK nie mieć kasku a gdzie powinien być zgłaszany alarm, czy kolory mają znaczenie, etc. Są też scenariusze, dla których SI została już całkiem dobrze wytrenowana i wówczas ten etap polega na wprowadzeniu ewentualnych korekt aby jeszcze bardziej dostosować działanie do naszych potrzeb. Jeśli oczywiście zajdzie taka potrzeba.
  Po zakończonym treningu przechodzimy do tzw. inferencji, czyli innymi słowy: uruchomienia nauczonej SI. Mówiąc wprost: podpinamy nauczoną SI pod kamerę i gdy ta zaczyna analizować kolejne klatki obrazu i np. zaznaczać na nich wady produktu, to właśnie to działanie SI nazywa się inferencją.

Sztuczna Inteligencja: uczenie i inferencja.

Po testowej inferencji często mamy etap integracji. Czyli podłączenie nauczonej SI pod inne systemy komputerowe np. by ta przy zgłaszaniu alarmu mogła wysłać sygnał / powiadomienie do odpowiednich osób, zapalić lampkę, zatrzymać maszyny… Kiedy indziej SI może wyniki swoich prac archiwizować lub wysyłać do systemów obsługujących umowy, faktury, etc. Jeszcze innym razem SI może starać się np. skrócić czas symulacji komputerowych. Przykładem są symulacje związane z dynamiką płynów i gazów (ang. Computational Fluid Dynamics, CFD). Tutaj SI może się nauczyć pewnych wzorców i zamiast wykonywać złożone obliczenia krok po kroku (jak to ma często miejsce przy wykorzystaniu tradycyjnych algorytmów numerycznych), SI może wykorzystać wiedzę historyczną z podobnych symulacji i przeskoczyć pewne kroki, przewidując ich wyniki. Wówczas taka symulacja zamiast godzin może zostać skrócona np. do minut. Oczywiście kosztem dokładności. Niemniej jednak często jest to bardzo dobry kompromis, dzięki któremu szybciej możemy się dowiedzieć czy np. dany eksperyment idzie w dobrym kierunku.

• Dokładność / precyzja: tutaj należy zauważyć, że SI nie daje nam odpowiedzi na 100%. Inne narzędzia de facto też rzadko tak robią i często operują na przybliżeniach. Jeśli chodzi o SI to czasem jest to 60%, czasem 98%. Zazwyczaj jednak oscylujemy w okolicach 95% i najczęściej w górę. Dlatego też większość narzędzi wykorzystujących SI służą raczej do wspierania człowieka niż eliminacji czynnika ludzkiego. SI może działać w warunkach podwyższonego ryzyka związanego z różnego rodzaju wypadkami, wesprzeć nas przy wykonywaniu męczących i nudnych prac, pomóc przyspieszyć wyciąganie wniosków ukrytych w danych z różnych źródeł, etc. Przykładowo systemy oparte na SI świetnie się sprawdzają w miejscach gdzie możemy coś przeoczyć np. z powodu zmęczenia. Przykładem może być tutaj obserwacja butelek i weryfikacja czy poprawnie naklejono etykiety. Innym razem SI może pomóc nam szybko przeanalizować ogromne zbiory danych: dokumenty, dane z czujników, dane z poczty e-mail, etc. i przy okazji wesprzeć proces decyzyjny: dobór zamienników, skompletowanie zamówienia, konsolidacja informacji dotyczącej zamówień, etc. We wszystkich tych przykładach dokładność na poziomie 95% jest w zupełności wystarczająca. Dzięki narzędziom opartym na SI możemy ludziom zlecać bardziej kreatywne zadania, lepiej wykonywać nużące prace, umieścić kamery przy zadaniach niebezpiecznych by poprawić warunki pracy dla ludzi. To wszystko przekłada się także na zyski ekonomiczne: możemy coś zrobić szybciej, lepiej wykrywać wady, unikać awarii, długofalowo obniżyć koszt produkcji. Przy okazji pracownicy zyskują narzędzia, dzięki którym ich praca może stać się łatwiejsza, bezpieczniejsza i efektywniejsza. Wymaga to jednak pewnych nowych kompetencji o czym kilka słów w dalszej części artykułu.

