Tekoäly (AI) ja koneoppiminen (ML) ovat teknologioita, jotka tarjoavat valtavia potentiaalisia etuja monenlaisille sulautetuille järjestelmille. Monille yrityksille näiden nopeasti kehittyvien alueiden osaamisen kehittämiseen vaadittava investointi voi olla haastavaa. Jotkut maailman johtavista valmistajista kehittävät kuitenkin ratkaisuja, joiden avulla sulautetut kehittäjät voivat ottaa nämä innovatiiviset tekniikat käyttöön entistä yksinkertaisemmin ja nopeammin.
Artikkelin kirjoittaja Cliff Ortmeyer vastaa Premier  Farnellin ratkaisujen kehittämisestä. Ortmeyer tuli Farnellin palvelukseen vuonna 2011. Sitä ennen hän työskenteli STMicroelectronicsilla liiketoiminnan kehityksessä yli 13 vuotta. Ortmeyerillä on elektroniikkainsinöörin tutkinto Iowa State Universitystä. |
Tekoälyllä on potentiaalia tuoda lisäarvoa monille teollisuudenaloille, mutta yksi tärkeimmistä hyötyjä saavista olevista alueista on toimitusketjun hallinta ja edistynyt valmistus. McKinseyn raportissa [1] arvioitiin, että tekoäly voisi hyödyttää yrityksiä ja niiden asiakkaita 1,2-2 biljoonan dollarin edestä.
Tekoälyn suurin potentiaali valmistuksessa piilee ennakoivassa kunnossapidossa, jossa anturien tietojen avulla voidaan tunnistaa poikkeavuuksia ja ennustaa, milloin moottori tai tuotantoprosessi vaatii huomiota rikkoutumisen estämiseksi.
Muiden analyytikoiden tekemät tutkimukset korostavat hyviä uutisia. Accenturen raportti [2] osoitti, että tuotannosta tulee yksi AI-vallankumouksen suurimmista voittajista. Tekoälykäyttöiset järjestelmät oppivat jatkuvasti prosesseja, joten huoltoinsinöörit voivat unohtaa vialliset koneet ja käyttämättömät laitteet, kun taas nopea prototyyppien valmistus ja resurssien allokointi vähentävät markkinoille tuloaikaa ja kustannuksia. Kaikki nämä parannukset tuovat ennusteiden mukaan 39 prosentin kasvun kannattavuuteen.
Toisessa Accenturen raportissa [3] havaittiin, että 71 prosenttia teollisuuslaitesektorin johtajista uskoo, että tekoälyllä on merkittävä vaikutus heidän organisaatioonsa. 78 prosenttia sanoi, että sillä on merkittävä vaikutus koko sektoriin. Sama raportti osoittaa kuitenkin, että teollisuuslaitesektori on jäljessä tekoälyn hyödyntämisessä.
Hyvä esimerkki siitä, mitä tämä voi tarkoittaa käytännössä, on puolijohdeteollisuus. Puolijohdeyritykset ovat suurilla pääomasijoituksilla yrittäneet lyhentää tuotteiden elinkaarta ja keskittyä enemmän innovaatioihin pysyäkseen kilpailukykyisinä. Kun jokainen uusi sirusukupolvi pienentää piirin rakenteiden kokoa, kehitys- ja valmistuskustannukset ovat nousseet pilviin. Näille yrityksille tekoäly ja koneoppiminen tarjoavat mahdollisuuden muuttaa alan kustannusrakennetta lisäämällä tuottavuutta kaikissa vaiheissa tutkimuksesta sirujen suunnitteluun ja valmistukseen. ML-pohjaisia järjestelmiä voidaan myös kouluttaa havaitsemaan ja luokittelemaan kiekkojen viat automaattisesti, mikä parantaa edelleen saantoa.
Hitaasti liikkeelle tekoälyn käytössä
Teollisuuden ja esineiden internetin sovellukset perustuvat nykyään usein yhden kortin tietokoneisiin (SBC, Single Board Computers), ja noin 50 prosenttia Farnellin [5] haastattelemista suunnittelijoista käyttää näitä kehityslevyjä työssään. Vaikka korkean suorituskyvyn tekoäly on yksi yleisimmistä parannustoiveista korteilla, vain 20 prosenttia insinööreistä maailmanlaajuisesti hyödyntää tekoälyä ja koneoppimista SBC-sovelluksissaan.
Syyt tähän vähäiseen käyttöön ovat edelleen epäselviä, mutta Farnellin tutkimus paljasti, että insinöörit pitävät suunnittelunsa markkinoille tuomisen ajan lyhentämistä keskeisenä huolenaiheena. Huolimatta korttiteokoneiden helppokäyttöisyydestä, kehittäjät saattavat nähdä tekoälyn ja koneoppimisen esteenä: pelkona on, että näiden tekniikoiden hyödyntäminen vaikuttaisi kohtuuttomasti projektien budjetteihin ja aikatauluihin.
