Valmistavan teollisuuden tehtaat ovat pitkälle automatisoituja. Ohjelmoitavat logiikat ovat olleet yleisiä jo vuosikymmeniä ja kokoonpanoa tekevät nykyään robottisolut. Monenlaisia antureita ja mittalaitteita käytetään prosessien mittaamiseen ja ohjaamiseen. Nyt on aika katsoa eteenpäin. Jos automatisointi oli ensimmäinen askel, mikä on seuraava? Kuinka tehdä tuotantolinja tai laitos vielä tehokkaammaksi? Voidaanko jo nyt kerättyä dataa hyödyntää paremmin?
Keino- ja tekoäly, koneoppiminen ja neuroverkot ovat kuumia puheenaiheita tällä hetkellä. Monet povaavat niistä teollisuuden seuraavaa vallankumousta. Onko tämä pelkkää hypeä? AI (artificial intelligence) on itse asiassa laaja valikoima erilaisia teknologioita, joista puhutaan paljon mutta usein tiedetään aika vähän. Potentiaalia niissä joka tapauksessa on. Kun puhutaan suurista datamääristä teollisuuden prosesseihin, ovat koneet lähes aina ihmistä pätevämpiä ratkomaan ongelmia.
Kuinka sitten erottaa turha hype todellisesta mahdollisuudesta? Tärkeää on ajatella ongelmakeskeisesti. Kannattaa ennemmin pohtia mitä halutaan saavuttaa, kuin työkaluja tai menetelmiä, joita voidaan käyttää. Tästä syystä me Etteplanissa puhumme analytiikasta emmekä tekoälystä. Sen toteuttamiseen voidaan luonnollisesti käyttää myös viimeisimpiä tekoälyn työkaluja. Analytiikka tarkoittaa olemassa olevan datan hyödyntämistä päätöksenteossa, laadun parantamisessa ja tuotantolinjan ylläpidossa.
- Automaatio kertoo mitä tapahtuu. Analytiikka kertoo, miksi jotain tapahtuu tai milloin jotain tapahtuu, sanoo Etteplanin analytiikan kehitysjohtaja Jan Müller. Tämä on tietysti ensiarvoisen tärkeää, kun halutaan optimoida prosesseja ja tuotantoa.
ANALYTIIKKA EI OLE TUOTE
Mitä analytiikka on käytännössä? Sehän ei ole tuote jonka voit ostaa. Sitä ei voi vain liittää olemassa olevaan järjestelmään ja odottaa parempia tuloksia. Tuloksellinen analytiikka tulisi nähdä jatkuvana prosessina. Sen pitää liittyä tiiviisti prosessiin ja käyttää prosessispesifistä dataa prosessispesifisten ongelmien ratkomiseen.
- Onnistuneeseen analytiikkaan tarvitaan kolme asiaa: asiantuntemusta itse prosessista, asiantuntemusta soveltuvista analytiikkamenetelmistä ja saumatonta yhteistyötä näiden asiantuntijoiden välillä, Jan Müller jatkaa.
Pitäisikö teollisuusyritysten sitten investoida analytiikkaosaamiseen? Luultavasti ei, koska se on hidas ja vaikea tie. Itse analytiikkaosaamisen saa helposti talon ulkopuolelta, mutta prosessiasiantuntemusta ei saa.
MIKSI?
Seuraava kysymys on luonnollisesti, kuinka analytiikkaa tuodaan omalle tuotantolinjalle? Ensin pitää kysyä perustavaa laatua oleva kysymys: Miksi? Koska kaikki muutkin käyttävät tekoälyä, niin kyllä meidänkin pitää? Väärin. Ilman selkeää tavoitetta jäävät tulokset saamatta. Entäpä tämä: Tutkitaan olemassa olevaa dataa ja katsotaan mitä sieltä voisi löytää? Edelleen väärin.
