Автор: Сальваторе Саламоне

Производители, которые успешно внедряют искусственный интеллект, надеются улучшить работу, сократить время простоя и повысить качество продукции.

Сегодня производители все чаще используют интеллектуальные датчики и камеры, установленные на их предприятиях, для мониторинга процессов и оборудования. Тем не менее, искусственный интеллект (ИИ) необходим для извлечения действенной информации из огромного количества данных, которые производят эти системы.

Внедрение ИИ может быть сложной задачей. Производители, которые делают это успешно, надеются улучшить операции, сократить время простоя и повысить качество продукции. Чтобы изучить проблемы внедрения ИИ, передовой опыт и потенциальные преимущества, RTInsights взял интервью у Брайана Маккарсона, вице-президента и старшего главного инженера группы Интернета вещей, который возглавляет группу проектирования и архитектуры промышленных систем в Intel. Ниже приводится краткое изложение беседы.

Почему интерес к ИИ в производстве?

RTInsights. Почему существует такой большой интерес к использованию ИИ в производстве?

Маккарсон: Есть несколько вещей, которые, по моему мнению, вызывают стремление к ИИ. Во-первых, некоторые задачи просто опасны для выполнения людьми, потому что они включают в себя оборудование, работающее при очень высоких температурах, высоком напряжении или большом количестве движущихся частей, которые могут привести к травмам. Поиск способов выполнения задач, как правило, требует помещения человека в эту опасную среду для мониторинга или обслуживания процесса, что является одним из ключевых факторов. Это особенно актуально в регионах со строгим управлением и законами о защите безопасности сотрудников.

Второй драйвер использования ИИ — оптимизация производительности машины. Существует огромное количество данных, которые могут быть получены от некоторых из самых сложных машин, которые сегодня используются в производстве. Иногда объем данных и скорость, с которой они поступают, достигают скорости, при которой человек может провести весь необходимый анализ.

Мониторинг чувствительной машины требует, чтобы ученый данных нашел статистически значимый сигнал всех этих машинных данных временного ряда. Использование ИИ для максимально быстрого выявления проблем с машинами может помочь увеличить время безотказной работы машин и сократить количество дефектов или дефектных деталей, которые эти машины могут производить. Увеличение времени безотказной работы оборудования может значительно снизить эксплуатационные расходы предприятия и увеличить потенциальный доход на каждое оборудование.

Третий драйвер использования ИИ заключается в попытке обнаружить дефекты в производстве товаров. Например, предположим, что вы являетесь производителем сенсорных экранов и создаете экраны для iPhone, ноутбука, телевизора, компьютерного монитора или цифрового дисплея. Достаточно одного неисправного пикселя, чтобы считать эту часть непригодной для продажи и распространения среди партнеров или клиентов. Человеческий глаз не предназначен для надежной и эффективной идентификации сбоев отдельных пикселей. Человеку пришлось бы внимательно визуально сканировать всю область дисплея. А это может занять очень много времени. Кроме того, эволюция спроектировала наши глаза так, чтобы они эффективно обнаруживали и отфильтровывали движение, а не различали субмиллиметровые оптические аномалии. Система искусственного интеллекта может быть разработана для выявления даже самых незначительных дефектов продукта, и это может помочь значительно сократить количество возвратов, брака или переделок, с которыми фабрика столкнулась бы без искусственного интеллекта. Эти усилия могут привести к значительным улучшениям, когда речь идет об операционной марже, а учитывая, что некоторые компании работают с однозначными цифрами, это может быть разницей между прибылью и убытком в трудные экономические времена. Наличие чего-то, что может сократить количество возвратов клиентов с 3% до 1%, может быть разницей между наличием достаточного количества средств для инвестирования в рост вашей компании или разработку новых продуктов.

Некоторые из этих методов могут способствовать значительному улучшению успеха компании. Десять лет назад развертывание ИИ на фабрике для подавляющего большинства фабрик в мире казалось чем-то вроде научной фантастики; только самые прибыльные компании на планете имели достаточно большие чековые книжки, чтобы иметь возможность нанимать специалистов по данным и инвестировать в такого рода возможности. Сейчас технология доступна и доступна. ИИ стал гораздо более доступным для разработчиков во всем мире благодаря достижениям в инструментах и ​​методах, а также благодаря некоторым усилиям сообщества. Развертывание ИИ теперь стало реальностью благодаря анализу затрат и выгод для многих заводов мира.

