Sztuczna inteligencja w aplikacjach przemysłowych

W artykule:

• skupimy się na tym, w jaki sposób sztuczna inteligencja jest obecna w przemyśle i jakie korzyści może przynieść dla przedsiębiorstw;
• przeanalizujemy różne przykłady zastosowania tej technologii w przemyśle, takie jak automatyzacja produkcji, kontrola jakości czy zarządzanie zasobami;
• omówimy potencjalne problemy związane z jej implementacją.

Wymagania przemysłu w kontekście algorytmów AI

Zanim przejdziemy do możliwości oraz konkretnych zastosowań sztucznej inteligencji w przemyśle, musimy zdefiniować oczekiwania stawiane przed algorytmami AI w tym sektorze. Są to:

Skalowalność – algorytmy AI muszą być zdolne do obsługiwania dużych ilości danych, ponieważ nowoczesne aplikacje przemysłowe generują ogromne ilości informacji.

Niezawodność – muszą być odporne na błędy i awarie, bo przemysł jest silnie uzależniony od ciągłości produkcji.

Szybkość – muszą być w stanie działać w czasie rzeczywistym, aby móc szybko reagować na zmiany w procesie produkcyjnym.

Przyswajalność – muszą być łatwe w obsłudze i implementacji, aby przedsiębiorstwa przemysłowe mogły je wykorzystywać bez konieczności posiadania specjalistycznej wiedzy.

Zgodność z przepisami – muszą być zgodne z przepisami dotyczącymi ochrony danych i bezpieczeństwa, tak by zapewnić ochronę prywatności i bezpieczeństwo danych.

Wsparcie dla automatyzacji – muszą być zintegrowane z systemami automatyzacji, bo to umożliwia automatyczne podejmowanie decyzji i przyspiesza procesy produkcyjne, np. w wyspecjalizowanych systemach SCADA typu Iconics.

Interoperacyjność – muszą być zdolne do współpracy z innymi systemami i urządzeniami, aby zwiększyć efektywność i ułatwić integrację z istniejącymi już rozwiązaniami, niezależnie czy są to nowoczesne komputery przemysłowe, czy starsze generacje sterowników PLC.

Architektura sprzętowa systemów AI

Mając już zdefiniowane wymagania stawiane sztucznej inteligencji przez przemysł, możemy zastanowić się nad lokalizacją naszego systemu. Istnieją trzy główne warianty architektury systemów AI:

• chmura (Cloud) – w tym wypadku algorytmy sztuczna inteligencja i modele są przechowywane oraz przetwarzane na serwerach znajdujących się w chmurze. To rozwiązanie pozwala na elastyczne skalowanie zasobów obliczeniowych w zależności od potrzeb. Umożliwia też łatwą implementację i zarządzanie algorytmami sztuczna inteligencja;
• serwer lokalny – w tym wariancie algorytmy sztuczna inteligencja i modele są przechowywane i przetwarzane na serwerach znajdujących się w firmie. To daje nam pełną kontrolę nad danymi oraz algorytmami, jednak wymaga większych nakładów na infrastrukturę i zasoby IT.
• urządzenie brzegowe (Edge) – tu z kolei algorytmy sztuczna inteligencja i modele są przechowywane i przetwarzane na urządzeniach znajdujących się na krawędzi sieci, takich jak routery, kamery czy czujniki, bez konieczności (ale z możliwością) przesyłania danych do chmury lub serwera lokalnego. Jest to szczególnie przydatne w aplikacjach, gdzie dane pochodzą z różnych źródeł oraz mają różną charakterystykę. Dzięki przetwarzaniu danych na krawędzi, algorytmy AI mogą szybko reagować na zmiany w procesie produkcyjnym, np. awarię maszyny, zmianę jakości produktu itp. Architektura Edge jest też bardziej odporna na awarie, ponieważ dane i modele są przechowywane w sposób zdecentralizowany, a nie tylko w chmurze lub na serwerze lokalnym. Jednak Edge AI ma również swoje wady. Jedną z nich jest konieczność zakupu specjalistycznego sprzętu i oprogramowania oraz dostosowanie go do potrzeb przedsiębiorstwa.