Tavoitteen täytyy olla riittävän selkeä. Voidaanko tämän koneen rikkoutuminen ennustaa ja tehdä huoltotoimenpiteitä ennen sitä? Tämä on jo yleinen toive kunnossapidon puolella. Tai vaikkapa näin: Nämä 13 parametria näyttävät vaikuttavan saavutettuun laatuun. Voidaanko niiden perusteella havaita ja ehkäistä laatutason vaihteluja? Nämä kysymykset havainnollistavat konkreettisen ongelman, johon voidaan lähteä hakemaan ratkaisua.
Avainhenkilö tässä on prosessin ”omistaja”. Henkilö, joka tuntee prosessin ja osaa kuvata ongelman, johon lähdetään hakemaan ratkaisua. Menetelmien mahdollisuudet ja puutteet on myös tärkeää tuntea, jotta osataan asettaa rima riittävän korkealle.
Seuraava vaihe tavoitteen asettamisen jälkeen on valita menetelmät, joilla lähdetään liikkeelle ja tietysti tarkistaa onko tarvittava data saatavilla. Joskus havaitaan, että dataa tarvitaan lisää. Tämä saattaa vaatia lisää anturointia tai datan tuomista jostain muusta järjestelmästä, eli integrointia järjestelmien välille. Kannattaa myös miettiä laajemmin: Auttaisiko joku prosessin ulkopuolelta saatava data? Esimerkiksi taloushallinnon tai tuotannonohjauksen puolelta? Entäpä joku muu ulkopuolinen avoin data?
Mitä sitten odottaa? Kolme tärkeää asiaa on syytä tiedostaa. Ensinnäkin edessä on ”oppimisprosessi”. Kone ei osaa tehdä mitään ennen kuin se opetetaan siihen. Tämä tarkoittaa algoritmien tarkennusta, analyysien hienosäätöä ja päätöksentekoparametrien muokkaamista. Mikäli dataa on jo valmiiksi suuria määriä, saattaa ”oppiminen” sujua nopeasti. Jos dataa taas ei ole, pitää aloittaa sen keräämisellä. Toinen toteutusta hidastava tekijä on se, että kaikki prosessit ovat erilaisia. Mikään analytiikkamenetelmä ei välttämättä sellaisenaan anna riittävän hyvää vastausta, vaan itse analytiikkaa pitää hienosäätää iteratiivisesti.
Lopuksi on syytä ymmärtää, miten lähtötiedot vaikuttavat lopputulokseen ja mitä voidaan realistisesti odottaa ottaen huomioon lähtötietojen laatu. Tämä on aina tapauskohtaista ja otettava huomioon, kun prosessia aloitetaan.
Teollinen maailma on vallankumouksen kynnyksellä, jota usein kutsutaan nimellä Teollisuus 4.0. Jokainen yritys on osa yritysten digitaalista verkkoa. Yhteistyötä tekevien yritysten järjestelmät integroituvat yhteen ja muodostavat suuremman kokonaisuuden, jossa sinä toimit oleellisena osana. Tietoa syntyy entistä suurempia määriä ja sen perusteella pitää pystyä tekemään päätöksiä entistä nopeammin. Selviääkö ihminen enää tästä ilman koneiden ja analytiikan apua?
- Meidän saatavilla on jatkuvasti kasvava määrä dataa sekä automaatiojärjestelmistä että liiketoimintajärjestelmistä. Paljon tästä jää hyödyntämättä. Ihmiset yrittävät tehdä analyysejä, jotka koneet tekisivät paljon paremmin, Jan Müller kiteyttää.
Artikkelin on kirjoittanut Karl-Kristian Högström, Etteplan. Sen voi lukea myös ETNdigi-lehden numerosta 1/2018.
Kun suurteholaskennan (HPC) työkuormat monimutkaistuvat, generatiivinen tekoäly sulautuu yhä tiiviimmin moderneihin järjestelmiin ja lisää kehittyneiden muistiratkaisujen tarvetta. Vastatakseen näihin muuttuviin vaatimuksiin ala kehittää uuden sukupolven muistiarkkitehtuureja, jotka maksimoivat kaistanleveyden, minimoivat latenssin ja parantavat energiatehokkuutta.
