Open search

    Teollinen tekoäly – mitä se on ja mitä se ei ole?

    Tekoäly tai tuttavallisemmin AI on ollut viime vuosien suosituimpia muotisanoja niin valtamediassa kuin sen ulkopuolella. Kaikkeen uuteen teknologiaan liittyy aina runsaasti jopa epärealistisia odotuksia, mutta myös väärinymmärryksiä ja pelkoja. Ehkä johtuen scifi-tarinoiden luomista vahvoista mielikuvista tekoälystä on terminä muodostunut keskimääräistä enemmän tulkintoja ja odotuksia. Onneksi konkreettisten esimerkkien ja saavutettujen hyötyjen ansiosta tekoälyn merkitys esimerkiksi teollisuudelle on alkanut juurtua helpommin ja nopeammin ymmärrettävään muotoon.

    Valtavat datamassat ovat yrityksille samaan aikaan sekä haaste että mahdollisuus. Suuret datamäärät mahdollistavat uudenlaisten dataa hyödyntävien ratkaisujen kehittämisen, mutta samanaikaisesti niiden käsittely vaatii myös uudenlaista lähestymistapaa. Tekoäly on yksi tapa kesyttää datamassat, sillä ihminen ei pysty käymään läpi kaikkea kertyvää dataa valjastaakseen sen tarjoamat mahdollisuudet. Suurten datamassojen perustavanlaatuinen ongelma on helppo hahmottaa, kun pohtii videovalvonnan ratkaisuja. Ihmisen huomio riittää parhaimmillaankin yhden kameran tuottaman videokuvan tarkkailuun kerralla – yleensä ei pidemmän päälle edes siihen. Jos tarkoitus olisi havaita yrityksen videovalvontajärjestelmän kuvia tarkkailemalla alkavat tulipalot, voitaisiin tekoäly opettaa tunnistamaan savu ja tuli yrityksen kaikkien kameroiden videovirrasta ja herättää tarvittaessa ihmisen huomio. Tällä hetkellä ihmisen huomion ohjaaminen on yksi tekoälyn tärkeimpiä käyttötarkoituksia. Teollisuudessa tekoäly näkyy tällä hetkellä käytännössä joukkona erillisiä pistemäisiä ratkaisuja, jotka keskittyvät tarkasti määritellyn tehtävän suorittamiseen. Ero perinteiseen algoritmikehitykseen syntyy siitä, että tekoälyä ei ohjelmoida sääntöpohjaisesti, vaan se koulutetaan datan pohjalta.

    Esimerkkejä teollisen tekoälyn ilmentymistä ovat toimittajien laitteisiin lisäämät vikaantumisen havaitsemis- ja ennustemallit, joiden myötä yksittäiset laitteet tuottavat pelkän koneen toimintaa kuvaavan mittausdatan lisäksi datasta jalostettua tietoa. Toisaalta useat yritykset investoivat tällä hetkellä ratkaisuihin, joiden avulla niiden toimintaan liittyvä, erilaisiin IT-, OT- ja IoT-järjestelmiin siiloutunut, data voidaan kerätä järjestelmällisesti yhteen paikkaan. Tämä mahdollistaa sen, että dataa voidaan hyödyntää keskitetysti erilaisiin käyttötarkoituksiin, kuten datapohjaisten tekoälyratkaisujen kouluttamiseen. Usein paljon arvoa syntyy jo pelkästään sillä, että kertyvä data on yrityksen omien asiantuntijoiden tutkittavissa esimerkiksi visualisoinnin keinoin. Yhä olennaisemmaksi on samalla nousemassa kyky jakaa haluttua tietoa tietoturvallisesti eri partnereille ja yhteistyökumppaneille.

    Savolainen_prosessikaavio

    ESIMERKKI:

    Säätäjien optimoinnilla saavutetut hyödyt kemikaalitehtaassa

    • Parempi tuotantoteho
    • Pienempi höyrynkulutus (23,6 %)
    • Tasainen lämpötilan säätö (ei lämpötilashokkeja)
    • Alentuneet raaka-ainekustannukset
    • Vähemmän häiriöitä ja seisokkeja
    • Merkittävät kunnossapito- ja energiasäästöt
    • Parantunut toimitusvarmuus

     

