Sisuturundus
Tehisintellekti praktiline kasutamine tööstuses
:format(webp)/nginx/o/2024/02/21/15900281t1h6f60.png)
Tehisintellekt ehk AI on viimaste aastakümnete üks märkimisväärseimaid tehnoloogilisi edusamme. Tehnoloogia on jõudnud staadiumi, kus selle rakendamine tööstuses on majanduslikult tasuv ja võiks olla paljudes ettevõtetes oluline tööriist.
Tööstusprotsessid on äärmiselt mitmetahulised, mistõttu kõiki valdkondi korraga puudutada on keeruline. Keskendun siin ainult tootmisprotsessidele, välja jäävad kõik abiprotsessid (müük, logistika, juhtimine jne).
Kui tehaste tootmisprotsesse omavahel võrrelda, siis kõige suurem on inimtööjõu osakaal kvaliteedikontrollis ja kvaliteedi järgi toodete sorteerimisel. Kui põhitoodete protsessid võivad olla edukalt automatiseeritavad, siis kvaliteedikontroll ja kvaliteedi järgi toodete sorteerimine on tihti käsitöö ja allub automatiseerimisele kehvasti. Põhjuseks on asjaolu, et arvutile on keeruline selgeks teha, millist defekti või puudust otsime. Näiteks kui otsime puidu pinnalt heledaid oksi, ei ole võimalik öelda arvutile, et otsi teatud värvi puidu pinnal. Puidu pinna enda variatsioonid võivad olla teatud tingimustel oksaga täpselt sama värvi. Tuleb arvestada puidu pinna kuju ja struktuuriga, et teha õige otsus. Ei ole võimalik kirjeldada kõiki oksa kujusid. AI abil aga antakse arvutile ette näidised erinevate heledate okstega ja arvuti ise õpib treeningprotsessi käigus neid tuvastama.
/nginx/o/2024/02/21/15900288t1h78e3.png)
AI tehnoloogia on arenenud niikaugele, et kui inimene suudab tuvastada defekti, siis suudab seda ka AI. Kui lisada andmetele inimsilmale nähtamatud andmed, näiteks läbi infrapunakaamera või soojuskaamera, saame märksa võimekama automaatse süsteemi.
Leanest OÜ on juurutanud üle 45 kvaliteedi kontrolli ja sorteerimise projekti. Iga juurutatud projekti tagajärjel on 1 kuni 12 (keskmiselt 3) inimest pärast projekti valmimist suunatud teisele tööle.
/nginx/o/2024/02/21/15900291t1h01d8.png)
Millised projektid ja/või tooted alluvad hästi automatiseerimisele koos AIga:
- Puidusektor tervikuna. Tihti on tegemist masstootmisega, kus tootesortiment on väike. Siin leiduvad ülesanded sobivad väga hästi tehisintellektile. Kuna ei eksisteeri kahte samasugust palki, siis iga palgist tehtav alamtoode on unikaalne. Samas peavad need vastama samadele kvaliteedinõuetele. Mõned näited: hööveldatud laua sorteerimine taskutesse, koore paksuse määramine palgi otsast, puusüü suuna järgi laua keeramine, liimpuitkilbile sisendmaterjali õigetpidi ette andmine, liimidefektide määramine puidu pinnal.
- Jäätmete sorteerimine. Näiteks pakendite sorteerimine plasti järgi, puidujäätmete sorteerimine.
- Toiduainetööstuses toorme materjali sorteerimine.
- Keemiliste protsesside tulemusel tekkivate pooltoodete kontroll, defektide tuvastamine. Siia kuuluvad jootmine, tsinkimine, keevitus, pinna katmine erinevate ainetega.
- Elektroonikatööstuses kooste kvaliteedi kontroll.
- Mehaaniliste vigastuste otsimine. Seadme kulumisel tekivad lõpptootele defektid. Nende varajane avastamine võimaldab praagi tootmist minimeerida.
Loetletud nimekiri ei ole lõplik. Arvatavasti leidub AI rakendust ka teistes valdkondades. Näiteks üks lihtsamini rakendust leidev valdkond on ennetav hooldus. Jälgitakse töökeskkonda/masinat ja kui leitakse hälbeid normaalsusest, tõstetakse n-ö punane lipp.
/nginx/o/2024/02/21/15900292t1h2e4a.png)
Nii nagu iga tehnoloogia kasutamisega on ka AI rakendamisel reeglid:
- Peab teadma, kuidas sisendandmetest tulevad otsused ehk väljund. Suhtumine, et ma täpselt ei tea, kuidas seda teha, aga küll AI tuleb ja teeb selle ära – selline lähenemine lihtsalt ei tööta. Enda tootmist ja tooteid tuleb tunda. Näiteks kvaliteedikontrollis peab täpselt ette ütlema, milline toode on praak, milline mitte.
- AI ülesannete rakendamine on seotud AI treenimisega lähteandmete pealt. Kui lähteandmed puuduvad või ei tea, kuidas andmed kokku tulevad, siis ei saa ka AI abil seda lahendada. Andmete puudumine või nende ebaõnnestunud valik on üks peamisi põhjuseid, miks AI projektid lähevad kulukaks või läbi kukuvad. AI projekte alustatakse tavaliselt andmete täiendamise projektiga, nt paigaldatakse kaamerad ja lisaandurid või alustatakse andmete kogumist teiste sisenditega. Igal juhul venitab see projekti ajaliselt pikaks. Kvaliteedi kontrollimise juurutamisel tuleb seadistada eraldi kaamerad ja/või laserid. See tähendab masinatööstusele projekti alguses ühte arendusprojekti, et jõuda hiljem AI rakendamisele, teostada AI treenimine ja seejärel alustada reaalselt tööd.
- Kas eksisteerib sobiv AI mudel ülesande lahendamiseks? Turul on loodud palju valmismudeleid ja eeltreenitud mudeleid. Kui neid oskuslikult rakendada, kiirendab see AI projekte märgatavalt. Kui sobivat mudelit ei leidu, tuleb alustada nullist, kuid arvestada tuleb mitu korda suurema arenduse ja AI treeningu kuluga. Oleme teinud projekte, kus on vaja AI treenimisel ette anda üle 500 000 näitepildi.
- Kui ülesannet saab lahendada tavalise matemaatika ja valemitega, siis AI-d rakendada ei tasu. Hea näide on tootmisplaani koostamine. Reegleid ja sisendeid on küll palju, kuid kõik väljundid on matemaatiliselt hästi tuletatavad.
AI kiire areng ja laialdane kasutuselevõtt tööstuses näitab, kui tähtis on see kaasaegsele tööstusele – suudetakse automatiseerida protsesse, mida enne oli keeruline teha. Tänu AI rakendamisele suudavad ettevõtted toota kiiremini, tõhusamalt ja kvaliteetsemalt, mis omakorda toob kasu nii tarbijatele kui ka ettevõtetele.