Internet vecí vo fabrikách dokáže pomôcť s údržbou či bezpečnosťou práce, no hlavný potenciál je v zrýchľovaní procesov a zvyšovaní kvality výroby, tvrdí Boris Fačkovec, zakladateľ spoločnosti InovecTech, ktorá sa venuje téme IoT vo výrobe a využitiu strojového videnia a umelej inteligencie s cieľom zlepšiť efektivitu priemyselných zariadení.
Keď sa hovorí o internete vecí (IoT – Internet of Things), bežný človek si pravdepodobne predstaví nositeľné technológie typu inteligentné hodinky. K tomu smart zariadenia v domácnostiach – napríklad pračku, ktorá oznámi cez wi-fi sušičke, aká je hmotnosť suchej bielizne, ktorú pred chvíľou vyprala, nech vie, na akú váhu ju musí vysušiť. Ak by sme mali tento spotrebiteľský svet porovnať z pohľadu IoT s tým firemným, v čom by bol hlavný rozdiel?
Priznám sa, že toto je pre mňa ťažko zodpovedateľná otázka. Celý profesný život sa zaoberám IoT v prostredí firiem, internet vecí z pohľadu bežného používateľa ide úplne mimo mňa. A aj v tomto podnikovom svete sa sústredím predovšetkým na výrobu a logistiku, nie napríklad na predaj či vývoj produktov. Internet vecí teda vnímam z tohto uhla. No trúfam si povedať, že práve v spomínanej výrobe a logistike je potenciál IoT najvyšší.
Prečo práve tu?
Môže tu efektívne plniť množstvo úloh. V prípade dodávateľského reťazca je to sledovanie zásielok a materiálu, komunikácia stroj – stroj, a to tak v internej ako aj externej logistike. Môžeme hovoriť o komunikácii medzi dopravnými prostriedkami, vysokozdvižnými vozíkmi a rôznymi ďalšími mobilnými zariadeniami vo fabrikách, a to nielen medzi sebou, ale aj smerom na centrálnu riadiacu jednotku.
Vo výrobe je potenciál hlavne v senzoroch.
Tie sú tu s nami desiatky, možno stovky rokov. Prečo predstavujú príležitosť práve dnes?
Senzory sú vo výrobe prítomné odnepamäti v ich jednoduchej forme. Lenže vtedy nedokázali medzi sebou autonómne komunikovať tak, ako to dokážu dnes, nevedeli poskytnúť taký rozsah a kvalitu dát, ich spoľahlivosť, rýchlosť a efektivita boli výrazne nižšie. Zároveň, čo je dôležité, dnes výrazne klesá ich cena. Vďaka tomu sú dostupnejšie než kedykoľvek predtým, čím stúpa potenciál ich využitia. Klesli náklady aj na prenos, uloženie a analýzu dát, ktoré senzory poskytujú. Takže áno, môžeme si povedať, že senzory sa vo výrobe používajú od nepamäti, no až dnes sme schopní analyzovať obrovské množstva dát, ktoré produkujú, nielen s použitím strojového učenia sa, ale aj umelej inteligencie. Napríklad úplnou novinkou je vďaka zapojeniu umelej inteligencie kamera ako senzor, ktorá umožňuje rýchlu inštaláciu, validáciu dát, prispôsobenie sa zmenám, ale aj ďalšie dodatočné analýzy. Kým niekedy senzory riešili jednu konkrétnu úlohu, na ktorú boli špeciálne navrhnuté, dnes sú univerzálnejšie a aj rozsah úloh, ktoré dokážu riešiť, je výrazne širší.
O aké úlohy napríklad ide?
