Miten tekoäly muuttaa tehtaita

Kun uusi ajoneuvo lähtee nykyään minkä tahansa suuren eurooppalaisen autonvalmistajan tuotantolinjalta, on todennäköistä, että tuotantoprosessissa on ollut mukana tekoälyjärjestelmä.

Koneoppiminen mullistaa nopeasti tuotteiden valmistuksen eri toimialoilla, kun valmistajat hyödyntävät tekoälyn etuja suorittaakseen tehtäviä nopeammin ja tarkemmin kuin kukaan ihminen voisi.

Capgeminin tutkimuksen mukaan yli 50 prosenttia Euroopan johtavista valmistajista ottaa tällä hetkellä tekoälyn käyttöön jollain tavalla. Saksa on kärjessä, sillä 69 prosenttia valmistajista käyttää sitä. Japanissa luku on 30 prosenttia ja Yhdysvalloissa 28 prosenttia. Kiina on perässä 11 prosentin osuudella.

Tämä on kuitenkin vasta alkua. Useimmat asiantuntijat puhuvat jo teollisuus 4.0:sta, jota pidetään neljäntenä teollisena vallankumouksena, jossa koneoppimisalgoritmit luovat autonomisia järjestelmiä, jotka tekevät älykkäästä tehtaasta todellisuutta.

"Tekoäly tulee epäilemättä nopeuttamaan automatisointiprosessia teollisuudessa", sanoo Robert Luciani, Tukholmassa toimivan AI Frameworkin johtava neuvonantaja. Erona tekoälyn kanssa on saavutettavissa oleva automatisoinnin laajuus, joka johtaa koko tehtaan tehokkuuden lisääntymiseen."

Miten tekoäly toimii?

Tavallinen tietokoneen algoritmi sisältää tietyn joukon ohjelmointiohjeita, jotka kertovat järjestelmälle tarkalleen, mitä tehdä ja missä järjestyksessä. Tekoälyalgoritmi on kuitenkin suunniteltu oppimaan paras tapa suorittaa tehtävä ilman erityisiä ohjeita. Sen sijaan se käyttää syöttötietoja ja palautetta mallin kehittämiseksi, usein miljoonien kokeilujen ja erehdysten avulla.

Tekoäly voi tutkia kymmenien komponenttien arvoja ja nähdä jo hyvissä ajoin, jos jokin ongelma on syntymässä.

Shakkiohjelma Alpha Zero on yksi esimerkki siitä, miten tekoäly voi nopeasti päihittää ihmisen ja perinteiset tietokoneohjelmat. DeepMindin kehittäjät kouluttivat Alpha Zeroa opettamalla sille yksinkertaisesti shakin säännöt antamatta sille mitään strategisia neuvoja. Sen jälkeen ohjelma pelasi miljoonia pelejä itseään vastaan ja paransi ymmärrystään joka kerta. Muutamassa tunnissa se pystyi voittamaan vahvimmat perinteiset shakkiohjelmat - ja ihmiset - pelityylillä, joka yllätti huippu-suurmestarit.

Tekoälyjärjestelmät voivat käyttää itseoppimista vastaavalla tavalla. Esimerkiksi Mitsubishi on kehittänyt tekoälyjärjestelmän, joka opettaa roboteille uusia tehtäviä antamalla koneiden kehittää optimaalisia toimintoja kokeilemalla ja erehtymällä.

Laadunvalvonnan parantaminen

Nykyään tekoälyn yleisimmät sovellukset teollisuudessa ovat laadunvalvonta ja ennakoiva kunnossapito; monet yritykset käyttävät sitä myös tuotannossa, tuotekehityksessä ja toimitusketjun hallinnassa.

Ennakoivassa kunnossapidossa tekoälyjärjestelmät voivat seurata useiden koneiden ja järjestelmien syötteitä ja etsiä varhaisia signaaleja siitä, että jokin on hajoamassa. Sen jälkeen ne voivat ryhtyä toimiin ja estää tehtaan seisokit.