Tekoäly toiminnassa
Mitä tulee tekoälyyn käytännössä, ennakoiva ylläpito on yksi tärkeimmistä käyttötapauksista teollisuudessa. Elektroniikan komponenttien jakelija Avnet auttaa valmistajia ja kehittäjiä tuottamaan IoT-ratkaisuja eri toimialoille. Avnet teki esimerkiksi yhteistyötä suuren sähköajoneuvojen valmistajan kanssa tunnistaakseen poikkeavuuksia sen valmistusrobottien toiminnassa. ML-tekniikat ja tilastollinen vika-analyysi mahdollistivat poikkeavuuksien havaitsemisen reaaliajassa ja ryhtymisen tarvittaviin toimiin vikojen ehkäisemiseksi.
Omistettujen laitteiden seuranta on myös suuri mahdollisuus. Yhdysvaltalainen maansiirto- ja rakennuskoneiden valmistaja, joka tarjosi koneita ja laitteita vuokralle päiviksi tai kuukausiksi kerrallaan, käytti älykästä valvontaa siirtyäkseen tarjoamaan tuotteitaan palveluna. Näin yritys pystyi vuokraamaan laitteita käytön perusteella sen sijaan, että asiakkaat maksaisivat koko päivästä tai kuukaudesta.
Kuvien prosessointi ja kasvojentunnistus ovat perinteisiä tekoälyn ja koneoppimisen käyttötapauksia, koska tuotannossa niitä voidaan käyttää työntekijöiden sisäänpääsyn turvaamiseen, läsnäolon seuraamiseen sekä petosten ja varkauksien estämiseen. Esimerkiksi Sonyn teknologiakeskus Englannissa (UK Technology Center) otti käyttöön kuvankäsittelyn osana projektia, joka käyttää tekoälytekniikkaa tuotteiden vaihtelun ja laadun seuraamiseen tehtaalla. Yli 150 Raspberry Pi -korttitietokonetta ja Raspberry Pi High Quality -kameraa käytettiin tarkastelemaan prosesseja, kuten osien asennusta yksittäisille piirilevyille.
Se ei ole niin vaikeaa
Vaikka tekoäly ja ML voivat kuulostaa pelottavilta, suuret alustavalmistajat ovat ryhtymässä toimiin ja helpottavat insinöörien ja sulautettujen kehittäjien mahdollisuuksia hyödyntää tekniikkaa. Korttitietokoneista on tulossa tehokkaampia ja ne mahdollistavat tekoälyalgoritmien, kuten kuvien luokittelun, objektien havaitsemisen ja eleiden tunnistuksen, suorittamisen TensorFlow Liten [6] kaltaisilla työkaluilla.
TensorFlow Lite on optimoitu laitteiden koneoppimiseen, mikä auttaa kehittäjiä ajamaan malleja mobiililaitteissa, sulautetuissa ja IoT-laitteissa. Työkalu ratkaisee joitakin korttitietokoneiden keskeisiä rajoituksia: se poistaa latenssin, kun dataa ei tarvitse lähettää palvelimelle, varmistaa yksityisyyden koska henkilötietoja ei poistu laitteesta, ei vaadi Internet-yhteyttä ja tarjoaa fyysisesti pienimmät laitteet sekä minimoidun virrankulutuksen.
TensorFlow Lite tarjoaa useita valmiiksi koulutettuja malleja, jotka voivat sopia teolliseen tai tuotantokäyttöön. Nämä "reseptit" tekevät tekoälyratkaisujen käyttöönotosta paljon helpompaa sellaisten toimintojen suorittamiseen, kuten kuvien luokittelumallit, jotka voivat tunnistaa satoja kohteita mukaan lukien ihmiset ja aktiviteetit, sekä luonnollisen kielen kysymyksiin vastaamisen ja eleiden tunnistamisen. On monia muitakin kirjastoja, jotka mahdollistavat sisäisten tekoälyprosessointiratkaisujen kehittämisen, mutta vaikka nämä vähentävät tarvittavaa asiantuntemusta, kokeneita tekoälyasiantuntijoita tarvitaan silti.
Pääsy pilvipohjaisiin palveluihin verkkoon yhdistettyjen laitteiden kautta varmistaa, että dataa voidaan analysoida ilman, että itse kortilta vaaditaan valtavaa laskentatehoa. Pilvipohjaiset palvelut voivat mahdollistaa tekoälyn yksinkertaisemman käyttöönoton, ja näiden alustojen kokeneita käyttäjiä on paljon suurempi joukko.