Keď sa pred vyše desiatimi rokmi začalo hovoriť o Industry 4.0, za výrazný a často spomínaný benefit sa pokladala prediktívna údržba. Jej úlohou je dopredu identifikovať potenciálne problémy, a tak zabrániť možným výpadkom vo výrobe. Dnes vieme, že tento use-case je len malým zlomkom toho, čo dnes senzory dokážu. Ďalšou oblasťou môže byť napríklad aj bezpečnosť, napríklad predchádzania pracovným úrazom. No hlavný potenciál vidím v zrýchľovaní procesov a zvyšovaní kvality výroby. My sa vo firme zaoberáme predovšetkým zvyšovaním produktivity lepšou utilizáciou zariadení. Pretože tie predstavujú hlavný výrobný nástroj, ktorý spotreboval peniaze na investície a viaže na seba aj ľudskú prácu. Ak stroj nevyrába, firma stráca čas, mrhá energiami a ľudskými zdrojmi. Celosvetové údaje pritom potvrdzujú, že miera využitia výrobných zariadení je v diskrétnych výrobách v priemere iba na úrovni cca 60 percent. Každé percento navyše dokáže zásadne zvýšiť finančnú výkonnosť firmy. Mnohé spoločnosti pritom často ani nepoznajú príčinu, prečo svoje výrobné zariadenia nevyužívajú naplno. A nielen to, mnohokrát si neuvedomujú ani to, že takýto problém majú, keďže si efektivitu využitia svojich zariadení ani nemerajú. Vďaka senzorom a následnej analytike to dokážu spraviť veľmi presne.
Skúste povedať nejaký príklad, ako to môže v praxi vyzerať.
Predstavte si, že máte výrobok, ktorého diely potrebujete počas výrobného procesu zlepiť. Tryska, ktorá sa používa na nanášanie lepidla, sa raz za čas upchá a vy ju potrebujete vymeniť, prípadne vyčistiť. To vás stojí peniaze a čas navyše, pretože stroj vtedy nepracuje. Môžete si povedať, že sa tomu nedá vyhnúť, keďže daná technológia takto skrátka funguje. No môžete hľadať aj riešenia, napríklad pred tú trysku namontovať sitko, alebo ju inak technicky upraviť. Vďaka senzorom zistíte, aký vplyv mala daná úprava na kontinuálnu činnosť stroja, prípadne na kvalitu daného výrobku. Paralelne môžete testovať viaceré riešenia, porovnávať ich, analyzovať a na konci sa rozhodnúť pre to najvýhodnejšie.
V čom je pri podobnom nasadzovaní senzorov najväčší náklad a výzva? V hardvéri, alebo v softvéri?
Vzhľadom na cenu senzorov je to aktuálne viac o softvéri a ľudskej práci. Samotný hardvér tvorí iba zlomok z celej tejto skladačky. Pretože daný senzor je potrebné nielen správne naprogramovať alebo nakonfigurovať, ale už na začiatku je nutné detailne premyslieť celý systém jeho nasadenia a implementáciu do existujúcich procesov. V tomto smere je zásadným rozvoj neurónových sietí a zariadení na snímanie obrazových dát. Dnes už nepotrebujete na množstvo vecí vyvíjať špecifický senzor, stačí vám kamera. Dáta, ktoré zozbiera, dokážete analyzovať práve prostredníctvom neurónových sietí. Aj tu sa dá ťažiť z toho, že cena kamier zásadne klesla, lacnejšie je aj zabezpečenie výpočtového výkonu a technologické možnosti neurónových sietí sa tiež významne posunuli vpred. Takto viete zabezpečiť úlohy či už v oblasti bezpečnosti, zvyšovania kvality, či zefektívňovania procesov vo výrobe.
Do akej miery je potrebné plné pochopenie dát pochádzajúcich zo senzorov? V minulosti sa napríklad považoval za výborný nástroj pre zefektívnenie procesov vo výrobe complex event processing. Tu ide skôr o správne nastavenie scenárov, ku ktorým môže dôjsť, než o pochopenie príčinnej súvislosti medzi jednotlivými javmi. Napríklad, ak viem, že ak sa stretne udalosť A, B a C, „zasekne“ sa mi vysoká pec. Preto sa snažím tomuto stavu predísť, no nutne nepotrebujem vedieť, čo ho spôsobuje. Došlo v tomto kontexte k zmene a dajú sa senzorické dáta analyzovať viac do hĺbky a na základe nich postupovať?
