Mesterséges intelligenciával az ipar sikereiért

Hogyan használjunk MI-t a gyártó cégünkben?

Ma egy vállalatvezetőnek, döntéshozónak lépnie kell az autonóm termelés és az egyedi tömeggyártás irányába. Ebben a digitalizációs folyamatban tud segíteni egy olyan tanácsadó, aki hidat képez az IT és a vállalati döntéshozók között. Szertics Gergellyel beszélgettünk arról, hogy egy hazai kkv-nak milyen lépéseket kell tennie ahhoz, hogy mesterséges intelligenciát használjon a működéséhez.

hirdetés

GyT.: Hogy került a mesterséges intelligencia (MI) közelébe közgazdászként?

Szertics Gergely: Építettem egy startupot (Analogy Zrt.), amely MI-alapú tudásmenedzsment-rendszereket fejlesztett. Egy olyan szoftvert akartunk létrehozni, amely segíti a személyzeten belüli tudásmenedzsmentnek a működtetését. Akkor még semmi közöm nem volt az MI-hez. Kerestünk egy hasonló problémát, de kiderült, hogy még nem találtak rá megoldást, így belefogtunk a fejlesztésbe, amelynek során egyre mélyebb és mélyebb rétegeit értettem meg a MI-nek. Szabados Levente (MI-szakértő) segítségével dolgoztunk a projekten, amely egy nyelvfeldolgozási technológiára épült. Azt kerestük, hogy bizonyos szöveghez hogy lehet olyan hasonló szöveget ajánlani, ami nem csak a közvetlen kereső kifejezések alapján analóg. Egy problémának tipikusan nehezen fogalmazható meg a mélysége, például a „Bevihetek egy kiskutyát a munkahelyre?” kérdésre nem találunk egy szabályzatban semmit, de az, hogy kisállat bevihető-e, az benne van. Egészen konkrét nyelvfeldolgozási technológiákat építettünk erre fel, ami ügyfélszolgálaton, panaszkezelés területén kiválóan használható. Mindez azért fontos, mert az úgynevezett „dark data” (lásd keretes) a nagyobb része a vállalati adatvagyonnak – ez pedig a természetes nyelvben van eltárolva, mint pl. a telefonhívások átirata, a gyártásban a lean beavatkozások jegyzőkönyvei, vagy az egészségügyben a betegségek leírásai. Ezeken a területeken lehet ezt a fejlesztésünket használni. A cégből én másfél éve szálltam ki, azóta a Kürt Akadémián üzleti döntéshozóknak oktatok MI-t, és az AI Partners tanácsadójaként segítek vállalatoknak, hogyan lehet használni a mesterséges intelligenciát, különböző bevezetési projektekben vagyok támogatási tanácsadó.

Adat a sötétben

A digitalizáció egyik legnagyobb kihívása – ami főleg a nagyvállalatoknál jellemző, amelyek ráültek a big data hype-ra –, hogy annyi adatot generál minden egyes pillanatban, amennyit nem képes feldolgozni. Ezt a rendszerezetlen adathalmazt nevezik Dark Datának. „A Dark Data olyan információtenger, amelyet az egyes szervezetek szokásos (üzleti) tevékenységeik során összegyűjtenek, feldolgoznak és tárolnak, de általában nem tudják további célokra felhasználni.

Forrás: Gartner

GyT.: Mi az ön szerepe a digitális transzformációban/ipar 4.0-ban? Hogy néz ki egy teljes tanácsadási folyamat?

Sz. G.: Én nem az az ember vagyok, aki a technológiát fejleszti, hanem aki megérti, hogy milyen üzleti problémára lehet digitális technológiákat, sok esetben mesterséges intelligenciát alkalmazni. Azt keresem, hogy milyen technológia lenne a legalkalmasabb a megoldáshoz. Abban tudok tanácsot adni, hogy hogyan lehet összekötni a kettőt, a technológiai lehetőségeket (köztük az MI-t) és a problémát. A döntéshozók általában nem ismerik azt a gyorsan fejlődő technológiai spektrumot, amellyel meg lehetne oldani a problémájukat, a technológusoknak pedig kell egy kézzelfogható, specifikált probléma, amelyen konkrétan lehet dolgozni. Nagyon sokszor előfordult már, hogy azt mondja a szállító: az ügyfél nem tudja definiálni, mit akar, ezért nem tudják kiszolgálni. Ekkor jövök én, és segítek a megrendelőnek jobban lebontani a problémákat, és így megfogalmazni, hogy mire van szüksége.

Szertics Gergely
Szertics Gergely

GyT.: Milyen problémákra kell gondolni? Hogy jön rá egy döntéshozó, hogy MI-re van szüksége?