    Tekoälyn hyödyt

    Ensimmäinen askel tekoälyn hyödyntämiseen on se, että yritys määrittelee tekoälyn merkityksen. On tärkeää, että yritys ymmärtää valmiutensa hyödyntää dataa toimintansa tehokkaassa kehittämisessä ja asettaa tavoitteen, jota kohti haluaa päästä. Tämän jälkeen valitaan askeleet, joiden kautta tavoitetta kohti edetään siten, että jokainen matkalla otettu askel luo arvoa yritykselle. Kullakin kehitysvaihtoehdolla on hyötynsä ja kustannuksensa sekä kehitysvaihtoehtojen väliset synergiat. Järkevästi rakennettu kehityspolku tuottaa lisäarvoa yritykselle jokaisella askeleella nopeassa aikataulussa. Kannattaa pitää mielessä myös se, että tekoäly ei ole ensimmäinen työkalu yrityksen toiminnan virittämiseen: sitä ennen kannattaa laittaa kuntoon esimerkiksi automaatiojärjestelmien perustoiminta.

    Tyypillisimpiä teollisuuden osa-alueita datakeskeiselle kehitystyölle ovat

    • Käyttöhyödykkeiden hallinta ja elinkaaren optimointi, joka tähtää muodostamaan laitteiden elinkaarista datapohjaisen mallinnuksen. Mallinnuksen avulla voidaan suunnitella investointeja, tasapainottaa tuotanto, hallinnoida riskitasoja sekä rakentaa erilaisia tulevaisuusskenaarioita.
    • Älykäs kunnossapito, joka tähtää kunnossapitokustannusten optimointiin ja käyttökatkojen minimointiin. Tyypillisiä tavoitteita ovat poikkeamien tunnistaminen laitteiden toiminnassa, vikatyyppikohtaisten mallien rakentaminen ja tuotannon ajotapojen vaikutuksen analyysi kunnossapitotarpeeseen.
    • Tuotannon optimointi, joka tähtää nykyisen laitekannan optimaalisella käytöllä saavuttamaan maksimaalisen tuoton, riittävän laadun ja parhaan mahdollisen työturvallisuuden. Tyypillisiä tavoitteita ovat tuotantosuunnittelun optimointi sekä operaattoria neuvovat järjestelmät, joiden avulla voidaan optimoida tuotantolaitoksen ajotapa ja säädöt olemassa olevaan tilanteeseen nähden.

    Automaatiojärjestelmien tuottaman numeerisen datan lisäksi tekoäly voi hyödyntää myös muunlaista dataa. Esimerkiksi videoanalytiikka mahdollistaa tyypillisesti turvallisuuteen liittyviä ratkaisuita, joilla voidaan tunnistaa vaarallisia tilanteita ja valvoa alueita. Tuotannossa tyypillisiä tavoitteita ovat esimerkiksi valokuva-, video- ja hyperspektripohjaiset analyysit tuotelaadusta, tuotteiden identiteetin tunnistaminen sekä soft sensor -ratkaisut asioiden kuvapohjaiselle mittaamiselle. Tapauksesta riippuen myös esimerkiksi ihmisten tuottama tieto laitosten kunnossapitotoimista tai IoT-sensoreiden sekundäärimittaukset voivat olla arvokasta polttoainetta halutun datapohjaisen optimoinnin suorittamiseksi.

    Tyypillisimpiä tekoälyn rakentamisessa kohdattavia haasteita ovat automaatiojärjestelmien datan hyödyntämiseen liittyvät integrointihaasteet, tiedon kerääminen yhteen paikkaan siiloutuneista IT-järjestelmistä, tietoturvallisuuden kokonaisvaltainen huomiointi sekä etenkin ihmisten tuottaman datan laadun ongelmat. Yleensä nämä haasteet ovat kuitenkin ratkaistavissa järkevällä suunnittelulla sekä oikein toteutetulla työjärjestyksellä. Voidaankin todeta, että teollinen tekoäly on siirtynyt puheista tekoihin ja hyödyllisistä sovelluksista on paljon esimerkkejä. Olennaista on aloittaa työ tunnistamalla ne alueet, jotka tehostavat kunkin yrityksen liiketoimintaa parhaalla mahdollisella tavalla.

    Kiinnostuitko? Ota yhteyttä!

    Savolainen

    Pekka Savolainen

    LinkedIn

    Saavuta pienemmät päästöt ja parempi tuottavuus prosessiteollisuudessa

    Lataa opas, jonka avulla onnistut tekoälyinvestoinneissasi

    Lataa opas