Каковы варианты использования ИИ в производстве?

RTInsights. Каковы варианты использования ИИ в производстве?

McCarson: мониторинг машин и оборудования, диагностическое обслуживание, контроль качества продукции и обнаружение визуальных аномалий, обнаружение аномалий электрических испытаний и обнаружение аномалий химического анализа — все это примеры. ИИ можно использовать для оптимизации линии поставок, чтобы найти лучший способ управления запасами на заводе с учетом постоянно меняющегося состояния оборудования и уровней запасов с течением времени.

ИИ также можно использовать для повышения безопасности рабочей среды, чтобы определить, когда человек входит в зону действия какого-либо автономного мобильного робота или в зону, которая может быть опасной. В таких случаях ИИ может заблаговременно выключать, приостанавливать или простаивать оборудование, чтобы предотвратить возможные травмы. Это некоторые из основных областей интереса, которые я наблюдал на различных фабриках и развертываниях.

Каковы проблемы внедрения ИИ?

RTInsights. Какие технические и организационные проблемы должны решить производители, чтобы успешно внедрить ИИ?

Маккарсон: первое и самое важное — найти партнера, который может помочь с масштабируемым ИИ-решением. Существуют разные подходы к ИИ, которые можно использовать. Один из них — разработка индивидуального решения для вашего конкретного варианта использования с вашими конкретными условиями освещения, вашей конкретной камерой, всеми этими уникальными деталями, а затем оптимизация этих моделей или алгоритмов ИИ для этого конкретного варианта использования. Такой подход может быть очень эффективным для этого варианта использования при развертывании. С другой стороны, это может быть дорого, потому что каждый раз, когда в вашей линейке продуктов происходит изменение, если вы переходите на ночную смену, а не на дневную, и в вашем здании есть световые люки, если у вас разные условия освещения вокруг разных машин, все эти переменные могут повлиять на работу вашей модели или алгоритма.

Во-вторых, вам нужно найти партнера, который может понять, как развертывать ИИ в самых разных случаях использования, в различных условиях освещения и в разных операционных средах. Партнером должен быть кто-то, у кого есть встроенные некоторые из необходимых функций, чтобы сделать ваше решение ИИ хотя бы в некоторой степени независимым от освещения, масштабирования, вращения и масштаба. Они должны упростить настройку и расширение на новые машины, а также добавить новые возможности искусственного интеллекта. Поиск такого партнера — это то, что обеспечит наилучшую долгосрочную отдачу от инвестиций. В краткосрочной перспективе может показаться, что работать с поставщиком, который может взимать на 10–20 % больше за свое решение, чем с другим конкурентом, может оказаться дороже. Но если эксплуатационная стоимость владения в три или четыре раза превышает первоначальную стоимость, то это очень большая разница. Таким образом, учет общей стоимости владения в течение срока службы решения и масштабируемости возможностей ИИ для меня критически важен.

Другой важный фактор, который необходимо понять, это организационно, как это будет поддерживаться на вашем заводе? Иногда для очень крупных заводов могут быть две совершенно разные организации. Может быть операционная технологическая организация, в которую входят инженеры и люди, ориентированные на механику, которые работают в заводских цехах, обслуживая машины. У вас может быть ИТ-организация, которая работает в ваших локальных центрах обработки данных и развертывает некоторые из этих расширенных возможностей. Если у двух групп нет общего набора целей и задач в отношении того, чего они хотят достичь с помощью данной технологии искусственного интеллекта, это может создать много головной боли в будущем. Предварительная регистрация ИТ- и ОТ-организаций при выборе партнеров или решения, которое вы хотите развернуть, повышает вероятность успешного внедрения. Таким образом, вся организация будет больше инвестировать в это решение, и они будут работать вместе, чтобы попытаться улучшить его с течением времени.

Каковы некоторые передовые методы внедрения ИИ в производство?

RTInsights. Какие рекомендации следует соблюдать, чтобы добиться успеха при внедрении ИИ в производство?