Przy okazji, warto także pamiętać, że wiele systemów dostępnych na rynku, które wydają się posiadać pewne elementy tzw. inteligencji, de facto nie są oparte na SI. Najczęściej są to systemy wizyjne, które przy pomocy kamer próbują dokonywać inspekcji wizualnej i np. wysyłać powiadomienia o znalezionych nieprawidłowościach. Mechanizmy takich systemów oparte są na sztywnych regułach, często opartych na analizie kolorystycznej obrazów uzyskanych z kamer. Czasami takie podejście się sprawdza ale w większości przypadków prowadzi do powstawania bardzo nieelastycznych systemów i przez to bardzo drogich w utrzymaniu rozwiązań. Drobna zmiana w procesie produkcyjnym wymaga ogromnych nakładów by taki system dostosować do nowych warunków. Przykładem może być np. system do odczytu faktur, w którym najpierw musimy dokładnie zdefiniować regiony gdzie jest NIP, gdzie jaka data, etc. W przypadku SI, rozwiązanie jest o wiele bardziej elastyczne. SI uczymy na wybranych danych a działamy później na podobnych — niekoniecznie takich samych i zazwyczaj innych niż te, które wykorzystaliśmy w etapie treningu.

Dobrze, jak już wiemy czym jest owa SI, przejdźmy teraz do przykładowych wdrożeń w środowiskach produkcyjnych. Jako, że jestem współzałożycielem firmy o nazwie byteLAKE (www.byteLAKE.com, www.byteLAKE.pl) i jako zespół mamy za sobą już sporo bardzo ciekawych wdrożeń w różnych branżach, pozwolę sobie skupić się przy tej okazji na paru naszych produktach. Kilka lat temu podjęliśmy decyzję aby zmienić całkowicie profil firmy. Dawno, dawno temu (:)) zaczynaliśmy jako firma usługowa, tworząca oprogramowanie na zamówienie. Z czasem zdecydowaliśmy aby przekształcić się w 100% firmę produktową i w tym kierunku przekierowaliśmy wszelkie nasze inwestycje. Teraz dzięki własnym produktom jesteśmy w stanie znacząco skrócić czas wdrożenia SI w przemyśle oraz istotnie zmniejszyć koszt i późniejsze utrzymanie takiego wdrożenia.

Przykładowo, wytworzenie oprogramowania na zamówienie to często koszt liczony w milionach złotych + utrzymanie. Czasowo, najczęściej mówimy o kilku latach. W przypadku wdrożenia gotowego produktu, zazwyczaj mówimy o jednorazowym i znacznie mniejszym koszcie związanym z jego dostosowaniem / integracją oraz opłatą licencyjną, która pokrywa wsparcie i najczęściej jest to kwota roczna. Nasze produkty mogą być uruchomione w tzw. chmurze obliczeniowej ale zdecydowana większość wdrożeń to tzw. wdrożenia on-premises = na lokalnych serwerach odbiorcy. Oczywiście jeśli jest taka potrzeba to takie serwery dostarczamy dzięki naszym partnerom jak np. Lenovo czy Intel. W podejściu on-premises mamy stałą opłatę roczną dla produktów i nie jest ona zależna od czasu korzystania z produktu. Kwotowo najczęściej mówimy o wydatku rzędu kilkudziesięciu — kilkuset tysięcy złotych za ewentualne dostosowanie produktu / integrację+ opłata roczna na poziomie kilku tysięcy do kilkunastu… zależnie od ilości stanowisk, rodzaju wdrożenia, etc.

Produkty byteLAKE dla przemysłu chemicznego, papierniczego i produkcyjnego.