Nie ma jednej uniwersalnej ścieżki wdrożenia AI do aplikacji przemysłowej. W zależności od charakterystyki procesu produkcyjnego lub fizycznej lokalizacji aplikacji, możemy wybrać rozwiązanie hybrydowe, np. łączące zdecentralizowaną sieć urządzeń brzegowych, które przesyłają kluczowe dane do serwera centralnego.

5 Kluczowych obszarów zastosowania AI w przemyśle

Przyjrzyjmy się, jakie są najczęstsze zastosowania dla algorytmów wykorzystujących sztuczną inteligencję w warunkach przemysłowych.

1. Predykcja awarii – AI jest używana do analizy danych z maszyn i urządzeń, aby przewidzieć potencjalne awarie i zapobiec przestojom w produkcji.
2. Sterowanie procesami – stosuje się ją w automatyzacji i optymalizacji procesów przemysłowych, takich jak kontrolowanie jakości, regulacja parametrów produkcyjnych (np. temperatura, ciśnienie) oraz automatyczne dostosowywanie parametrów produkcji.
3. Optymalizacja logistyki – wspiera planowanie i zarządzanie łańcuchem dostaw, optymalizację tras transportu oraz prognozowanie popytu na produkty.
4. Ochrona środowiska – AI działa tu na rzecz monitorowania i analizy danych dotyczących emisji zanieczyszczeń oraz efektywności energetycznej, co pozwala na lepsze zarządzanie środowiskiem.
5. Bezpieczeństwo pracy – jest używana do monitorowania warunków pracy, takich jak poziom hałasu, temperatura i wilgotność, co pomaga w utrzymaniu bezpiecznego środowiska pracy.

Z tego wynika, że praktycznie każda nowoczesna aplikacja przemysłowa może wykorzystać elementy sztucznej inteligencji. Poprawi to jakość produkcji oraz pozwoli na zbudowanie przewagi konkurencyjnej.

Zatem można wyciągnąć prosty wniosek – AI stosowana jest wszędzie tam, gdzie da się pozyskać sparametryzowane dane z procesu. Przy czym należy zaznaczyć, że ogromne ilości danych nie oznaczają od razu sukcesu. Dopiero im lepsza jakość tych danych, tym lepsze efekty możemy osiągnąć dzięki AI.

Czy istnieje "hardware do AI"?

Prosta odpowiedź na to pytanie brzmi: to zależy.

W przypadku architektury Cloud mamy jedynie możliwość wyboru providera i w całości polegamy na jego platformie. Gdy decydujemy się na lokalny serwer, zyskujemy większe możliwości dostosowania platformy sprzętowej pod nasze potrzeby. Jednak, żeby było to efektywne kosztowo, trzeba dokonać szeregu analiz, które pozwolą nam określić, jakich zasobów faktycznie potrzebujemy.

Możemy również skorzystać z gotowego rozwiązania, w postaci lokalnego serwera AI, np. Nvidia DGX. Uzyskamy dzięki temu prostszą implementację, natomiast lawinowo zaczną rosnąć koszty. Pamiętajmy, że nie w każdej aplikacji zastosowanie AI przełoży się na wzrost wydajności uzasadniający takie wdrożenie.

Inaczej ma się sytuacja w przypadku urządzeń Edge. Oczywiście, możemy wykorzystać dowolny komputer przemysłowy typu Mini Box PC do pracy z algorytmami AI, ale nie będzie to sprzęt optymalny do tego zastosowania.

Producenci sprzętu oraz programiści już dawno dostrzegli ten problem. Istnieje więc szereg rozwiązań przeznaczonych do wykonywania zadań w oparciu o sztuczną inteligencję w trudnych warunkach przemysłowych, blisko krawędzi procesu.

