Sztuczna inteligencja (AI) w przedsiębiorstwach
Towarzystwo Fraunhofera bada praktyczne zastosowania AI – z myślą o gospodarce.
Co sztuczna inteligencja robi lepiej od człowieka? „Ludzki mózg jest wyjątkowo dobry w rozpoznawaniu wzorców”, mówi prof. Thomas Rauschenbach, dyrektor działu Stosowanej Techniki Systemowej Instytutu Fraunhofera ds. Optoelektroniki, Techniki Systemowej i Analizy Obrazu. „Możemy bez wielkiego wysiłku odróżnić filiżankę kawy od szklanki wody. Wyraźnie trudniej przychodzi nam rozpoznawanie wzorców w tak zwanych danych masowych, określanych także jako „big data”. Tutaj sztuczna inteligencja ma przewagę nad człowiekiem”. Towarzystwo Fraunhofera zajmuje się tym, jak wykorzystać te możliwości w przemyśle. Towarzystwo Fraunhofera zatrudniające około 30 000 pracowników jest wiodącą organizacją w zakresie badań stosowanych, nie tylko w Niemczech, lecz także na świecie.
Przedstawiamy trzy projekty AI Towarzystwa Fraunhofera dla przemysłu:
REMORA – Warunek i podstawa dla zastosowania AI
Próby wdrożenia sztucznej inteligencji w przedsiębiorstwach napotykają zwykle na wiele przeszkód, na przykład zróżnicowany wiek systemów i maszyny różnych producentów. Często „mówią” one różnymi językami i zapisują dane w różnych formatach i bazach danych. Projekt REMORA (Multi-Stage Automated Continuous Delivery for AI-based Software & Services Development in Industry 4.0) ma stanowić otwartą i neutralną technologicznie platformę umożliwiającą współpracę wszystkich systemów w przedsiębiorstwie, a w rezultacie szerokie zastosowanie rozwiązań AI.
Condition Monitoring oraz Predictive Maintance – aby maszyny nie przestawały działać
„Condition Monitoring“ wykrywa nawet najmniejsze zmiany w serii danych wartości zmierzonych – na przykład odgłosach pracy maszyny – rozpoznając możliwe problemy w pracujących liniach produkcyjnych, takie jak zużycie lub nieprawidłowe działanie. Klasyfikuje je i wyzwala odpowiednie reakcje. Z kolei „Predictive Maintenance“ na podstawie analizy serii danych przewiduje usterki i awarie poszczególnych urządzeń lub całych parków maszynowych. Pozwala to na precyzyjne planowanie prac serwisowych i konserwacji. Przestoje zostają ograniczone do minimum, a identyfikacja usterek oraz naprawy trwają znacznie krócej.
„Explainable AI“ (XAI) – zrozumieć wyniki AI
Czy AI w przemyśle ma również wady? Thomas Rauschenbach wyjaśnia: „Dużym wyzwaniem w zastosowaniu niektórych procesów uczenia głębokiego jest fakt, że nie możemy jednoznacznie zinterpretować wyników dostarczanych przez sztuczną inteligencję“. O ile w przypadku analiz statystycznych można logicznie wyjaśnić wyniki, to w przypadku bardziej złożonych i samouczących się algorytmów jest inaczej. „W przypadku procesów AI wiele aspektów przypomina czarną skrzynkę. Jeżeli wynik nie pasuje, trudno jest wyjaśnić, dlaczego“, mówi prof. Rauschenbach. Dlatego właśnie jednym z ważniejszych tematów badań Towarzystwa Fraunhofera jest „Explainable AI“ (XAI), czyli wytłumaczalna sztuczna inteligencja. Ma ona w sposób transparentny i zrozumiały wyjaśniać, w jaki sposób AI uzyskała określone wyniki.
You would like to receive regular information about Germany? Subscribe here:
