Tekoälystä on puhuttu viime vuosien aikana paljon, mutta onko sitä osattu käyttää tehokkaasti hyödyksi? Tekoälyn sovelluskelpoisin osa-alue, koneoppiminen, mahdollistaa käyttökelpoisen tiedon louhimisen haasteellisena pidetyn rakenteettoman datan piiristä, joka muodostuu tyypillisesti teksti-, ääni- ja kuvalähteistä. Onnistuneen louhinnan lopputuloksena saadaan rakenteellista dataa, jota voidaan hyödyntää sovelluskohteen ohjauksessa ja raportoinnissa joko yksinään, tai yhdistettynä ympäristön muihin mittareihin.
Rakenteeton data, digitalisaation hyödyntämättömin tietolähde
Kuinka moni tehdas tai järjestelmätoimittaja hyödyntää automaatio- tai ohjausjärjestelmän ongelmatilanteiden selvittämiseen tekoälyä? Yleensä prosessissa syntyvä loki-data ja viestiliikenne lyhyeltäkin ajanjaksolta saattaa olla useita gigatavuja. Datamassan manuaalinen analysointi on aikaavievää ja juurisyyn löytäminen saattaa osoittautua mahdottomaksi tilanteissa, joissa ongelma esiintyy harvoin ja satunnaisesti.
Tekoälymalleilla tapahtumalokien reaaliaikainen analysointi ja poikkeavuuksien havainnointi onnistuu helposti ja nopeasti, juuri oikeilta ajanjaksoilta. Kun tarkat ajankohdat ja poikkeavat lokimerkinnät löydetään automaattisesti, myös järjestelmäasiantuntijoiden työ tehostuu. Liikkeelle pääsee nopeasti, sillä poikkeavuuksia voidaan havaita useilla aikatasoilla, esimerkiksi tunti-, vuorokausi-, viikko-, kuukausi- ja vuositasolla.
Yksi vuoden 2017 syväoppimisen menestystarinoista oli puheentunnistuksen tarkkuuden saavuttaessa ihmisen kyvykkyyden. Saavutuksen tekee merkittäväksi myös se, että samaa koneoppimisen mallia voidaan hyödyntää offline-tilassa. Malli voidaan integroida koneisiin, puettaviin laitteisiin ja työympäristöön vapauttaen työntekijöiden kädet varsinaiseen työhön. Ääntä voidaan hyödyntää lisäksi lukuisilla muilla tavoilla. Yksinkertaisimmillaan äänen taajuuksien muutoksista ennustetaan koneen huoltotarve.
Syvät neuroverkot mahdollistavat myös kuva- ja videomateriaalin automaattisen läpikäynnin. Teknologian tekee mielenkiintoiseksi se, että videomateriaali voidaan käsitellä tarkasti ja reaaliajassa. Analyysi tuottaa kuvasta tunnistetut objektit ja koordinaatit mittapisteiksi. Tarvittaessa ihmisistä voidaan tutkia myös tunnetila.
Pilviyhteyttä ei analyysiin tarvita, sillä neuroverkkoa ajetaan paikallisesti edge computing -tyylisesti. Yksityisyyden suoja voidaan varmistaa tuhoamalla kuvatallenne analyysin jälkeen, eikä sitä tarvitse tallentaa. Tyypillisesti pilveen lähetetään vain analyysin tulokset.
Videon reaaliaikainen analysointi on erinomainen työkalu ihmisvirtojen analysointiin, työmaan valvontaan, varusteiden asianmukaisuuden tarkistukseen sekä näyteikkunoiden, liikekeskuksien ja kiinteistöjen toimivuuden optimointiin ja käyttäjäkokemuksien arviointiin. Valmistavassa teollisuudessa tuotteen laadunvalvontaa voidaan helpottaa. Moni prosessi on edelleen riippuvainen silmämääräisestä tuotteen laadun tarkistuksesta. Tekoälyllä tuotteen visuaalista laatua voidaan itseohjautuvasti valvoa ja tarvittaessa jopa tuotantolinjasto pysäytetään hävikin minimoimiseksi.
Tekoäly ei yksin riitä
Lausahdus: ”Tekoäly on hyvä renki, mutta isännäksi siitä ei ole”, on hyvä analogia sille, miten tekoälyyn tulisi suhtautua ja vielä tärkeämmin kuinka käyttöönotto tulisi tehdä. Tekoäly yksin ei vielä ratkaise mitään. Tekoälystä saadaan paras hyöty irti, kun se integroidaan osaksi järjestelmää, joka mahdollistaa tekoälyn jatkuvan kouluttamisen, ennusteiden visualisoinnin ja ymmärtämisen.
Pohjimmiltaan tekoälyn lisäarvo tulee sen kyvystä luoda tarkkoja ennusteita satojen, tai jopa tuhansien muuttujien syötetiedoista. Esimerkiksi syväoppimiseen pohjautuva objektien tunnistuksen suorittava neuroverkko ottaa sisään kuvan pikselit ja antaa ulos ennusteen siitä, millä todennäköisyyksillä mitäkin objektia kuvassa esiintyy.
Ennusteet ja päätöspuut toimivat apuna päätöksenteossa. Tekoäly oppii ennustamaan käyttäjien toimintamalleja annettujen esimerkkipäätösten perusteella. Kun tekoälyn toteuttama malli saavuttaa riittävän tarkkuuden, voidaan reaalimaailman toimintojakin halutessa automatisoida.
Mallin riittävä tarkkuus määritellään tapauskohtaisesti. Esimerkiksi, jos tavoitteena on ohjata valokytkintä videokuvan perusteella, automatisointi voidaan tehdä huoletta, koska seuraus väärästä ohjauksesta ei ole kovin merkityksellinen. Toisaalta, jos yksittäinen virheellinen toiminto on ihmiselle vaaraksi tai aiheuttaa merkittäviä kustannuksia, ennusteen tarkkuuden tulisi olla huomattavasti parempi verrattuna edelliseen tapaukseen ennen automatisointiin ryhtymistä. Liiketoiminta- ja riskilaskelmat tulisi tehdä aina ennen automatisoinnin tason nostoa.
Avoimet rajapinnat ja standardointi ovat oleellinen osa onnistunutta integraatiota. Teollisuudessa laitteiden yhteisen rajapinnan tärkeys on ymmärretty jo vuosikymmeniä. Mallioppilaana mainittakoon OPC UA. Tekoälyratkaisujen onnistuneessa käyttöönotossa Wapicen laaja-alainen teknologiaosaaminen järjestelmähierarkian kaikilla tasoilla, sulautetuista järjestelmistä pilviratkaisuihin, yhdistettynä data analytiikkaan, on osoittautunut erinomaiseksi yhdistelmäksi.
Wapice käyttää tekoälytyyppisiä toimintoja myyntijärjestelmien, IoT-järjestelmien ja räätälöityjen asiakasjärjestelmien yhteydessä. Tekoäly auttaa myös itse ohjelmoinnissa ohjelmistokehitysjärjestelmien ja testausjärjestelmien yhteydessä. Ei ole liioiteltua sanoa, että tekoäly on lähitulevaisuudessa yksi tärkeä elementti lähes kaikissa ohjelmoitavissa järjestelmissä.
Alkuperäinen kirjoitus julkaistu Tekniikka ja Talous kumppaniblogissa 25.10.