Cognitive Services to produkt, który najczęściej wdrażamy w fabrykach samochodowych, papierniach i innych wytwarzających różnego rodzaju podzespoły. Składa się on z kilku modułów, które zostały przystosowane i zoptymalizowane (=maksymalnie wykorzystując sprzęt taki jak np. procesory Intela co z kolei pozwala zaoszczędzić na ilości wymaganej pamięci czy prędkości procesora i tym samym obniżyć koszt urządzeń) do wykonywania konkretnych czynności. Na chwilę obecną produkt potrafi:

• dokonać inspekcji wizualnej procesu wytwarzania papieru oraz zmierzyć i ustalić pozycję tzw. linii mokrej. Dzięki temu, z jednej strony możemy odciążyć pracownika od żmudnej i nudnej pracy polegającej na ciągłym doglądaniu procesu i weryfikowaniu czy czasem nie zaczyna się w nim dziać coś dziwnego. Z drugiej strony rozwiązanie pozwala nam uniknąć awarii i przestojów w produkcji, a tym samym zminimalizować potencjalne straty. Idąc dalej, system taki może przekazywać odczytane parametry do maszyny papierniczej, co z kolei może być przez nią wykorzystane do wprowadzenia korekty. Więcej na ten temat można znaleźć po polsku tutaj: Intel AI pomaga przyspieszyć proces produkcji papieru w Europie | RynekPapierniczy.pl. Po angielsku np. tutaj: Paper Mills Press On With AI Visual Inspection (insight.tech)
• analizować dane z mikrofonów i na ich podstawie wykrywać wady typu: zużywające się łożysko, źle zamontowane elementy silnika czy identyfikować ukryte wady, generujące podejrzane dźwięki. Podobnie jak w poprzednim przykładzie, system taki może wesprzeć zespół ds. jakości i znacząco zwiększyć skutecność eliminacji wad na produkcji. Dodatkowo taki system nie męczy się oraz nie ulega rozproszeniu. Więcej na ten temat wkrótce. Zapraszam do śledzenia mojego bloga lub kanałów byteLAKE (linki na dole).
• w przypadku restauracji, możliwe jest rozpoznawanie rodzajów potraw nakładanych na talerz i automatyczne wysyłanie ich listy do kasy. Pozwala to skrócić czas obsługi klienta i praktycznie eliminuje męczące i nudne spisywanie potraw w terminalach płatniczych. Kasjerka lub kasjer dostają listę wstępnie wypełnioną, dokonują ewentualnych korekt i wytawiają rachunek. Produkt ten wdrażamy z partnerem, firmą Protel, która posiada w swoim portfolio kompletne rozwiązania dla restauracji, hoteli, itp. Więcej na ten temat: https://www.bytelake.com/en/AI4Restaurants.

Dodatkowo Cognitive Services zostały tak zaprojektowane aby w łatwy i automatyczny sposób można było je przetrenować do wykrywania innych elementów / zdarzeń opartych na danych typu: obrazy, filmy, dźwięki. System potrafi zliczać elementy, zgłaszać alarm w przypadku wykrytych anomalii (np. pęknięcie na części metalowej, wgniecenie, zły kolor) lub zdarzeń niebezpiecznych (np. brak kasku, człowiek w niebezpiecznej strefie). Sukcesywnie dodajemy kolejne moduły. Wszystko w myśl zasady by maksymalnie skrócić czas wdrożenia i minimalizować koszty z nim związane.

Cognitive Services zostały tak zaprojektowane aby w łatwy i automatyczny sposób można było je przetrenować do wykrywania innych elementów / zdarzeń opartych na danych typu: obrazy, filmy, dźwięki. Sukcesywnie dodajemy kolejne moduły. Wszystko w myśl zasady by maksymalnie skrócić czas wdrożenia i minimalizować koszty z nim związane.

