Perinteinen tekoäly kunniaan
kirjottanut Ai4Valuen CTO Pasi Karhu
Tekoälykeskustelu on viime vuodet keskittynyt kielimalleihin ja tekoälyagentteihin. Ne olivat yksi pääteemoista esim. syyskuun lopun Teollisuuden Alihankintamessuilla Tampereella. Tuntuu, kuin tekoäly olisi keksitty vasta nyt…
Ai4Valuen toisenlainen näkökulma herätti Tampereen messuilla ehkä juuri siksi erityistä huomiota.
Perinteinen tekoäly ei ole uutta, kielimallit ovat
Jopa hypetyksenkin piirteitä saaneessa generatiivisen tekoälyn keskustelussa unohtuu helposti, että tekoäly ei suinkaan ole viimeisen viiden vuoden keksintö, eivätkä aiemmat tekoälykonstit ole kaikki vanhentuneet. Päinvastoin monet vuosikymmenien varrella kehitetyt koneoppimismenetelmät (ML = machine learning) ovat edelleen erittäin relevantteja. Erityisesti teollisuuden laitteiden datavirtojen analysointiin ja toimintaa tehostaviin ratkaisuihin ne ovat useimmiten paras ratkaisu.
Kielimallit ovat tehokkaita esimerkiksi tekstin käsittelyyn, tiedon hakemiseen ja ihmisen ja tietojärjestelmien väliseen vuorovaikutukseen. Mutta jos tehtävänä on ennustaa laakerin rikkoutumista värähtelydatasta, tunnistaa poikkeama tuotantoprosessissa tai arvioida tuotteen laatua prosessimuuttujien perusteella, tekoälyagentti ei luultavasti ole oikea ratkaisu.
Ai4Value yhdistää omissa teollisuuden ratkaisuissaan perinteistä koneoppimista semanttiseen informaatiomallinnukseen, OPC-pohjaiseen arkkitehtuuriin, ja vasta tarvittaessa kielimalleihin ja agenttisiin työnkulkuihin. Valinnassa ei ole kyse vanhasta tai uudesta tekoälystä, vaan kuhunkin ongelmaan ja sen alihaasteeseen sopivimman teknologian soveltamisesta – tarvittaessa yhdistelemällä vanhaa ja uutta. Helpointa on useimmiten lähteä liikkeelle tehdaslattian laitteiden sensoridatasta ja vasta ensimmäisten koneoppimispohjaisten analyysitarkasteluiden jälkeen miettiä, olisiko kielimalleista ja agenteista merkittävää lisähyötyä ratkaisulle.
kuusi tyypilistä koneoppimismenetelmää
Mutta mitä tämä ”perinteinen tekoäly” käytännössä tarkoittaa?
Olen kerännyt alle kuusi tyypillistä koneoppimismenetelmää ja niiden sovelluskohteita eri teollisuusaloilta. Jokainen mainittu perusteknologia on silti yleistettävissä eri teollisuussektoreiden haasteisiin. Lisäksi olen liittänyt jokaisen teknologian yhteyteen päättäjille relevantin kysymyksen, joka johdattelee miettimään mahdollista ratkaisua juuri teidän tuotantonne johonkin haasteeseen.
1. regressio ennustaa jatkuvaa suuretta
Regressio on yksi koneoppimisen perusmenetelmistä. Sen tehtävänä on ennustaa numeerista arvoa useiden muiden muuttujien perusteella.
Esimerkki: metsäteollisuus. Paperikoneessa lopputuotteen kosteuteen vaikuttaa suuri määrä prosessimuuttujia: lämpötiloja, nopeuksia, paineita ja raaka-aineen ominaisuuksia. Regressiomalli voidaan opettaa arvioimaan lopputuotteen kosteutta jo prosessin aikana.
Tällainen malli toimii käytännössä virtuaalisena sensorina, eli soft sensorina. Sen avulla voidaan arvioida suuretta, jonka jatkuva fyysinen mittaaminen voi olla vaikeaa, hidasta tai kallista.
Sama ajatus toimii monilla muillakin aloilla: kemianteollisuudessa pitoisuuden, metalliteollisuudessa materiaalin ominaisuuksien tai elintarviketeollisuudessa tuotteen laadun arvioinnissa.
Kysymys päättäjälle: onko tuotannossanne tärkeä suure, jonka tietäminen aikaisemmin tai reaaliaikaisesti parantaisi päätöksentekoa?
2. luokittelu tunnistaa mihin ryhmään havainto kuuluu
Siinä missä regressio ennustaa lukuarvoa, luokittelumalli valitsee havainnolle luokan.