Przykłady umożliwiające akcelerację w środowisku Edge AI

• Procesory GPU (graficzne procesory obliczeniowe) – karty graficzne zaprojektowane do przetwarzania dużych ilości danych w krótkim czasie. Umożliwia to ich architektura, pozwalająca wykonywać wiele partii obliczeń równocześnie. Jest to przydatne nie tylko w zadaniach związanych z renderowaniem 3D, ale również w zastosowaniach AI, takich jak uczenie maszynowe i obsługa sieci neuronowych.

Wady tego rozwiązania?

Współczesne karty graficzne mogą wymagać mocy nawet do 250 W, aby osiągnąć pełną wydajność. Nie zawsze jesteśmy w stanie zapewnić takie zasilanie na krawędzi procesu (szczególnie w sytuacji, gdy krawędź jest rozumiana jako np. pojazd autonomiczny).

• Procesory FPGA (układy programowalnego układu logicznego) – procesory do przyspieszania obliczeń AI, takich jak konwolucyjne sieci neuronowe (CNN) i procesy uczenia maszynowego. Podobnie jak w przypadku GPU, główną siłą tego rozwiązania jest możliwość równoległego wykonywania wielu obliczeń.
• Układy SoC (System-on-a-Chip) – układy scalone, zawierające procesor, pamięć oraz interfejsy potrzebne do przetwarzania danych AI. Na rynku dostępne są rozwiązania w pełni przeznaczone do zastosowań w przemyśle, w rodzaju robotów przemysłowych i automatycznych systemów inspekcji. Obecnie, w zależności od naszych potrzeb, możemy wybrać akceleratory takie jak:
  • Nvidia Jetson – rozwiązanie typu stand-alone, wspierające OS Linux. Cechują go wydajne procesory GPU, duża ilość pamięci, zintegrowany interfejs I/0, małe rozmiary, wsparcie frameworków AI, takich jak Tensor Flow, PyTorch oraz Caffe.
  • Intel VPU (Visual Processing Unit) – rozwiązanie w formie pojedynczego układu (ze złączem miniPCIe) lub zespołu układów (najczęściej z PCIe x16), które możemy dołączyć do naszego komputera przemysłowego. Wspiera różne rodzaje sieci neuronowych, takie jak sieci CNN, neuronowe rekurencyjne (RNN) i neuronowe warstwowe (MLP), co pozwala na dostosowanie do różnych zastosowań.
  • Google TPU (Tensor Processing Unit) – specjalistyczny układ przetwarzania, przeznaczony do zastosowań na potrzeby sztucznej inteligencji i przetwarzania danych. To rozwiązanie znane m.in. z serwerów AI firmy Google. To, co zostało przeniesione ze świata serwerowni na krawędź procesu, to łatwość skalowania wydajności poprzez łączenie większej liczby jednostek. TPU jest zoptymalizowane pod kątem obliczeń we frameworku TensorFlow, co pozwala mu osiągnąć tam najlepsze wyniki w swojej klasie.

Czy twoja aplikacja jest gotowa na wdrożenie sztucznej inteligencji?

Aplikacje przemysłowe zdolne do ciągłego, autonomicznego ulepszania wyników swojej pracy to już nie science fiction, tylko realne techniki pozwalające uzyskać przewagę konkurencyjną w biznesie.

Obecnie głównym wyzwaniem jest zintegrowanie i przystosowanie wszystkich systemów IT/OT w przedsiębiorstwie – od factory floor, poprzez systemy SCADA aż po nadrzędne ERP.

Czy chcesz omówić potencjał AI w Twoich aplikacjach? Jeśli tak, to zapraszam do kontaktu!

Tycjan Kołecki Solution Developer w Elmark Automatyka tycjan.kolecki@elmark.com.pl

Elmark Automatyka
tel. 22 773 79 37
ul. Bukowińska 22 lok. 1B
02-703 Warszawa
elmark@elmark.com.pl
www.elmark.com.pl