CFD Suite to z kolei produkt, który wdrażamy na chwilę obecną przede wszystkim w przemyśle chemicznym. Tutaj często wykorzystuje się symulacje komputerowe o nazwie CFD — dynamika płynów i gazów. Dla tych, dla których termin ten jest nowy, szybkie wyjaśnienie. Symulacje CFD wykorzystywane są m.in. w przemyśle samochodowym do np. zbudowania modeli aerodynamicznych samochodów lub ich fragmentów, do symulowania jak rozprzestrzenić się może pożar, bakterie po kichnięciu, do optymalizacji procesu wlewania płynów do butelek (np. jak to zrobić najszybciej), etc. W byteLAKE wykorzystujemy SI do skrócenia czasu symulacji dotyczących mieszania chemikaliów. Przykładowo, gdy chcemy przetestować jak dana substancja będzie się mieszać (np. szampon, farba, lek, pasta etc.) lub gdy chcemy zoptymalizować ten proces (np. dobrać pozycję, rodzaj i położenie mieszadeł, określić rozmiar zbiornika, etc.), wówczas uruchamiamy odpowiednie symulacje komputerowe — CFD. Czasami CFD są wykorzystywane by zrozumieć dlaczego jakieś produkty do nas wracają. Wówczas możemy prześledzić proces produkcji i posługując się scenariuszem naszego partnera: odkryć, że poprzez nieprawidłową konfigurację zbiorników do wymieszania, pewne partie produktu nie zostały prawidłowo wymieszane i przez to klienci nam je zwrócili. Oczywiście możemy też przeprowadzić sam proces testowego mieszania poprzez wlanie składników do zbiornika i uruchomienie rzeczywistego procesu. W obu przypadkach, tych opartych na symulacjach CFD i przy testowaniu ręcznym, problemem jest czas trwania takich eksperymentów i jeśli chodzi o symulacje CFD to zazwyczaj trwają one 4–8h. Innymi słowy: rano ustawiamy parametry wejściowe (parametry cieczy, geometrię systemu mieszającego) a już po obiedzie albo zaraz następnego dnia mamy wynik i możemy przystąpić do testów innej, potencjalnie lepszej konfiguracji. Dzięki SI (a w zasadzie CFD Suite) jesteśmy w stanie skrócić czas trwania takich symulacji do minut. Więcej na ten temat można znaleźć na stronach produktu: www.byteLAKE.com/en/CFDSuite lub na blogu dedykowanym do zagadnień wykorzystania SI w CFD: www.byteLAKE.com/en/AI4CFD-toc. Polecam także (j. angielski): CFD Suite: a breakthrough in fluid and gas dynamics simulation — PoLAND of IT Masters i (j. polski): CFD Suite: przełom w symulacji dynamiki płynów i gazów — PoLAND of IT Masters.

Więcej na temat wdrożeń można znaleźć na naszych stronach (linki poniżej) lub w ostatnim raporcie stworzonym przez IDC, przy współpracy z firmą Intel: byteLAKE Creates AI-Driven Solutions with Intel (j. angielski). Dodatkowo kilka słów (j.angielski) jak razem z Lenovo dostarczamy rozwiązania oparte na SI do fabryk: Lenovo Delivers AI-Enhanced Edge Computing with NVIDIA GPUs | eWEEK.

Jako firma, oprócz inwestowania we własne produkty oparte na SI, prowadzimy także szeroko zakrojoną akcję edukacyjną. Często można spotkać nas na różnego rodzaju konferencjach, wydarzeniach branżowych, także wirtualnie, gdzie dzielimy się wiedzą na temat wdrożeń, odpowiadamy na pytania i staramy się inspirować do jak najlepszego wykorzystania SI w przemyśle. Wdrożenia SI nie są łatwe. Dlatego też głęboko wierzymy, że dzięki naszej akcji edukacyjnej jesteśmy w stanie wielu przedsiębiorcom ułatwić ten proces i przede wszystkim pomóc uniknąć pomyłek, które często widzieliśmy na rynku i które sami popełnialiśmy w swoich karierach. Dodatkowo przez ostatnie lata zbudowaliśmy szeroką siatkę partnerów, z którymi razem jesteśmy w stanie działać globalnie i przede wszystkim, z którymi bardzo fajnie się uzupełniamy w kontekście umiejętności, kompetencji, możliwości i oferty. To wszystko daje nam unikalną możliwość podejścia kompleksowego do problemów, z jakimi borykają się nasi klienci.

