Kontekstitietoudesta ratkaisu teollisuuden tekoälyyn
Moni teollisuusyritys onnistuu tekoälypiloteissa, mutta epäonnistuu skaalaamisessa. Syynä ei ole huono koneoppimisalgoritmi, vaan se, ettei pelkkä algoritmi ymmärrä todellista toimintaympäristöään. Algoritmin lisäksi järjestelmälle tarvitaan ymmärrys siitä laajemmasta kokonaiskontekstista, jossa sen käsittelemä data syntyy ja vuorovaikuttaa.
Tehtaiden tuotantodata on tyypillisesti erillisiä tagilistoja ja raakaa aikasarjadataa. Automaatiojärjestelmien kannalta tämä on toimiva ratkaisu, mutta nykyaikaisen ymmärtävän tekoälyn hyödyntämiseen se ei riitä. Kun malli ei ymmärrä, mitä se katsoo, se ei pysty päättelemään siitä mitään järkevää. Tämä on yksi keskeinen syy sille, miksi teollisuuden tekoälypilotit onnistuvat kontrolloiduissa olosuhteissa mutta eivät skaalaudu yhtä konetta, linjaa tai toimipistettä pidemmälle.
Anomalioiden havaitsemisessa, ennakoivassa huollossa ja tekoälyllä tuetusta laadunhallinnassa menestyvät yritykset eivät tyydy rakentamaan vain parempia malleja. Ne rakentavat paremman teollisen dataperustan, jossa erillisten signaalien sijasta asiat kytketään yhtenäiseksi tapahtumakokonaisuudeksi.
Konteksti rakennetaan standardien päälle semanttisina informaatiomalleina
Esimerkiksi laitteesta tuleva värähtelysignaali yksin ei kerro tekoälylle juuri mitään. Jotta se olisi hyödyllinen, järjestelmän täytyy ymmärtää, miltä laitteelta signaali tulee, missä käyttöolosuhteissa se on mitattu, ja miten se liittyy prosessin vaiheisiin, materiaaleihin tai laatutuloksiin. Ilman tätä kontekstia hyvinkin koulutettu malli tekee työtä vain puolella teholla.
Tässä kohtaa semanttiset informaatiomallit tulevat kuvaan. Esimerkiksi OPC UA -informaatiomallit mahdollistavat sen, että teollinen data voidaan jäsentää merkityksellisiksi kokonaisuuksiksi erillisten tagien sijaan. Kun datalla on rakenne ja merkitys, tekoälyjärjestelmät, mukaan lukien nykyaikaiset kielimallit ja tekoälyagentit, pystyvät päättelemään operaatioista sen sijaan, että ne pelkästään tunnistavat tilastollisia poikkeamia.
Miksi anomalioiden havaitseminen tuottaa niin usein pettymyksen
Anomalioiden havaitseminen on yksi yleisimmistä teollisuuden tekoälykäyttökohteista. Se on myös yksi yleisimmistä pettymysten lähteistä, erityisesti silloin kun se toteutetaan ilman operatiivista kontekstia.
Kontekstitiedottomat järjestelmät tuottavat aitojen anomalioiden havaitsemisen lisäksi paljon turhia hälytyksiä: prosessin siirtymätilat tulkitaan viaksi, tuotevaihdot kirjataan anomalioiksi, ja normaalit käyttövaihtelut laukaisevat hälytyksiä. Tämän seurauksena käyttäjät lakkaavat luottamasta järjestelmään ja alkavat sivuuttaa sen hälytykset, jolloin koko investoinnin tarkoitus vesittyy.
Kun anomalianhavaitseminen rakennetaan semanttisesti jäsennetyn datan päälle, tilanne muuttuu olennaisesti. Järjestelmän ymmärtäessä laitteiden käyttötilat ja prosessisuhteet se osaa erottaa merkitykselliset poikkeamat normaalista vaihtelusta. Hälytyksistä tulee operatiivisesti relevanttia sen sijaan, että ne olisivat pelkkää tilastollista kohinaa.
Tekoälyagentit tarvitsevat jäsentynyttä dataa toimiakseen luotettavasti
Tekoälyagenteista puhutaan teollisuusympäristöissä paljon, ja kiinnostus on perusteltua. Autonominen päättely toimii kuitenkin luotettavasti vain silloin, kun taustalla oleva data on jäsenneltyä ja sen hallinta on kunnossa. Ilman tätä perustaa agentit toimivat perusteettomien oletusten varassa tehottomasti. Kun perusta on kunnossa, agentit voivat tutkia operatiivista dataa itsenäisesti ja johdonmukaisesti, tukea juurisyyanalyysejä ja yhdistää laatupoikkeamia prosessiolosuhteisiin.
Potentiaali on todellinen, mutta se edellyttää toimivan data-arkkitehtuurin.
Tekoälyä varten rakennettu arkkitehtuuri
Teollisuuden tekoälystä eniten hyötyä saavat yritykset, jotka kehittävät tekoälyä tukevan data-arkkitehtuurin. Sensoreiden ja laitteiden jatkuvana virtana tuottama teollinen data, IT:n ja OT:n välinen yhteinen semanttinen kerros sekä avoimet standardit kuten OPC UA mahdollistaa tekoälyn skaalaamisen anomaliahavaitsemisessa, ennakoivassa huollossa, juurisyyanalyysissä ja laadunhallinnassa.
Ai4Valuella keskitymme teolliseen tekoälyyn, joka skaalautuu pilottien yli ja integroituu osaksi todellista tuotantoa. Toteutamme sen Stream Analytics Engine -alustamme ja Factory Value -konseptimme avulla. Niillä yhdistämme perinteisen koneoppimisen semanttiseen informaatiomallinukseen, OPC-pohjaiseen arkkitehtuuriin, moderneihin agenttisiin työnkulkuihin ja kielimallien älykkyyteen.
Ota yhteyttä, niin keskustellaan, miten saamme oikeanlaisella datapohjalla tekoälyn skaalautumaan myös teidän tuotannossanne!