Jak sztuczna inteligencja zmienia fabryki?

Postęp z wdrażania AI jest prawie niezauważalny. Jednak następuje i to w bardzo dynamicznym tempie. Uwagę społeczeństwa na nieograniczone możliwości nowych technologii, mających często przewagę nad ludzkim umysłem, zwracają kamienie milowe, ukazujące potencjał sztucznej inteligencji.

Jednym z nich był moment, w którym AlphaGo, program opracowany przez DeepMind, który pokonał mistrza świata w grze w Go w 2016 r. Kolejnym było pojawienie się generatywnych aplikacji AI (Generatve AI, GenAI), które nie tylko wykonują szereg rutynowych zadań, takich jak reorganizacja i klasyfikacja danych, ale również samodzielnie tworzą sztukę cyfrową, piszą teksty czy komponują muzykę. Tym samym pobudzają wyobraźnię ludzi na całym świecie, zachęcając do różnorodnych zastosowań.

Do najpopularniejszych aplikacji GenAI, które prawie każdy może używać do komunikacji i tworzenia należą np. ChatGPT, Claude, chatbot Bard czy Stable Diffusion.

ChatGPT trafił do użytku w listopadzie 2022 r. Cztery miesiące później jego twórca firma OpenAI wypuściła na rynek nowy duży model językowy (Large Language Model, LLM), nazwany GPT-4
ze znacznie ulepszonymi możliwościami. ChatGPT-4 potrafi przetwarzać 8192 tokenów, czyli równowartość ok. 11 000 słów.

Z kolei powstała w maju 2023 r. generatywna sztuczna inteligencja firmy Anthropic, założonej przez byłych pracowników OpenAI, o nazwie Claude jest może przetworzyć 100 000 tokenów tekstu, co odpowiada tworzeniu ok. 75 000 słów na minutę – czyli długości przeciętnej powieści. Claude, podobnie jak ChatGPT, jest w stanie generować treści na różne tematy, od pisania wierszy, przemówień po tworzenie contentu.

Również w maju br. firma Google ogłosiła kilka nowych funkcji opartych na generatywnej sztucznej inteligencji, w tym nowy model LLM o nazwie PaLM 2 do obsługi chatbota Bard i innych produktów Google. PALM 2, jak zapewniają twórcy, wyróżnia możliwość realizacji zaawansowanych zadań, w tym kodowania, matematycznej analizy, klasyfikacji i odpowiadania na pytania, tłumaczenia z biegłością wielojęzyczną itp., a to wszystko przy wykorzystaniu połączenia optymalnego skalowania obliczeniowego, bogatych zestawów danych i ulepszonej architektury modelu.

Kreatywnym zastosowaniem sztucznej inteligencji do tworzenia sztuki wizualnej wykazała się firma Stability AI, która zaprezentowała Stable Diffusion. Ten zaawansowany generator obrazów, oparty na sztucznej inteligencji, dzięki imponującej liczbie 3,5 mld parametrów jest może generować obrazy o rozdzielczości jednego 1 Mpx w różnych wymiarach.

Jak działa AI?

Powstające modele LLM oparte są na ekspansywnych sztucznych sieciach neuronowych, inspirowanych ogromną liczbą neuronów połączonych w całość w ludzkim mózgu. To zasługa ewolucji w zakresie głębokiego uczenia Deep Lerning (DL). Modele wykorzystujące DL mogą przetwarzać niezwykle duże i zróżnicowane zbiory nieustrukturyzowanych danych i zwiększać zakres zadaniowości. Ulepszona została ich funkcjonalność w szerokim zakresie modalności, w tym obrazów, wideo, audio i kodu komputerowego. To z kolei przekłada się na możliwości AI w zakresie klasyfikowania, edytowania, podsumowywania, odpowiadania na pytania i opracowywania nowych treści.

Dlaczego AI jest ważna w branży produkcyjnej?

Wdrażanie sztucznej inteligencji w zakładach produkcyjnych cieszy się coraz większą popularnością wśród producentów. Przemysł produkcyjny jest głównym użytkownikiem sztucznej inteligencji – wg ankiety przeprowadzonej przez Capgemini 93 % liderów uważa, że ich organizacje przynajmniej w umiarkowanym stopniu korzystają ze sztucznej inteligencji. Jak wynika z tego samego badania ponad 50 % czołowych europejskich producentów wdraża obecnie sztuczną inteligencję na różne sposoby. Liderem są Niemcy, gdzie 69 % producentów korzysta z osiągnięć AI. W Japonii odsetek ten wynosi 30 %, a w Stanach Zjednoczonych 28 %. Dla porównania w wysoce zautomatyzowanych Chinach jest to 11 %.

Te dane są już z pewnością wyższe, ponieważ sztuczna inteligencja dociera do przemysłu produkcyjnego w szybkim tempie, już jako usługa na żądanie. Do umożliwienia takiego podejścia przyczyniły się rozwiązania takich firm jak: IBM Watson AI, Microsoft Azure AI, Google Cloud AI Platform czy Amazon AWS AI. Udostępniają oni producentom gotowe modele i narzędzia sztucznej inteligencji, umożliwiające wewnętrzną integrację z operacjami procesowymi.

Zakłady produkcyjne, jako generatory ogromnej liczby danych analitycznych, na które wpływają setki zmiennych, trudnych do przeanalizowania przez człowieka zaliczają się do największych beneficjentów wdrożenia AI. Modele uczenia maszynowego mogą z łatwością przewidzieć wpływ poszczególnych zmiennych w złożonych sytuacjach. Nic więc dziwnego, że producenci coraz chętniej wykorzystują moce obliczeniowe i zdolności do szybkiej analizy AI, aby zapobiec problemom, takim jak nieoczekiwana awaria maszyny czy wadliwa dostawa produktu oraz aby zwiększyć wydajność, dokładność i produktywność w różnych procesach. Stosując sztuczną inteligencję i uczenie maszynowe mogą poprawić efektywność operacyjną, wprowadzać nowe produkty, dostosowywać projekty do zmiennych potrzeb rynkowych i planować przyszłe działania finansowe, aby osiągnąć postęp w transformacji cyfrowej.

Kontrola jakości

Sztuczna inteligencja jest szczególnie przydatna w kontroli jakości, ponieważ może wykorzystywać zautomatyzowane inspekcje wizualne do wykrywania drobnych wad, których ludzkie oko może nie dostrzec. Japoński producent opon Bridgeston korzysta z narzędzia AI wyposażonego w czujniki, które sprawdza 480 różnych elementów fizycznych, aby upewnić się, że wszystkie opony są zmontowane w optymalnym stanie.

Audi wykorzystuje system wizyjny AI do przeprowadzania identyfikacji pęknięć blachy. Po kilkumiesięcznym szkoleniu sztucznej sieci neuronowej przy użyciu kilku milionów obrazów testowych system był w stanie uczyć się niezależnie i obecnie wykrywa pęknięcia również w niestandardowych formatach.

Z kolei firma BMW wykorzystuje zautomatyzowane rozpoznawanie obrazu, podczas którego aplikacja AI porównuje bieżącą sekwencję produkcyjną z setkami innych obrazów z tej samej sekwencji, aby upewnić się, że wszystkie części są prawidłowo zamontowane.

Inny producent samochodów, firma Volvo wdrożyła oparte na kamerach narzędzia AI, które sprawdzają elementy gotowych pojazdów, w tym podwozie i opony. Tego typu narzędzia mogą być stosowane przez warsztaty samochodowe do wyszukiwania usterek.

Analityka predykcyjna

Niezależnie od zastosowań w różnych branżach, zdolność predykcyjna sztucznej inteligencji pozostaje nieoceniona. Oprócz kontroli jakości stanowi najczęstsze zastosowanie AI. Proaktywne monitorowanie pozwala zapobiegać potencjalnym problemom w przyszłości, w tym przewidywać, kiedy działająca maszyna może ulec awarii. Dzięki temu inżynierowie mogą wcześniej zaplanować serwis czy niezbędne naprawy, tym samym minimalizując przestoje i optymalizując harmonogramy konserwacji.