Esimerkki: elintarviketeollisuus. Tuotteita voidaan luokitella prosessi- ja mittausdatan perusteella esimerkiksi hyväksyttyihin ja tarkastusta vaativiin tuotteisiin. Malli oppii aikaisemmista esimerkeistä, millaiset mittausten yhdistelmät liittyvät eri laatuluokkiin.
Koneoppimisalgoritmilla tehdyn luokittelun vahvuutena on kyky käsitellä useita muuttujia samanaikaisesti. Ratkaisevaa ei välttämättä ole yhden mittauksen poikkeama vaan useiden tekijöiden yhdessä muodostama kuvio, mikä tyypillisesti käy ihmiselle vaikeaksi, kun muuttujien määrä kasvaa.
Samaa periaatetta voidaan hyödyntää esimerkiksi elektroniikkateollisuuden laadunvalvonnassa, materiaalien tunnistamisessa tai koneiden toimintatilojen tunnistamisessa.
Kysymys päättäjälle: tehdäänkö tuotannossanne jatkuvasti päätöksiä siitä, mihin ryhmään tuote, tilanne tai tapahtuma kuuluu?
3. Klusterointi löytää ryhmät, joita emme tienneet olevan olemassa
Kaikessa koneoppimisessa ei tarvita valmiiksi tiedettyä oikeaa vastausta. Klusteroinnissa algoritmi etsii datasta keskenään samankaltaisia havaintoja ja muodostaa niistä ryhmiä.
Esimerkki: kemianteollisuus. Prosessista voi syntyä tuhansia erilaisia ajotilanteita. Klusteroinnin avulla historiadatasta voidaan tunnistaa toisistaan poikkeavia tuotannon toimintatiloja. Osa voi vastata tehokasta normaaliajoa, toinen esimerkiksi tiettyä raaka-aineyhdistelmää ja kolmas tilannetta, joka myöhemmin osoittautuu laadun kannalta ongelmalliseksi.
Kiinnostavaa on, ettei näitä ryhmiä tarvitse määritellä etukäteen. Algoritmi auttaa löytämään rakenteita, joita datasta ei ehkä muuten huomattaisi.
Klusterointi sopii siksi erityisen hyvin tilanteeseen, jossa dataa on paljon mutta vielä ei tarkasti tiedetä, mitä siitä pitäisi etsiä.
Kysymys päättäjälle: tunnemmeko todella tuotantomme erilaiset toimintatilat vai katsommeko niitä vain yksittäisten mittareiden kautta? Onko tuotantodataamme koskaan katsottu kokonaisuutena, josta voisi paljastua yllättäviä asioita?
4. Anomaliantunnistus huomaa, että jokin on muuttunut
Teollisuudessa yksi erityisen hyödyllinen koneoppimisen sovellus on anomaliantunnistus.
Sen lähtökohta on yksinkertainen: opetetaan mallille, miltä normaali toiminta näyttää. Sen jälkeen järjestelmä etsii tilanteita, joissa koneen tai prosessin käyttäytyminen poikkeaa opitusta normaalista.
Esimerkki: metalliteollisuus. CNC-koneen värähtely, ääni, virrankulutus ja muut mittaukset muodostavat koneelle ominaisen käyttäytymisen. Muutos niiden välisissä suhteissa voi kertoa työkalun kulumisesta tai kehittyvästä viasta jo ennen kuin yksittäinen mittaus ylittää hälytysrajan.
Tämä on olennainen ero perinteiseen raja-arvovalvontaan. Yksittäiset lämpötila-, värähtely- tai virtamittaukset voivat näyttää normaaleilta, vaikka niiden yhteinen käyttäytyminen olisi jo muuttunut.
Sama lähestymistapa toimii esimerkiksi pumpuissa, kompressoreissa, sähkömoottoreissa ja kokonaisissa tuotantoprosesseissa.
Kysymys päättäjälle: haluammeko tietää vasta milloin jokin yksittäinen raja-arvo ylittyy, vai jo silloin kun prosessi kokonaisuutena alkaa käyttäytyä eri tavalla kuin normaalisti?
5. Aikasarjaennustaminen kertoo mitä seuraavaksi todennäköisesti tapahtuu
Teollinen data on usein aikasarjadataa. Kulutus, tuotantomäärä, paine, lämpötila, virtaus tai tehontarve muuttuvat ajan funktiona.
Aikasarjamallien tehtävänä on käyttää aikaisempaa käyttäytymistä tulevan ennustamiseen.
