KANBrief 4/19

Nauka o danych przemysłowych: wykorzystanie sztucznej inteligencji w produkcji

Portrait of Prof. Dr.-Ing. Jochen Deuse© private / privé
Prof. Dr.-Ing. Jochen Deuse
Portrait of M. Sc. Jacqueline Schmitt© private / privé
M. Sc. Jacqueline Schmitt

Wraz z postępującą cyfryzacją przetwarzanie coraz większej ilości danych jest dużym wyzwaniem dla firm produkcyjnych. Uczenie maszynowe, które jest poddziedziną sztucznej inteligencji, pozwala na generowanie cennej wiedzy z danych. W przypadku zastosowania w przemyśle, proces ten - nazywany „nauką o danych przemysłowych” (industrial data science) - może w przyszłości przełożyć się na znaczną przewagę konkurencyjną.

W ostatnich latach w ramach koncepcji Przemysł 4.0 nastąpił znaczny wzrost cyfryzacji produkcji przemysłowej, a coraz większe powiązanie procesów produkcyjnych prowadzi do coraz większej ilości danych. Zawierają one cenną wiedzę, którą można wykorzystać np. do optymalizacji procesów. Konwencjonalne metody nie są już jednak wystarczające do jej pozyskania.

Aby jednak wykorzystać potencjał innowacyjny, stosuje się innowacyjne technologie sztucznej inteligencji (SI). Sztuczna inteligencja wykorzystuje metody matematyczne i obliczeniowe w celu opracowania rozwiązań dla konkretnych problemów związanych z implementacją, na przykład w celu optymalizacji produkcji, zarządzania jakością lub automatyzacji. Interdyscyplinarna technologia uczenia maszynowego jest szczególnie ważna dla tych obszarów zastosowań. Jest interfejsem między informatyką, matematyką i statystyką i wykorzystuje algorytmy w celu „uczenia się” z danych i generowania na ich podstawie istotnych informacji.

Industrial data science - nauka o danych przemysłowych
Zastosowanie uczenia maszynowego w produkcji przemysłowej nazywane jest nauką o danych przemysłowych (industrial data science - IDS). IDS łączy metody obliczeniowe, matematyczne i statystyczne ze specjalistyczną wiedzą w dziedzinie produkcji 1. To interdyscyplinarne podejście pozwala na znalezienie innowacyjnych rozwiązań istniejących problemów i wspiera procesy decyzyjne. Cele zastosowań IDS mogą mieć charakter opisowy („Co się stało?”), wyjaśniający („Dlaczego coś się stało?”), predykcyjny („Co się stanie?”) lub nakazowy („Co należy zrobić?”). Złożoność aplikacji zwiększa się na każdym z tych etapów, ale jednocześnie rośnie również poziom informacji.

Czynniki sukcesu
O sukcesie realizacji praktycznych projektów IDS decydują trzy czynniki:

Interdyscyplinarny skład zespołów projektowych: Badacze danych (data scientists) posiadają solidną wiedzę specjalistyczną w zakresie przetwarzania i zarządzania danymi oraz uczenia maszynowego. Eksperci domeny posiadają daleko idące zrozumienie techniczne i są dokładnie zaznajomieni z produktami i procesami. Obie grupy są absolutnie kluczowe dla powodzenia projektów, jednak nie zawsze mówią tym samym językiem. Citizen data scientist, ekspert o interdyscyplinarnym wykształceniu, może służyć jako mediator w pokonywaniu barier w komunikacji.

Usystematyzowane podejście do projektów: model CRISP-DM (Cross Industry Standard Process Model for Data Mining) stał się standardem w wielu projektach przemysłowych 2. CRISP-DM dzieli projekty na sześć etapów, które są realizowane kolejno i w razie potrzeby iteracyjnie: (1) Zrozumienie uwarunkowań biznesowych (zrozumienie biznesu i procesu), (2) Zrozumienie danych (zrozumienie i interpretacja danych), (3) Przygotowanie danych (ocena jakości danych i przygotowanie danych), (4) Modelowanie (wybór algorytmów i generowanie modeli), (5) Ewaluacja (modeli) i (6) Wdrożenie (dokumentowanie wyników i rozwiązań wdrożeniowych).

Dojrzałość danych: Powinna być zawsze oceniana w odniesieniu do celu projektu. Wraz ze wzrostem poziomu automatyzacji i autonomii pożądanego rozwiązania rosną również wymagania dotyczące pozyskiwania danych i ich jakości. Badania pilotażowe i analizy potencjału można zasadniczo osiągnąć przy niższej dojrzałości danych, tj. przy większej ilości pracy ręcznej. Dojrzałość danych nie powinna być zatem postrzegana jako przeszkoda, lecz raczej jako potencjał dla przyszłych projektów.

W wielu zastosowaniach związanych z produktami, procesami i systemami sztuczna inteligencja oferuje ogromny potencjał w zakresie optymalizacji ważnych parametrów produkcji. Możliwości jej zastosowania nie ograniczają się jednak do sektora produkcyjnego. Sztuczna inteligencja może również zoptymalizować procesy biznesowe i w ten sposób stać się zaletą dla przedsiębiorstwa. Dlatego właśnie celem musi być przede wszystkim zidentyfikowanie i wykorzystanie możliwości inteligentnego wykorzystania sztucznej inteligencji.

Univ.-Prof. Dr.-Ing. Jochen Deuse
jochen.deuse@ips.tu-dortmund.de

M. Sc. Jacqueline Schmitt
jacqueline.schmitt@ips.tu-dortmund.de

1 Bauer, N.; Stankiewicz, L.; Jastrow, M.; Horn, D.; Teubner, J.; Kersting, K.; Deuse, J.; Weihs, C. “Industrial Data Science. Developing a Qualification Concept for Machine Learning in Industrial Production” [Industrial Data Science. Sviluppo di un principio di qualifica per l’apprendimento automatico nella produzione industriale]. In: “European Conference on Data Analysis (ECDA)”. 2018.
2 Chapman, P.; Clinton, J.; Kerber, R.; Khabaz, T.; Reinartz, T.; Shearer, C.; Wirth, R. “CRISP-DM 1.0. Step-by-step data mining guide” [CRISP-DM 1.0. Guida passo dopo passo al Data Mining]. SPSS Inc. 2000.