Firmy ABB i Microsoft pracują nad wdrożeniem generatywnej sztucznej inteligencji do przemysłu, która usprawni analizę danych i pomoże podjąć właściwą decyzję zapobiegając awarii urządzeń.

Z połączenia platformy dla przemysłu ABB Ability Genix z usługami Azure Open AI Service powstanie Genix Copilot, wyposażony w zaawansowane narzędzia wnioskujące i algorytmy uczenia maszynowego. Genix będzie wykorzystywał GPT-4, aby „uczyć się” pracy urządzeń, co udoskonali monitoring online i umożliwi skuteczne przewidywanie awarii. Platforma będzie integrowała skontekstualizowane dane z trzech środowisk: operatorskiego (OT, np. systemy sterowania w fabrykach), informatycznego (IT, np. systemy ERP) i inżynieryjnego (ET, np. narzędzia do projektowania elementów i całych instalacji technologicznych). Może zostać uruchomiona w chmurze, na konkretnej maszynie lub w infrastrukturze IT przedsiębiorstwa.

Według obliczeń ABB, informacje zwrotne, jakie dostarczy Genix Copilot w zakresie monitoringu w czasie rzeczywistym czy też serwisu predykcyjnego, mogą przełożyć się na wydłużenie o 20 % czasu życia urządzeń i zredukowanie o 60 % nieplanowanych przestojów. Narzędzie wesprze również proces transformacji energetycznej (monitoring i optymalizacja w zakresie zużycia energii i emisji), a także bezpiecznego przepływu informacji w przedsiębiorstwie.

Jedną z kluczowych koncepcji predykcyjnych jest cyfrowy bliźniak czyli wirtualna replika zasobu fizycznego, która przechwytuje dane w czasie rzeczywistym i symuluje jego zachowanie w środowisku wirtualnym. Przykładem konserwacji predykcyjnej opartej na sztucznej inteligencji w produkcji jest zastosowanie technologii cyfrowych bliźniaków w fabryce Forda. Dla każdego produkowanego modelu samochodu Ford tworzy różne cyfrowe bliźniaki. Każdy bliźniak zajmuje się odrębnym obszarem produkcyjnym – od koncepcji, przez budowę, po eksploatację. Łącząc cyfrowego bliźniaka z danymi z czujników z rzeczywistych urządzeń, sztuczna inteligencja może analizować wzorce, identyfikować anomalie i przewidywać potencjalne awarie. Może precyzyjnie określać straty energii i wskazywać miejsca, w których da się zaoszczędzić energię, a tym samym zwiększyć ogólną wydajność linii produkcyjnej.

Podobnie firma Siemens ma asystenta kognitywnego, który umożliwia ciągłe i niestrudzone monitorowanie instalacji przemysłowych przez całą dobę. Tym samym sztuczna inteligencja poprawia wydajność hali produkcyjnej, ułatwia automatyzację operacji, umożliwia automatyzację zadań i analizę dużych zbiorów danych, w oparciu o które podejmowane są decyzje.

Robotyczna automatyzacja procesów

Roboty automatyzują powtarzalne zadania w procesach produkcyjnych i minimalizują lub znacznie ograniczają błędy ludzkie. Sztuczna inteligencja wspomaga działanie robotów i interakcje między robotami a ludźmi. W centrum tej ewolucji znajdują się roboty współpracujące, które zostały zaprojektowane specjalnie do pracy z ludźmi. Koboty obsługiwane przez sztuczną inteligencję w przemyśle motoryzacyjnym mogą wykonywać powtarzalne, ciężkie prace, takie jak pozycjonowanie i mocowanie pokryw silnika do zespołu nadwozia, dając pracownikom liniowym więcej czasu na skoncentrowanie się na innych zadaniach. Dodanie sztucznej inteligencji do kobotów umożliwia ich szybsze wdrażanie, a także „intuicyjne” monitorowanie obszarów roboczych linii produkcyjnej pod kątem zmieniających się warunków i samodzielne dostosowywanie się do nich.