Wracając do naszych akcji edukacyjnych w kontekście sztucznej inteligencji i jej wdrożeń w przemyśle. Ostatnio nagraliśmy kilka podcastów, w których opowiadamy szerzej o wyżej wspomnianych rozwiązaniach. Jednym z nich jest podcast, który nagraliśmy razem z bardzo dobrymi znajomymi z firmy Lenovo (j. angielski) i w którym opowiadamy o możliwościach jakie daje podpięcie SI do kamer przemysłowych: https://www.podbean.com/ew/pb-tvcca-11d645e. Oczywiście nie mogliśmy się powstrzymać by nie zahaczyć o pewne aspekty ekonomiczne czy szerzej rozumianą analitykę danych. Zachęcam do wysłuchania i ewentualnego komentowania gdyby pojawiły się jakieś pytania.

Gdyby ktoś miał ochotę wziąć udział w kilkugodzinnym szkoleniu na temat SI w przemyśle, zapraszam do śledzenia moich wpisów w tym wątku: https://www.bytelake.com/pl/SzkolenieAI. Jak tylko pojawi się kolejny termin, to od razu umieszczę tam stosowne informacje. W ramach dzielenia się wiedzą postanowiliśmy umieścić nagranie z jednej z pierwszych edycji takiego szkolenia na naszym kanale na YouTube (j. polski):

Znaleźć nas można także m.in. w audycjach radia RAM (link: FutuRAM: Sztuczna inteligencja, która ułatwia i przyśpiesza pracę [PODCAST] — Radio RAM), akademickim radiu LUZ (link: #MadeInWrocław: Marcin Rojek i Mariusz Kolanko, współzałożyciele byteLAKE by Radio LUZ (anchor.fm)) czy przy okazji innych wydarzeń, do których linki można znaleźć na naszych kanałach na Facebooku (https://www.facebook.com/byteLAKE/), LinkedIn (https://www.linkedin.com/company/bytelake), czy Twitterze (https://twitter.com/byteLAKEGlobal).

Ostatnio można było nas także spotkać na Uniwersytecie Jagiellońskim, gdzie dołączyliśmy do debaty na temat kompetencji przyszłości oraz jak będą się one kształtować, zmieniać, ewoluować w kontekście wykorzystania nowoczesnych technologii informatycznych, zwłaszcza tych opartych na SI.

Nagranie można znaleźć na YouTube (poniżej), a pod nim umieszczam ściągawkę, gdyby ktoś chciał przeskoczyć szybko do wybranych fragmentów.

► Otwarcie Debaty (39:00)

• prof. dr hab. Artur Michalak, wiceprezes PTChem, członek Grupy Sterującej projektu

• dr hab. Piotr Pietrzyk, prof. UJ, Prodziekan ds. Badań i Współpracy

• Przewodnicząca Sektorowej Rady ds. Kompetencji — Chemia, prof. dr hab. inż. Krystyna Czaja, Przedstawiciel władz Wydziału Chemii UJ

► Debata (49:00)

Prowadzący: dr hab. Marek Frankowicz, wiceprzewodniczący Sektorowej Rady ds. Kompetencji Sektora Chemicznego

• Tomasz Klekowski, Ekspert Transformacji Cyfrowej, członek Rady ds. Kompetencji Sektora IT oraz Rady Fundacji Platforma Przemysłu Przyszłości (55:00): “Co jest kluczowe, co sprawia trudności — kompetencje cyfrowe, standardy międzynarodowe”

• Artur Pollak, Prezes APA Group (1h:20:00): “Człowiek w przemyśle 4.0. Zapotrzebwanie na nowe kompetencje”

• Małgorzata Szymczukiewicz, Dyrektor ds. Rozwoju, KB Folie Polska (1h:47:00): “Opakowania inteligentne jako przyszłość opakowań”

• Rafał Wojdan, Director of Data Science, Ryvu Therapeutics S.A. (2h:11:00): “Sztuczna inteligencja w Drug Discovery”

