Den senaste starka utvecklingen av AI-teknologi (AI = Artificiell Intelligens) har gjort att verktygen för datanalys har blivit enklare och mera allmänt tillgängliga, samt att ett stort antal exempel finns tillgängliga. Dessa exempel kan dock inte på ett enkelt sätt användas för att lösa problem i (den tillverkande) industrin, varför denna handledning har tillkommit.
Handledningen kommer kortfattat beskriva de steg som behövs för att tillämpa AI-teknologi, samt även belysa hur annan kunskap bör vävas in.
Hur tjäna Statmed Research på detta ? Statmed Research kan erbjuda traditionella konsult tjänster såsom; rådgivning, genomförande, validering. Då Statmed Research är ett forskningsbolag består värdet i att kunna tillämpa nya ideer kring metoder,tillämpning och affärskoncept.
Statmed Research kommer att erbjuda en online platform, där användarna kan genomföra det rent tekniska arbete.
Målgrupp för denna handledning är främst den tillverkande industrin, men även annan näringslivsverksamhet kan tänkas kunna tillämpa AI-teknologi och övrig kunskap kring tillämpning.
Den AI-teknik som behandlas här, kan betecknas som maskin inlärning (ML = machine learning).
Ideen med maskinell inlärning är att man lär maskinen eller snarare en maskin-simulator hur man bäst bör använda den, sedan kan maskin-simulatorn styra den optimalt. Vad som anses vara optimalt defineras i allmänhet vid inlärningen. Mera avancerade tillämpningar klara av att optimera sig själva, där dock forfarande människan bestämmer vad som är optimalt. Förenklad kan maskininlärning betecknas som en multiparameter analys resp. styrning.
Måldefinition: varför skall AI-teknik (ML) användas, vilka problem/förbättringar vill man åstadkomma ? Vad är mervärdet som förväntas ? En företagsledning bör vara tydligt med vad och varför man vill införa ML. Följande standard mål finns; prediktiv underhåll, kvalitetsoptimering, optimerade produktionsflöden. Det kan vara lämpligt att förutom ett huvudmål bryta ned införandet av ML till några delmål, dels för att enklare kunna kontrollera införandet, men ochså för att ge möjlighet till iterationer. Många gånger behöver man koppla ihop statistisk process styrning (SPS) med maskin inlärning, varför det kommer vara viktigt att förstå företagets nuvarande kompetens resp. utvecklingsgrad, samt kunna kommunicera den inlärningskurva resp. arbetsprocess förändring som företaget förväntas genomgå.
Utbilda: Genom att utbilda personal och ledning skapas en gemensam målbild och konsensus. Oftast kan personalen bidrar med väsentlig kunskap, samt att tid för hantering av eventuella rädsla för uppsägingar, etc finns. Man bör utse 1-2 personer som skall bli "experter" på att använda simulatorn, samt vid behov klara av att underhålla simulatorn.
Datainsamling: vilka data behövs för att kunna nå målet ? Data i detta sammanhang avser både data-uppgifter som bekriver målet samt data som kan användas för att åstadkomma mål-data. Man kan uttrycka det på ett enklare sätt, vilka parametrar påverka tillverkningen/maskinen samt hur med vilka parametrar mäter man att målet uppnås - oftast en produkt inom specifikation för en viss tillverkningshastighet.
Simulatorträning: I detta skede väljer man baserad på de data som finns tillgångliga och den målbild man vill uppnå vilken sorts simulator som behövs. Med simulator avses i detta fall vilken numerisk berkningsmodell som används.
Resultat validering: Här görs en validering dvs utvärdering hur bra simulatorn klara av att simulera verkligheten. I vissa fall kan man konstatera att man behöver komplettera anatal indata parametrar eller öka mängden indata.
Produktions Implementering: I vanlig fall kommer man alltid vilja använda simulatorn för rådgiving till en människ först (som använder Egen Intelligens - EI), för att skapa ett förtroende för användning av simulator baserad produktionsstyrning. I ett andra skede kommer man sedan att tillåta simulatorn att ha en mera direkt styrsnde funktion. I många fall uppnås målet redan då simulatorn kan kopplas in så att den avläser indata för simulaeringen dirket i tillverkningen, men ingen aktiv styrning sker utan istället ges information för inställning eller åtgärd till en människa som då få agera på den givna informationen. Det är viktig att förstå i detta sammanhang att beronde på tillämpning så måste indata skapas i realtid och kunna matas till simulatorn. Datainsamling kan ske på olika sätt, oftast kan man hämta vissa data direkt från produktionssystem resp. utrustningar - SCADA, MES, PLC, osv. Realtidskravet måste anpassas mot målet och den konkreta tillämpningen.
Underhållsuppdateringar: Simulatorn kan behöva uppdateras dvs. ny numerisk inställning (träning) kan behövas efter att mekanisk underhåll eller reservdelsbyten har utförts. Även vid införandet av nya produkter kan en ny träning krävas.
Sammanfattningvis kan det var extremt viktigt att ifrån början sätta sig ned och skriva ned en vision om målet samt hur det praktiskt kan implementeras. Erfarenheten visar att man ofta misslyckas med den praktiska implementation i produktionen eller att det visar sig svårt att nå det eftersträvade målet till 100%.
Kommentar beträffande kompetensbrist: utbilda personal ! Beräkningsverktygen blir bättre och enklare att använda. För en given tillämpning kan arbetet minimeras till några enkla knapptryckningar då man idag kan paketera all datahantering och processering.
Förutom måldefinitionen kan även datainsammling och förprocessering tar mycket tid. Beroendet på i vilket schick data är måste de förbehandlas för att passa simulatorn. Då det gäller simulatorn kan en vis modelinjustering för ett givet mål behöva göras, vilket i viss mån behöver iterars fram genom praktisk testning - dvs ett antal simulator träningar behövs. Själva beräkningar tar inte lång tid i jämnförelse med förbehandlingen. Generellt sätt kan sägas att man bör gensomför en pilot resp förstudie där en paraktisk "demo" av målsimulatorn tags fram. Det initiella framtagning dvs programmeirng av databehandlingsverktygen kommer ta tid. - Dock beror behovet av denna databehandling mycket på vilka data och på vilket sätt de är tillgängliga, t.ex. SQL-databas, Excel-fil, textfil, papper.