Sztuczna inteligencja może poprawiać dokładność i niezawodność robotów przemysłowych, a także umożliwić ich sprawniejszą obsługę. Jedną z ważniejszych jest również rola AI w minimalizowaniu wysiłku programistów i inżynierów, potrzebnego do stworzenia i wdrożenia rozwiązań robotycznych.

Zarządzanie łańcuchem dostaw i zapasami

Zarządzanie łańcuchem dostaw odgrywa kluczową rolę w przemyśle produkcyjnym, a sztuczna inteligencja okazała się przełomem w tej dziedzinie. Wykorzystując moc sztucznej inteligencji i uczenia maszynowego w produkcji, firmy rewolucjonizują swoje procesy w łańcuchu dostaw i osiągają znaczną poprawę wydajności, dokładności i opłacalności.

Sztuczna inteligencja w łańcuchu dostaw umożliwia wykorzystanie analiz predykcyjnych, optymalizację zarządzania zapasami, popytem i usprawnienie logistyki.

Liderem w zastosowaniu AI w zarządzaniu zapasami jest firma Amazon, która wykorzystuje algorytmy oparte na sztucznej inteligencji, mogące analizować wiele zmiennych, takich jak koszty transportu, moce produkcyjne i czasy realizacji, w celu optymalizacji sieci łańcucha dostaw. Na ich podstawie firma lokuje centra lokalizacji zamówień, zapewniając terminowość dostaw i zmniejszając koszty transportu.

BMW stosuje w swoich magazynach produkcyjnych pojazdy sterowane automatycznie (AGV) napędzane sztuczną inteligencją, aby usprawnić operacje intralogistyczne. Pojazdy AGV oparte na sztucznej inteligencji mogą analizować przychodzące zamówienia, optymalizować trasy kompletacji i efektywnie alokować zasoby.

Projektowanie nowych produktów

Wraz z pojawieniem się sztucznej inteligencji rozwój nowych produktów w przemyśle uległ znaczącej transformacji. Zintegrowanie AI z procesami produkcyjnymi zaowocowało innowacyjnym podejściem i usprawnionymi procesami, które rewolucjonizują sposób, w jaki firmy tworzą i wprowadzają nowe produkty na rynek.

Jedną z kluczowych zalet AI, wykorzystywaną przy opracowywaniu nowych produktów jest możliwość szybkiego i wydajnego analizowania ogromnej liczby danych. Stosując algorytmy uczenia maszynowego, producenci mogą analizować zebrane informacje o trendach rynkowych, preferencjach klientów i poczynaniach konkurencji. AI ułatwia podejmowanie decyzji w oparciu o dane i projektowanie produktów zgodnych z wymaganiami rynku

Wykorzystując możliwości uczenia maszynowego producenci półprzewodników mogą identyfikować usterki komponentów, przewidywać problemy już na etapie projektu i proponować optymalne układy scalone. Analityka oparta na AI bada struktury komponentów, ulepszając układy mikrochipów i redukując koszty, jednocześnie zwiększając wydajność i zmniejszając czas wprowadzenia produktu na rynek.

Wykorzystanie oprogramowania do projektowania generatywnego w celu opracowywania nowych produktów jest jednym z głównych przykładów sztucznej inteligencji w produkcji. Najczęściej dochodzi do połączenia możliwości firmy zajmującej się projektowaniem generatywnym z potrzebami producenta udostępniającego parametry projektowe i cele wydajnościowe. Dane z procesów są przekazywane do algorytmów sztucznej inteligencji, które na ich podstawie mogą generować wiele opcji, badając szeroki zakres możliwości projektowych. Celem jest osiągnięcie optymalnych i innowacyjnych projektów

Dzięki wieloczynnikowej analizie i przyspieszonej iteracji projektu firmy produkcyjne mogą zwiększyć swoją przewagę konkurencyjną i wprowadzić na rynek innowacyjne i skuteczne produkty. Według ekspertów jednym z obszarów, w którym sztuczna inteligencja znajdzie znaczące zastosowanie będą produkty robione pod indywidualne zamówienie klienta.