Esimerkki: energiantuotanto. Lämmön tai sähkön kysynnän ennustaminen auttaa suunnittelemaan tuotantoa ja kapasiteetin käyttöä ennakolta. Mallille voidaan antaa historiatiedon lisäksi muitakin ennusteen kannalta olennaisia muuttujia.
Perusajatus on helposti yleistettävissä myös muualle: tuotantomäärien, energiankulutuksen, kuormituksen, varastotarpeen tai prosessisuureen kehityksen ennustamiseen.
Hyvä ennuste ei poista epävarmuutta, mutta se muuttaa päätöksenteon reaktiivisesta ennakoivaksi.
Kysymys päättäjälle: mikä päätös pystyttäisiin tekemään paremmin, jos tietäisimme jo nyt kohtuullisen luotettavasti, mitä muutaman tunnin tai päivän päästä tapahtuu?
6. Neuroverkot löytävät monimutkaisia epälineaarisia yhteyksiä
Myös neuroverkot ovat paljon vanhempi teknologia kuin nykyinen generatiivisen tekoälyn aalto. Vaikka suuret kielimallitkin rakentuvat neuroverkoille, neuroverkko ei tarkoita samaa asiaa kuin kielimalli.
Teollisessa analytiikassa neuroverkko voi oppia erittäin monimutkaisia epälineaarisia suhteita lähtötietojen ja halutun lopputuloksen välillä.
Esimerkki: lääketeollisuuden tuotanto. Valmistusprosessissa lopputuotteen ominaisuuksiin voi vaikuttaa samanaikaisesti suuri joukko prosessiparametreja. Neuroverkolla voidaan mallintaa näiden tekijöiden yhteisvaikutusta silloin, kun yksinkertaisempi lineaarinen malli ei kuvaa ilmiötä riittävän hyvin.
Menetelmä ei rajoitu lääketeollisuuteen. Samaa ajatusta voidaan hyödyntää missä tahansa prosessissa, jossa muuttujien väliset yhteydet ovat monimutkaisia: materiaalien valmistuksessa, energiantuotannossa, kemian prosesseissa tai koneiden kunnon mallintamisessa.
Kysymys päättäjälle: jääkö tuotannossamme jokin tärkeä ilmiö ymmärtämättä siksi, että muuttujien väliset suhteet ovat liian monimutkaisia tarkasteltavaksi yksi kerrallaan?
Älä aloita tekoälyteknologiasta vaan ongelmasta
Näillä kuudella menetelmällä on yksi yhteinen piirre: ne eivät tarvitse kielimallia ympärilleen tuottaakseen arvoa.
Tämä ei tarkoita, etteikö kielimalleilla ja agenteilla olisi teollisuudessakin merkittävä rooli. Agentti voi esimerkiksi tuoda perinteisen koneoppimismallin tuloksen käyttäjälle, yhdistää sen muuhun tietoon tai hyödyntää analytiikkamallia yhtenä työkalunaan.
Mutta agentti ei muuta kielimallia parhaaksi algoritmiksi jokaiseen ongelmaan.
Kun koneen värähtely muuttuu, prosessin energiankulutusta ennustetaan tai tuotteen laatua päätellään sadoista mittauksista, vuosikymmeniä kehitetty koneoppimisen työkalupakki on usein juuri oikea paikka etsiä ratkaisua. Me Ai4Valuella kykenemme lisäksi kehittämään uusia koneoppimisalgoritmeja vakiintuneiden työkalupakkiratkaisujen tilalle silloin, kun ne eivät riitä.
Ennen menetelmän valintaa kannattaa kuitenkin kysyä vielä perustavampi kysymys:
Minkä liiketoimintaongelman haluamme ratkaista?
Ensimmäinen ja tärkein askel ei ole teknologian valinta vaan ratkaistavan liiketoimintaongelman määrittely. Kun ongelma on riittävän arvokas, tarvittavaa dataa on saatavilla ja analyysin tuloksella voidaan aidosti vaikuttaa toimintaan, meillä on hyvät lähtökohdat valita parhaat menetelmät käytännön AI-työkalun valintaan.
Joskus se on kielimalli.
Joskus tekoälyagentti.
Ja hyvin usein vastaus voi olla vanha kunnon koneoppiminen.
Ai4Value tarjoaa koneoppimista hyödyntäviä teollisuuden tekoälyratkaisuja
Ai4Valuen ValueFactory-alusta yhdistää tehdaslattian datan koneoppimispohjaiseen analytiikkaan ja ennustamiseen. Se mahdollistaa tekoälyratkaisujen nopean kehittämisen, käyttöönoton ja skaalauksen. Tarvittaessa myös agenttiset järjestelmät voivat hyödyntää tuloksia MCP-rajapinnan kautta.