• Marcin Rojek, współzałożyciel byteLAKE, CFD Suite (AI-accelerated CFD), Cognitive Services (AI for Paper Industry & Manufacturing)
(2h:44:00): “Sztuczna Inteligencja w Sektorze Chemicznym”

► Pytania i odpowiedzi (3h:12:00)

Konkluzja z mojej strony, jeśli chodzi o wymagane kompetencje przy wdrażaniu SI w przemyśle, jest taka, że każde takie wdrożenie polega na ścisłej współpracy pomiędzy ludźmi z różnych środowisk. Mamy tutaj różne role:

• od strony odbiorcy systemu opartego na SI mamy ogrom wiedzy branżowej, doświadczenia i osoby, które z takiego systemu będą korzystać. To właśnie wiedza i doświadczenie tych osób jest kluczowe, by system oparty na SI został dobrze wytrenowany. Te osoby powiedzą SI, co to znaczy produkt wadliwy, jaki zakres parametrów ma sens, etc.
• od strony twórcy produktu opartego na SI mamy naukowców oraz programisto-matematyków, ludzi umiejących programować, świetnie znających architektury sprzętowe i do tego mających silne zacięcie algorytmiczno-matematyczne. Ci ludzie, patrząc na problem potrafią dostrzegać liczby, zależności, budować wielowymiarowe funkcje, etc.

Koniec końców system oparty na SI ma działać i być prosty w obsłudze. Zapewnienie tego, to oczywiście etap integracji, czyli wpinania SI w istniejące systemy typu: inne programy komputerowe, roboty, kamery, czujniki, etc. Celem jest zmniejszenie kosztów produkcji, eliminacja zdarzeń niepożądanych (np. wykrycie produktów wadliwych, eliminacja fałszywych alarmów, zminimalizowanie negatywnego wpływu przez tzw. czynnik ludzki, jak zmęczenie, rozproszenie, etc.), eliminacja zadań nudnych (np. żmudne przepisywanie dokumentów) czy niebezpiecznych (np. zgłaszanie alarmu gdy pracownik nie ma kasku), itp.

Gdyby ktoś chciał posłuchać kilka słów na temat jak ekscytujące są to przedsięwzięcia, polecam krótki wywiad, który nagrałem z bardzo dobrymi kolegami z firmy Intel (j. angielski). Rozmawiamy tam o produktach byteLAKE ale przede wszystkim o tym, jak działamy, jak zaczynaliśmy i jeszcze raz o doświadczeniach przy wdrażaniu produktów opartych na SI. Link do nagrania poniżej a gdybyś droga czytelniczko/drogi czytelniku miał/a jakieś dodatkowe pytania, zapraszam do kontaktu: mrojek@byteLAKE.com / +48 508091885.

Celem wdrożenia Sztucznej Inteligencji w Przemyśle jest zmniejszenie kosztów produkcji, eliminacja zdarzeń niepożądanych (np. wykrycie produktów wadliwych, eliminacja fałszywych alarmów, zminimalizowanie negatywnego wpływu przez tzw. czynnik ludzki, jak zmęczenie, rozproszenie, etc.), eliminacja zadań nudnych (np. żmudne przepisywanie dokumentów) czy niebezpiecznych (np. zgłaszanie alarmu gdy pracownik nie ma kasku), itp.

Powiązane artykuły:

• Sztuczna Inteligencja w Przemyśle: czym jest AI? Na czym polega uczenie a czym jest inferencja? Przykładowe zastosowania i opisy wdrożeń. AI + nauka = innowacje, badania, produkty. (link)
  (aktualnie wyświetlony artykuł)
• Sztuczna Inteligencja w Przemyśle: skąd AI wie jak coś zrobić? jak wdrożyć AI w firmie? Od czego zacząć? Ile to kosztuje? (link)
• Sztuczna Inteligencja w Biznesie — szkolenie byteLAKE
  (link: https://youtu.be/B71qKdK18I0)
• Zapisy na szkolenie o sztucznej inteligencji: link.