Innowacje wspomagane AI powstają już na bardzo wczesnym etapie projektowania. Przykładem jest producent samochodów, firma BMW, która wykorzystuje oprogramowanie Monolith, aby zastosować sztuczną inteligencję do przewidywania skutków zderzeń bez przeprowadzenia czasochłonnych, kosztownych testów zderzeniowych i aerodynamicznych. Inżynierowie BMW zbudowali samouczące się modele, które po przeanalizowaniu ogromnej liczby istniejących danych zderzeniowych były w stanie dokładnie przewidzieć siłę działającą na kość piszczelową dla wielu różnych typów zderzeń bez powodowania fizycznych wypadków. Fizyczne testy zderzeniowe będą przeprowadzane na późniejszych etapach rozwoju, gdy projekt będzie wystarczająco dojrzały, aby stworzyć fizyczne prototypy.

Sztuczną inteligencję coraz częściej wykorzystuje się także w procesie projektowania, szczególnie w przypadku wytwarzania przyrostowego (druk 3D). W tak zwanym projektowaniu „generatywnym” algorytmowi sztucznej inteligencji podaje się cele projektowe i parametry, których należy przestrzegać, takie jak ograniczenia materiałowe i kosztowe, a następnie algorytm wypróbowuje tysiące różnych opcji projektowych, aby znaleźć najlepszą. Ostateczne projekty są często znacznie lżejsze i mocniejsze niż projekty stworzone przez ludzi. Firma General Motors wykorzystała takie narzędzie sztucznej inteligencji od firmy Autodesk do zaprojektowania wydrukowanego w 3D wspornika siedzenia, który połączył osiem różnych części w jedną lżejszą o 40 % i mocniejszą o 20 % od poprzedniej.

Potrzebne supermoce

Komputery kwantowe mają rewolucyjny potencjał do wprowadzenia nowego podejścia do obliczeń i rozwiązywania niezwykle złożonych obliczeniowo problemów, dlatego są nieocenione w badaniach nad sztuczną inteligencją. Wykorzystanie bitów kwantowych (kubitów) do wykonywania obliczeń równoległych i manipulowania zjawiskami kwantowymi, takimi jak superpozycja czy splątanie kwantowe przekłada się na zdolność efektywnego rozwiązywania bardzo złożonych zadań, gdy w grę wchodzą analizy oparte na miliardach danych.

Unia Europejska, chcąc pozostać w czołówce regionów stawiających na innowacyjny rozwój, zasygnalizowała plan rozszerzenia dostępu do swoich superkomputerów obliczeniowych o dużej wydajności (HPC), umożliwiając startupom wykorzystywanie tych zasobów. Warunek jest jeden, startupy chcące uzyskać dostęp do unijnych zasobów obliczeniowych dużej mocy – które obecnie obejmują superkomputery przedeksaskalowe i petaskalowe – będą musiały skorzystać z programu dotyczącego zarządzania sztuczną inteligencją.

Trwa rozbudowa europejskiej bazy HPC. W czerwcu 2023 r. zapadła decyzja o wyborze sześciu krajów, w których mają być zlokalizowane komputery kwantowe, sfinansowane w ramach European High Performance Computing Joint Undertaking – EuroHPC JU, czyli Europejskiego Wspólnego Przedsięwzięcia w dziedzinie Obliczeń Wielkiej Skali w Europie. Jednym z wyborów jest Polska. Pierwszy polski komputer kwantowy będzie zainstalowany w Poznańskim Centrum Superkomputerowo-Sieciowym. Komputer ten będzie częścią europejskiej architektury kwantowej, która ma służyć przede wszystkim celom badawczo-rozwojowym. Będą z niej korzystać zarówno użytkownicy ze środowiska naukowego, jak i przemysłowego oraz z sektora publicznego. Poznańska maszyna nie jest jedyną, która umożliwi obliczenia polskim naukowcom i przedsiębiorcom, kolejny komputer kwantowy LUMI-Q będzie zainstalowany w Ostrawie w Czechach.