Sz. G.: Sokszoradminisztrációs nehézség esetén – ez egy egyszerű és gyakori példa –, amikor a vállalatvezető felfigyel rá, hogy nagyon sok időt töltenek a kollégák adatbevitellel, holott rengeteg automatizált adatgyűjtési technológia érhető már el. Vagy néha a vezetés felől jön az igény, hogy „meg kéne lovagolni az MI-hype-ot”, ami egy teljesen jogos felvetés. Mellékesen, annyira erősen viszik a hétköznapok híreit a kutatás-fejlesztési eredmények, hogy az már gátolja az embereket az egyszerűbb alkalmazások észrevételében, pl. egy egyszerű selejtválogató megoldásban. A Google-ből jól ismert képkereső MI-t, a „cicafelismerést” selejtválogatáshoz lehet használni, és már vannak is olyan célszolgáltatók, amelyek ilyeneket biztosítanak. Ma már vannak olyan kkv-k, ahol a gyártásirányítást és a logisztikai rendszer irányítását MI-vel vértezték fel, az ehhez szükséges szenzorok vagy az RFID használata már általános. A digitalizáció, amely segíti automatizálni a folyamatokat, az MI bevezetését alapozza meg, az izgalmak ezeknek a technológiáknak az integrálásánál kezdődnek, illetve ott, amikor a gyártásirányítást is rábízzuk a mesterséges intelligenciára.

Chief data officer
Az exponenciálisan növekvő adatmennyiség természetes velejárója, hogy a vállalatoknál egyre inkább igény lesz az adatvagyonért felelős vezetőre. Az adatokkal kapcsolatos ötletek, képességek értékesek, emiatt felső vezetői szinten folyik a gondolkodás. Ennek megfelelően a világban rohamosan terjed a Chief Data Officer-pozíciók megalakulása és az ezzel foglalkozó szakemberek szerepének felértékelődése. Az adat, az adatvagyonnal való tudatos gazdálkodás a vállalati stratégiák, innovációk egyik legfontosabb központi témája.

GyT.: A vállalatok hogyan tudják elkezdeni az MI beépítését a cégükbe? Milyen matekot kell elvégezniük?

Sz. G.: Az adatvagyon-menedzsmentet. Fel kell tárni, hogy hol termelődnek adatok a cégen belül, ezt kell összegyűjteni, feldolgozni és felhasználni. Az a tapasztalatom, hogy jelenleg szét vannak szórva különböző területeken az adatok – logisztikánál a logisztikai adatok vannak, a gyártásnál a gyártási adatok –, ezek összegyűjtése nehéz feladat. Amit látok a kkv-k körében, hogy nem tudják, mi mindent tud a gép, amellyel dolgoznak, hogy mennyi olyan adatot gyűjt, amelyet feldolgozva simán használhatnának a döntéshozásnál. Van egy hazai példa: egy gyárban beállítják a gyártásra a présgépet, a beállításokat rögzítik papírra, ezt beviszik az irodába, ott rögzítik Excelben, majd amikor legközelebb ilyet kell gyártani, előveszik az Excelt, kiírják, újabban kinyomtatják papírra, leviszik a gyárba, betáplálják az adatokat a gépbe, és kezdődhet a gyártás! Igen ám, de mi van, ha hibáztak a beírásnál, vagy a sok paraméterben, például az acél szakítószilárdságánál voltak változók. Ezek az adatok mind a rendelkezésükre állnak, csak különböző helyekről kell behúzni azokat, és ezért kimaradhatnak. Az egy helyre, automatikusan összegyűjtött adatokkal jelentős emberi munka takarítható meg. Persze lehet hatékonyan használni egy Excelt is, de egy napi 480 percből gazdálkodó üzemvezetőnek 10-20 perc is – amíg betölt egy 30 MB-os táblázat – jelentős kiesés. Az MI használatának a gyártásban van a legnagyobb hatékonysága.

GyT.: Kinek kell felkarolnia egy cégen belül a gépi tanulást, az MI-vel támogatott termékek használatát?

Sz. G.: Most a GDPR hajtja, hogy legyen data officer a cégeknél, aki az adatokért felelős. Ő már jellemzően elkezdi végigverni, hogy áttekinthetőek és keresztbe elemezhetőek legyenek az adatok, trendeket, előrejelzéseket készíthessenek belőlük. Tehát azt tudom mondani, hogy hasznos lehet, ha valaki felkarolja ezt a dolgot, de ahhoz, hogy az egyedi tömeggyártás létrejöjjön, mindenkinek benne kell lennie ebben a folyamatban az értékesítéstől a kiszolgálásig. Ugyanakkor nem kell mindig csillagrombolót elképzelni, ha MI-ről van szó: egy már említett, képelemzésen alapuló selejtválogatót egészen elszigetelten is be lehet vezetni, és közben tanulni arról, hogy mit jelent a technológia. De kétségtelen, hogy a nagy potenciál az adatvezérelt gyártásban van.