"Tekoäly voi tutkia kymmenien komponenttien arvoja ja nähdä hyvissä ajoin, onko jokin ongelma syntymässä ja tarvitaanko ennaltaehkäiseviä toimenpiteitä", Luciani sanoo. Tekoäly on erityisen hyvä laadunvalvonnassa, sillä se voi käyttää automaattisia visuaalisia tarkastuksia havaitakseen pienimmätkin virheet, joita ihmissilmä ei välttämättä huomaa.

Japanilainen rengasvalmistaja Bridgeston käyttää antureilla varustettua tekoälytyökalua, joka tarkastaa 480 erilaista fyysistä kohdetta varmistaakseen, että kaikki renkaat on koottu optimaalisessa kunnossa.

BMW käyttää automaattista kuvantunnistusta, jossa tekoälysovellus vertaa meneillään olevaa tuotantosarjaa satoihin muihin saman sarjan kuviin varmistaakseen, että kaikki osat on asennettu oikein. Volvo käyttää kamerapohjaisia tekoälytyökaluja, jotka tarkastavat valmiit ajoneuvot, myös alustan ja renkaat. Näitä työkaluja voivat käyttää myös autokorjaamot ongelmien löytämiseen.

Parempien suunnitteluratkaisujen löytäminen

Tekoälyä käytetään yhä useammin myös suunnitteluprosessissa, erityisesti additiivisen valmistuksen (3D-tulostus) yhteydessä. Niin sanotussa "generatiivisessa" suunnittelussa tekoälyalgoritmille kerrotaan suunnittelun tavoitteet ja parametrit, kuten materiaalit ja kustannusrajoitukset, ja algoritmi kokeilee sitten tuhansia eri suunnitteluvaihtoehtoja löytääkseen parhaan vaihtoehdon.

General Motors käytti tällaista tekoälytyökalua suunnitellessaan 3D-tulostettua istuimen kiinnikettä, joka yhdisti kahdeksan eri osaa yhdeksi osaksi, joka oli 40 prosenttia kevyempi ja 20 prosenttia vahvempi kuin edellinen. Muita suosittuja tekoälyn käyttötapoja ovat esimerkiksi tiettyjen tuotteiden kysynnän ennustaminen, mikä voi auttaa optimoimaan tuotantoaikatauluja, varastoja ja raaka-aineiden hankintaa. Tekoälyn käytön leviämisessä on kuitenkin edelleen esteitä.

Yksi alue, jolla tekoälyä tullaan mielestäni käyttämään, on tilaustuotteet.

"Älykkäisiin" koneisiin suhtaudutaan edelleen epäilevästi, mikä tarkoittaa, että tekoälyjärjestelmän tekemiä virheitä pidetään usein vakavampina kuin ihmisten tekemiä virheitä - vaikka niitä tapahtuisi paljon harvemmin.

Tekoälyjärjestelmien kehittäminen voi myös olla hyvin kallista, ja ne ovat vain niin hyviä kuin algoritmiin syötetyt tiedot. Monilla yrityksillä ei vielä ole tarvittavaa asiantuntemusta, jotta tekoälyratkaisuja voitaisiin skaalata koko tuotantoverkostossa.

Toistaiseksi suurin osa tekoälyn käytöstä teollisuudessa tapahtuu "konepellin alla" tavalla, jota kuluttajat eivät näe tai koe. Luciani uskoo kuitenkin, että tämä voi muuttua tulevaisuudessa.

"Uskon, että tekoälyä tullaan käyttämään tilaustuotteissa, kuten räätälöidyissä vaatteissa, joissa tekoäly voi auttaa mittaamaan pukujen ja kenkien oikean istuvuuden", Luciani sanoo. "Sitä voidaan käyttää oikeastaan mihin tahansa".