Umělá inteligence v průmyslu není chatbot

V posledních letech se „AI“ stala téměř synonymem generativních systémů, které píší texty a odpovídají na otázky. Prvním nápadem na průmyslový AI projekt proto často bývá chatbot pro dokumentaci, údržbu nebo manažerský reporting.

To může být užitečné. Průmyslová umělá inteligence je však mnohem širší a v mnoha případech méně efektní oblast.

Dobře fungující model možná nikdy nepromluví lidskou řečí. Jen si všimne, že se zařízení chová jinak než obvykle, předpoví spotřebu energie na příští den nebo naplánuje spotřebiče a úložiště tak, aby se snížily náklady i rizika pro síť.

Čtyři typické úlohy průmyslové AI

Detekce anomálií

Systém se naučí vzorec běžného provozu a poté upozorňuje na podstatné odchylky od něj. Lze to využít k rozpoznání změn stavu strojů, spotřeby energie nebo chování sítě, případně k odhalení poruch senzorů.

Anomálie automaticky neznamená poruchu. Je to spíše oprávněná otázka: co se změnilo a je nutný zásah?

Predikce

Modely časových řad mohou odhadovat spotřebu, výrobu, zatížení nebo potřebu tepla na příští hodiny či dny. Predikce může sloužit jako podklad pro nákup, rozvrhování, plánování kapacit i regulaci.

Klasifikace a diagnostika

Pokud jsou k dispozici vhodně označená data, model dokáže rozpoznat různé stavy nebo způsoby poruch. Může například odlišit běžný provoz od přetížení, nevyváženosti nebo poruchy senzoru.

Optimalizace

Optimalizační systém neříká jen, co se stane, ale navrhuje také, jak v daných omezeních dosáhnout nejlepšího výsledku. Může jít o plánování nabíjení a vybíjení bateriového úložiště energie, rozvrhování výrobních úloh nebo snižování špičkového zatížení.

Průmyslová AI pracuje ve fyzických mezích

Chybná odpověď systému generujícího text může být nepříjemná. Chybné rozhodnutí modelu použitého v řízení může způsobit fyzickou škodu, výpadek výroby nebo bezpečnostní problém.

Proto průmyslová AI nemůže fungovat jako neomezená černá skříňka. Rozhodnutí modelu je nutné zasadit do technologických a bezpečnostních pravidel.

Například model pro optimalizaci energie může navrhnout rychlé vybití baterie, výkonná vrstva ale musí zohlednit:

• meze stavu nabití;
• výkonový limit;
• teplotu;
• předpisy výrobce;
• podmínky připojení k síti;
• aktuální provozní stav;
• oprávnění uživatelů a systému.

Model může dát doporučení. Bezpečné provedení musí chránit deterministické meze a kontrolovaný proces.

Bez dat není AI, bez kontextu není smysluplná AI

Samotná časová řada spotřeby energie málokdy stačí. Je třeba vědět, ze kterého zařízení pochází, v jaké směně, při jakém objemu výroby, za jakých povětrnostních podmínek a v jakém stavu údržby vznikla.

Jednou z nejtěžších částí průmyslové AI proto není výběr modelu, ale propojení dat:

• naměřená data;
• kmenová data zařízení a lokalit;
• provozní stavy;
• výrobní a údržbové události;
• meteorologická nebo tržní data;
• zásahy a jejich výsledky.

Pokud tato data žijí v oddělených systémech, s odlišnými identifikátory a nejistými časovými značkami, model může být technicky hotový, ale z obchodního hlediska slabý.

I generativní AI má své místo – jen neřídí motor

Generativní AI může být obzvlášť užitečná při práci s nestrukturovanými informacemi. Může pomoci:

• s vyhledáváním v technické dokumentaci;
• se shrnutím záznamů událostí;
• s přípravou protokolů o údržbě;
• s dotazy v přirozeném jazyce;
• s formulací reportů a návrhů opatření;
• se sestavením auditní dokumentace.

V provozním provádění se však vyplatí držet jasnou hranici. Odpověď generativního modelu může být informací pro podporu rozhodování, zatímco skutečný příkaz ověřují oprávnění, schválení, systém vyhodnocování pravidel (rule engine) a místní bezpečnostní logika.

Výsledkem AI není skóre, ale lepší provoz

Přesnost modelu je důležitý technický ukazatel, není však totožná s obchodním výsledkem. Model údržby může být statisticky dobrý, a přesto nepoužitelný, pokud generuje příliš mnoho alarmů, upozorňuje příliš pozdě nebo technik údržby nedostane dost informací, aby mohl jednat.

Proto je vhodné stanovit ukazatele úspěchu, jako jsou:

• zamezené prostoje;
• snížené náklady na energii nebo údržbu;
• chyba predikce v obchodně relevantním časovém horizontu;
• podíl falešných alarmů;
• doba od události do zásahu;
• počet ručních kroků, které lze automatizovat nebo odstranit.

V OrigSmartu není AI samostatnou ukázkou

Platforma OrigSmart propojuje fyzický měřicí bod, sběr dat v terénu, centrální správu dat a proveditelný podnikový proces do jednoho systému. Tím vzniká prostředí, v němž výsledek AI nezůstává izolovaným výstupem modelu.

Z predikce se mohou stát plánovací data. Z anomálie úkol údržby. Z optimalizačního návrhu schválený a omezený řídicí zásah. Výsledek provedení se pak může vrátit do systému, takže proces je měřitelný a lze ho dále zlepšovat.

Přístup OrigSmartu proto nezačíná otázkou „kam dát AI?“. Nejprve definujeme provozní problém, dostupná data, bod rozhodnutí a pravidla provedení. Teprve potom volíme model.

Zdroje

• Evropská komise – Artificial intelligence: unlocking a smarter, greener energy future
• NIST AI Risk Management Framework
• OrigSmart – Webový podnikový operační systém