Маккарсон: Во-первых, когда вы разрабатываете общее решение для искусственного интеллекта, которое будет установлено на вашем заводе, вы должны подумать о том, как это решение будет взаимодействовать с другими приложениями в вашей производственной среде. Например, если я хочу развернуть приложение для мониторинга дефектов на встроенной станции контроля, мне нужно знать, как это приложение будет взаимодействовать с моей системой управления производством, от которой зависят все машины, и с управлением. Как это будет работать с системой управления запасами, на которую полагаются мои техники и операционные менеджеры? Если все жестко закодировано, это создает риск создания среды, в которой любое изменение может привести к простою автоматизации производства.

Если вы выберете подход к проектированию в архитектуре типа микросервисов, то в итоге вы можете получить сценарий, в котором это так же просто, как загрузить или удалить приложение на свой телефон. Ваш смартфон имеет микросервисную архитектуру. Вы идете в магазин приложений, добавляете приложение, настраиваете его, входите в систему, устанавливаете свои функции и настройки, добавляете свой адрес электронной почты и платежную информацию. Если на следующий день вы решите: «Мне не нравится это приложение, я его удалю», вы просто удалите его. В этом заключается некоторая ценность архитектуры микросервисов. Вы можете добавлять приложения, а можете удалять приложения. И вы можете решить, как эти приложения взаимодействуют друг с другом в общей инфраструктуре API с общей или, по крайней мере, взаимодействующей шиной данных и шиной сообщений. Что мы пытаемся сделать в Intel, так это повлиять на рынок, чтобы он перешел к платформе микросервисов из-за преимуществ масштабирования, простоты использования и простоты развертывания.

Если вы думаете о развертывании ИИ с этой точки зрения, у вас есть гибкость для внедрения новых технологий и инноваций. Если все жестко закодировано, все должно быть раскодировано, а затем в него нужно перекодировать что-то новое. Напротив, в среде микрослужб вы просто добавляете, удаляете или отключаете приложения и можете внедрять инновации в эти приложения в режиме реального времени. Это один фактор.

Еще одна лучшая практика для внедрения ИИ, особенно когда есть решение, основанное на зрении, — рассмотреть возможность управления освещением. Если ваша камера будет принимать данные, вам нужно максимально нормализовать освещение. Что я имею в виду? Мы видели, как многие фабрики пытались внедрить ИИ и терпели неудачу. И когда мы приходим и выясняем, чтобы помочь им, первое, что мы обнаруживаем, это то, что у них нет хорошего контроля освещения. Они пытались внедрить решение на основе визуального ИИ, но не учитывали время суток. У них много световых люков, и разные машины имеют разные сценарии освещения. Некоторые машины находятся в тени, а некоторые освещены ярким светом. По этим причинам попытка развернуть один алгоритм, уникальный для данного конкретного варианта использования, на всех этих машинах особенно сложна. Такие фабрики в конечном итоге сдаются, потому что решение для искусственного зрения будет работать только на нескольких машинах, а не на других. В некоторых случаях, подобных этому, мы вмешивались и помогали управлять освещением камеры, чтобы нормализовать ситуацию на машинах.

Просто добавление задней подсветки позади камеры помогает обеспечить постоянное количество фотонов, поэтому большинство фотонов, попадающих в камеру, всегда поступают из постоянно включенного источника. Это означает, что если это пасмурный день и у вас есть световые люки, если вы находитесь в темной части фабрики, а не в ярко освещенной области фабрики, камера видит что-то нормальное. Это позволяет гораздо эффективнее масштабировать различные варианты использования.

Третья передовая практика — знать язык или языки, на которых ваши датчики будут общаться с вашей базой данных. Многие компании хотят смотреть на продукты, выходящие из машины, с помощью анализа изображений, но они также хотят смотреть на данные временных рядов, выходящие из этой машины. Они хотят видеть, как работает машина, исходя из ее параметров.

Создание структуры базы данных, в которой вы можете беспрепятственно получать как информацию о качестве продукта, поступающую с этой машины, так и хранить ее в той же базе данных, где вы можете хранить данные временных рядов, поступающие с этой машины, позволяет вам находить новые идеи. Он позволяет выполнять корреляции между качеством продукции и состоянием машины.

Таким образом, это, вероятно, три наиболее важные области. Они включают в себя использование микросервисного подхода, разработку моделей или алгоритмов для обеспечения масштабируемости, управление средой для любого сбора данных изображений с помощью подсветки для приложений искусственного интеллекта и концентрацию на том, как структурирована ваша база данных, чтобы вы могли в полной мере использовать все данные. выходит из вашей системы.

Первоначально опубликовано на https://www.rtinsights.com