Prognozy rozwoju AI

Sztuczna inteligencja rewolucjonizuje przemysł produkcyjny dzięki swoim możliwościom transformacyjnym. Produkcja jest branżą przodującą pod względem generowania danych. Szacuje się, że nawet 60–75 % z nich nie jest wykorzystywana. AI otwiera nowe możliwości pod względem analizy danych i przełożenia zaczerpniętych wniosków na wsparcie procesów produkcji, zarządzania czy sprzedaży.

Jak wynika z najnowszego raportu Vantage Market Research, oczekuje się, że globalna sztuczna inteligencja w produkcji będzie rosła o 51,5 %/r. w ciągu najbliższych sześciu lat, osiągając wartość rynkową 17,9 mld USD do 2028 r. Tak dynamiczny rozwój AI będzie napędzany coraz lepszym dostępem do infrastruktury szkoleniowej.

W nadchodzącej erze sztucznej inteligencji zmianie ulegną sposób i czas realizacji zadań, co wpłynie na zwiększenie wydajności w wielu sektorach. Eksperci spodziewają się, że oprócz przemysłu AI odegra największą rolę w takich sektorach jak sprzedaż i marketing, obsługa klientów, rozwój oprogramowania.

Czy AI może być twórcą wynalazku?

Przyszłość sztucznej inteligencji w kontekście prawa patentowego jest niepewna. Dotychczas nie uchwalono żadnego prawa krajowego ani konwencji międzynarodowej dotyczącej ochrony dzieł twórczych, których autorem jest „twórca” sztucznej inteligencji. Prekursorem, który podjął próbę zrewolucjonizowania podejścia do możliwości patentowania wynalazku stworzonego przez AI jest dr Stephen Thaler. Złożony przez niego wniosek w urzędach patentowych różnych krajów dotyczył nowego typu pojemnika na napoje, którego zadaniem jest zapobieganie rozlaniu. Wynalazek został stworzony przez DABUS, system sztucznej inteligencji opracowany przez firmę Thaler. Urzędy patentowe m.in. w Stanach Zjednoczonych, Europie czy Korei odrzuciły wniosek patentowy na wynalazek stworzony przez system sztucznej inteligencji (AI). W orzeczeniu podano argument, że obecne prawo patentowe nie pozwala na uznanie systemu AI za twórcę.

Jednak nie da się zakwestionować faktu, że najbliższych latach sztuczna inteligencja będzie odgrywała coraz ważniejszą rolę w tworzeniu nowych wynalazków. To z kolei będzie wymagało ewolucji prawa patentowego, aby dotrzymać kroku szybko zmieniającemu się środowisku technologicznemu.

Podsumowanie

Sztuczna inteligencja wnosi do sektora produkcyjnego głęboką zmianę. Uzupełnia lukę potrzebną do rozwoju zaawansowanych technologii i cyfryzacji. Rozszerza ludzkie możliwości, stanowiąc wsparcie w kreatywnym podejściu nad innowacyjnymi projektami, umożliwiając inżynierom odkrywanie nieznanych dotąd możliwości. W procesach produkcyjnych AI przyczynia się do znacznej poprawy efektywności operacyjnej, usprawnienia i optymalizacji produkcji.

W najbliższych latach sztuczna inteligencja z pewnością zmieni przemysł, doprowadzając do znaczącej transformacji przez poprawę procesów projektowania i zwiększenie ogólnej wydajności. Dla opartego na cyfrowych rozwiązaniach Przemysłu 4.0. otwiera nowe możliwości wzrostu, pomagając firmom produkcyjnym wyprzedzić konkurencję, torując drogę do bardziej innowacyjnej i zrównoważonej przyszłości.

źródło: Automatyka 10/2023