Tu je veľmi dôležitá takzvaná cena zlyhania. Ak niečomu rozumiem a mám nad tým kontrolu, som v bezpečí. Ak tomu plne nerozumiem a danú kontrolu nemám, riziko je výrazne vyššie. A je jedno, či riskujem v oblasti bezpečnosti, ekonomickej stability podniku, alebo v niečom inom zásadnom. Ak do auta namontujem na základe zle pochopených dát a procesov zlú súčiastku a ohrozím tak zdravie zákazníkov, budem čeliť obrovským stratám, či už finančným, reputačným, morálnym. V týchto otázkach si nik nemôže dovoliť dátam a tomu, čo z nich vyplýva, nerozumieť. Umelá inteligencia a automatické spracovanie dát funguje veľmi dobre vtedy, keď je táto cena zlyhania nízka, keď si môžem dovoliť pomýliť sa. Ak napríklad v streamovacej službe navrhnem na základe automaticky vyhodnocovaných dát o preferenciách zákazníkov nové užívateľské rozhranie, v prípade, že sa pomýlim, nič tragické sa nestane. Dočasne mi možno klesne sledovanosť jednotlivých titulov, o čom okamžite dostanem notifikáciu a užívateľské rozhranie vrátim do pôvodnej verzie. Prípadne môžem testovať viaceré paralelne naraz a takto zrýchľovať inovačný cyklus. Ale ak na základe zle vyhodnotených dát namontujem do auta brzdy, ktoré sa v špecifickej situácii zaseknú, budú následky tragické. Preto je v priemysle presadzovanie sa umelej inteligencie oveľa pomalšie, než napríklad v elektronických službách koncovým zákazníkom. Z tohto dôvodu sa v priemysle oveľa viac riešení vyvíja presne na mieru.
Aká je teda cesta, aby sa aj v priemysle dokázala umelá inteligencia pracujúca s dátami zo senzorov viac využívať?
Potrebné je minimalizovať spomínané riziko vyplývajúce z možného zlyhania. Aj preto my od zákazníka neočakávame, že na základe našich dát budeme rozhodovať za neho. Napríklad, že zmeníme naraz výrobný proces. Namiesto toho ponúkame odporúčania, rady a merania dôsledkov zmeny, ktoré mu môžu pomôcť zvýšiť produktivitu. Práve týmto prístupom dokážu firmy inovovať veľmi rýchlo bez toho, aby príliš riskovali.
Kto by mal byť vo firmách akcelerátorom tohto vývoja?
Firmy veľmi často nevedia, aká časť toho, čo robia, je ich know-how, ktoré si majú chrániť, a čo je univerzálne, a tu sa môžu nechať inšpirovať aj konzultantami zvonku. Každý podnik však vždy má medzery v efektivite výroby, bez ohľadu na to, že jeho manažment je presvedčený o opaku. Preto je aj jeho úlohou si uvedomiť, že má zmysel, aby do fabriky pustil externých odborníkov, ktorí ju dokážu v oblasti produktivity posunúť na vyššiu úroveň. A to už len vďaka tomu, že časť problémov je podobná v rôznych firmách, čelia podobným výzvam a ak niekto pomohol v danej oblasti zlepšiť sa firme X, dokáže to aj v prípade firmy Y. Navyše, priemysel bude čoraz viac kompetencií a procesov preberať z oblasti IT. Tie firmy, ktoré budú v tomto úspešnejšie, budú rýchlejšie inovovať a získajú aj konkurenčnú výhodu. Kto sa pred inováciami uzavrie, nakoniec neprežije.
Kto je Boris Fačkovec
Spoluzakladateľ a CEO spoločnosti InovecTech je vyštudovaným chemikom a procesným inžinierom, doktorát má z matematického modelovania zriedkavých javov na Univerzite v Cambridge. Štyri roky pracoval ako konzultant v McKinsey&Company, kde získal skúsenosti s návrhom a implementáciou vylepšení v desiatkach výrobných závodov. Od roku 2020 vedie spoločnosť InovecTech, ktorá sa venuje problematike internetu vecí vo výrobe a využitiu strojového videnia a umelej inteligencie s cieľom zlepšiť efektivitu priemyselných zariadení.