GyT.: Az adatgyűjtés esetén előbb meg kell határozni, hogy mire akarunk MI/gépi tanulást használni, majd ehhez képest gyűjteni az adatot, vagy inkább az a jó hozzáállás, hogy minden adatot gyűjtünk, és majd felhasználjuk, ha lesz mire?

Sz. G.: Két irányba lehet mozdulni. Egyrészt egy megfogalmazott problémához vagy célhoz el lehet kezdeni átgondolni, hogy milyen adatok kellenek, és beruházni adatgyűjtő rétegekbe, hogy aztán azokat majd elemezni tudjuk. De a legtöbb esetben már van rengeteg adat, amely elérhető, ezeket érdemes egy fedél alá hozni, csoportosítani, és megtanulni kérdezni tőlük. Általában sokkal több gyűjtött információ van, mint amennyit észszerűen ki tudnak használni. Sokszor a különböző eszközökkel, RFID-val, szenzorokkal mérnek mindent a hőmérséklettől a rezgésig, de nagyon fontos, hogy az adatkereslet és -kínálat összeérjen, és ne fulladjon bele senki az adatvagyonba, amelyet felhalmoztak – mint sok nagyvállalat tette. Ők sokszor nem tudják, mit tudnak kezdeni a szuper rendszerükkel, amellyel bár minden mélységig le tudnak menni, de amikor konkrétan használniuk kéne, nem tudják, hogy hova is fúrjanak le. Segíteni kell a vállalatvezetőknek, döntéshozóknak abban, hogy ezeket az adatokat használni tudják, meg kell mutatni, hogy milyen lehetőségek vannak az adatelemzésben. Ez egy új szemlélet, gondolkodás, nem csoda, hogy tanulni kell.

A technológiai és üzleti képzéseken is jól látszik, hogy mindenki rájön arra, az MI szexiségét a nap végén egy szoftverré kell lefordítani. Az első és legfontosabb, hogy használjuk az adatokat: például egy termelési értekezlet adat- és ne szokásalapú legyen.

GyT.: Honnan lesz a technológia? Lehet dobozos MI-termékeket vásárolni?

Sz. G.: Igen, rengeteg dobozos termék van már! Chatbot, képfeldolgozás, a felvett beszéd átírása szöveggé – lehet sorolni az eszközöket. A kutatás, a működtetés és a felhasználóbaráttá tétel során az olyan nagy cégek, mint az IBM, az Amazon, a Google vagy a Microsoft, abban versenyeznek, hogy ki tud jobb platformot biztosítani arra, hogy egyszerű szolgáltatásként lehessen igénybe venni az MI-t. Most is bárki rákereshet, elég beírni a keresőbe, hogy „AI as a service” vagy „AI in supply chain”, és ömlenek a majdhogynem dobozos, egy-egy problémára szakosodott termékek is. Épp hogy ember legyen a talpán, aki el tud igazodni abban, mi hogyan működik. Van olyan app, amelybe ha feltöltöd a képeidet, visszaadja, hogy mi van rajtuk, vagy a biztonsági kamerából érkező adatok alapján kreál egy hőtérképet, hogy merre járnak a vásárlók leggyakrabban a boltban.

GyT.: Mégis, akkor mi az, ami visszaveti az MI elterjedését az iparban?

Sz. G.:  Egyrészt mindenki nagyban gondolkodik, saját MI-fejlesztő csapatban, holott sokszor a már meglévő megoldások használata segíti a folyamat, a szemléletváltás elindítását. Másrészt irreális elvárásaik vannak embereknek az MI-vel kapcsolatban. A mérce a tökéletes. Jogi területen megkérdezték már, hogy tökéletes-e az MI, megtalálja-e a szövegfelismerő az összes vonatkozó passzust, amit keresnek. Visszakérdeztem, hogy a másnapos egyetemista gyakornokok, akiket ezzel bíznak meg, mindet megtalálják? Mi, emberek 95 százalékos pontossággal értjük az emberi nyelvet, néhány gép már 96% körül jár, köszönhetően a gépi tanulásban elért eredményeknek.

Az IBM Watson most azt tűzte ki célul, hogy elsajátítja a racionális, érvelő gondolkodást, ami eddig csak az ember sajátossága volt. Nem irigylem a gyártási oldalon lévő döntéshozókat, nehéz befogadni, hogy mi minden történik az MI területén, de a konkrét eredmények nehezen elvitathatók.

Trapp Henci
a szerző cikkei

hirdetés
Ha hozzá kíván szólni, jelentkezzen be!
 
Cikk[223995] galéria
hirdetés
hirdetés
hirdetés

Kiadónk társoldalai

hirdetés