Microsoft on tämän alueen johtava yritys ja on julkaissut Azure Sphere IoT -alustan, joka tarjoaa myös Linux-ytimen käyttöjärjestelmän IoT-päätelaitteissa käytettäviä sulautettuja mikro-ohjaimia (MCU) varten. Tyypillisiin käyttötapauksiin kuuluu esimerkiksi Starbucksin pilotti, joka sulautti Azure Sphere -mikro-ohjaimet keräämään telemetriatietoja myymälöissään olevista kahvinkeittimistä. Yhtiö odottaa kerättyjen tietojen auttavan ennakoimaan mahdollisia ongelmia, ennen kuin kahvinkeittimet ja muut myymälässä olevat koneet tarvitsevat korjausta. Azure-ohjaimet ovat edullisia, tarjoavat laajan valikoiman liitäntävaihtoehtoja, mukaan lukien matkapuhelinverkko ja Ethernet, ja niitä voidaan tukea useilla kehityskorteilla ja aloitussarjoilla.
Toinen suuri pilvialusta on Amazon Web Services (AWS). Alusta käyttää reunalaskentaa ja edistyneitä analytiikkatyökaluja, jotka auttavat älykästä tehdasta parantamaan tuottavuutta keräämällä ja analysoimalla tehtaan tiedot. Se sisältää pääsyn pilvipohjaiseen tekoälyyn ja ML-malleihin reaaliaikaisen ennakoivan analytiikan tarjoamiseksi.
Toinen lähestymistapa on käyttää pilvipohjaisia palveluita avoimen lähdekoodin kehysten, kuten Caffe ja TensorFlow, rinnalla. Caffe on tunnettu kehys, jonka on kehittänyt Berkeleyn tohtoriopiskelija Yangqing Jia, kun taas TensorFlow-alustan on kehittänyt Googlen Brain Team, ja se tarjoaa laajan kirjaston työkaluja, kirjastoja ja yhteisön resursseja.
Suljetun lähdekoodin ratkaisut tarjoavat myös helppokäyttöisen vaihtoehdon. Arm tarjoaa integraation Watsonin kanssa Mbed IoT -laitekehitysalustan kautta [7]. IBM on myös rakentanut suoria rajapintoja Watson AI -alustaan kehityskorteilla kuten Raspberry Pillä, mikä tekee koneoppimissovellusten prototyyppien tekemisestä helppoa ennen lopulliseen arkkitehtuuriin sitoutumista.
Korttitietokoneita tekoälyyn
Farnellilla on laaja valikoima yhden kortin tietokoneita, jotka tukevat sulautettuja tekoälysovelluksia. Suosituin niistä on Raspberry Pi 4. Malli B -versio on saatavana DDR4RAM-muistilla 8 gigatavuun asti.
Arduino Portenta on erittäin suorituskykyinen korttitietokone. Sen kaksi epäsymmetristä ydintä voivat suorittaa samanaikaisesti korkean tason koodia, kuten protokollapinoja, ML-malleja tai jopa tulkittuja kieliä, kuten MicroPython tai Javascript.
Yhdistämällä nämä tehokkaat, helppokäyttöiset kortit valmiisiin pilvialustoihin IoT-laitekehittäjät voivat helposti hyödyntää tekoälyä ja koneoppimismalleja projekteissaan. Laitevalmistusta tekeville asiakkaille hyödyt ovat ilmeiset ja niistä tulee välttämättömyys tuotteiden laadun, tehtaan tuottavuuden ja monen muun tekijän parantamisessa.
Sulautetun tekoälyn tulevaisuus
Järjestelmän suorituskyvyn parantuessa tekoälyn ja koneoppimismallien lisääntynyt käyttöönotto sulautetuissa sovelluksissa on väistämätöntä. Vaikka tekniikka on monimutkaista, on jo olemassa ratkaisuja, jotka vähentävät dramaattisesti tekoälyn ja ML-mallien integrointia ja käyttöönottoa. Koska käyttöönottoa ei ole syytä lykätä, ja koska on todennäköistä, että kilpailijoiden tuotteet tarjoavat näiden teknologioiden mahdollistamia lisäetuja, suunnittelijoilla on painava syy ottaa tekoäly- ja ML-teknologioita käyttöön sulautetuissa järjestelmissä jo nyt.
Viitteet
[2] https://www.accenture.com/fr-fr/_acnmedia/36dc7f76eab444cab6a7f44017cc3997.pdf
[3] https://www.accenture.com/_acnmedia/PDF-74/Accenture-Pov-Manufacturing-Digital-Final.pdf
[4] https://www.accenture.com/us-en/insights/artificial-intelligence-summary-index
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.
