hirdetés
hirdetés

Hazai MI-beszállítók

Profitnövelő eszköz

Riportunkban olyan hazai cégek képviselőit kérdeztünk meg a big data, a mesterséges intelligencia (MI), illetve a gépi tanulás témájában, akik már ipari vagy gyártói környezetben használják ezeket az új technológiákat.

hirdetés

Technológiai körképeinkben jellemzően olyan megoldásokról és esetekről számolunk be, amelyek segíthetik a gyártó és iparvállalatok vezetőit, döntéshozóit eligazodni a digitális transzformációban a már megvalósult projektek tapasztalatain keresztül. Mostani cikkünkben olyan beszállítókat mutatunk be, amelyek gépi tanulással, mesterséges intelligenciával hajtott algoritmusokkal segítik a cégeket, hogy minél nagyobb bevételt tudjanak generálni.

Az ipar 4.0 alapját a mind olcsóbb és gyakoribb szenzorok hálózata, a mesterséges intelligencia és az azon alapuló gépi tanulás alkotja, és mindezt az adatok hajtják meg, amikből a neurális hálózaton betanulja a gép, hogy mi az optimális, hatékony. A legtöbben használnak olyan eszközt (pl. közösségi oldal, chatbot, Spotify, Netflix), amelynek működése mögött már ott a mesterséges intelligencia, a gyárakban pedig a megrendelés előrejelzésétől kezdve a prediktív karbantartásig megjelenhetnek ezen technológiák.

Adatok profitra váltása

Neuronhálózati mintákon alapuló mesterséges intelligencia használatának egyik fontos területe a prediktív analízis, amely során kizárólag historikus adatokra támaszkodva, mintázatok elemzéséből von le szabályszerűségeket.

Ma már minden iparágban gyűjtik az adatokat a gyártást érintő folyamatok során, legyen szó termelésről, beszerzésről, megrendelésekről, értékesítésről vagy ügyfélszolgálatról. Ezek az adatok táplálják a gépi tanulást, a mesterséges intelligencia technológiájával felvértezett rendszereket. Adatok nélkül ezek nem tudnának tanulni, fejlődni, sőt létrejönni sem. Az adatok üzleti döntéseket támogatnak a stratégia kialakításától a napi működésig.

A mesterséges intelligencia ipari alkalmazásához értő szakemberekből kevés van a piacon, ezért nagyon-nagyon magas az áruk, ez teszi a MI-projekteket drágává. Megoldás a vállalati képzésben van. A szervezeteknek ki kell képezniük a saját adattudósaikat, szakértőiket, „el kell terjeszteni az adatos gondolkodást!” – ezt Nagy-Rácz István mondja, a Dmlab vezetője, ahol amellett, hogy segítik a vállalatokat abban, hogy eljussanak az adatalapú döntéshozatalig, zászlajukra tűzték, hogy megtanítják az érdekelteket, hogy mire és hogyan használhatók az adatok. „Olyan vállalati programokat nyújtunk, amelyekben a vállalat munkatársaival közösen építjük meg egy adatos projekt prototípusát, és így a cégek munkavállalói valós problémákra keresnek megoldást a vállalat saját adatvagyonában, és így tanulhatják meg a szükséges data science, gépitanulás-, AI- vagy big data ismereteket, amelyeket a képzést követően egyből tudnak a napi munkájukban kamatoztatni. „Beszállítóként dolgozunk, de minden know-how-t átadunk, és magát a kódot is, hogy a lehető legtöbb tudást szerezzék meg a partnereink egy projekt során.”

Nagy-Rácz István, Dmlab alapító
Nagy-Rácz István, Dmlab alapító

A leíró adatoktól a gépi tanuláson át a bevételnövekedésig

Az adatok döntéshozatalhoz, előrejelzésekhez való felhasználásáig eljutni bonyolult folyamat, amihez sokrétű tudásra és az üzlet adatait ismerő és értő csapatra van szükség. Egy átlagos magyar szervezet ma ott tart, hogy standard leíró riportokat, illetve kérdések esetén ad hoc riportokat használ, esetleg már vannak statisztikai elemzések, beállított figyelmeztetések. A következő szint, hogy online platformon elérhető real time riportokat lássunk.
Ezek alapján készülhetnek aztán előrejelzések, amelyek segítenek a jövőbe látni. Az adatvezérelt vállalatoknál pedig nemcsak pontos előrejelzések működnek, hanem a teljes szolgáltatás működését is algoritmusok optimalizálják. Ennek a mérési pontok meghatározása és kialakítása az alappillére, ez után a vállalati data scientistek olyan kimutatásokat, előrejelzéseket készítenek, amelyek mentén adatokra támaszkodó döntéseket lehet hozni, optimalizálni vagy épp automatizálni lehet a folyamatokat, ahol már jelen van a gépi tanulás. „A Kaggle data scientisteket tömörítő online platform felmérése szerint az adatos projektek 60%-a azért bukik el, mert szervezeti problémák miatt végül nem adatok alapján születnek a döntések. Ahhoz, hogy egy szervezet adatvezéreltté válhasson, olyan kollegákra van szükség, akik értik és használják az adatokat, bíznak bennük. A legtöbb esetben úgy dolgozunk, hogy miután felmértük, hogy az elemzés melyik szintjén áll egy szervezet, közösen építünk egy prototípust a következő szinthez. Utána éles teszttel bizonyítjuk, hogy egy jó adatelemzési módszerrel elérhető az üzleti előrelépés, és csak ezután lépünk tovább. Ez egy evolúciós folyamat, ahol végig kell járni a lépcsőket függetlenül attól, hogy a kihívás a folyamatokban, a pénzügyekben, az értékesítésben vagy az emberi erőforrásokban van” – jelzi Nagy-Rácz, hogy a gépi tanulásos módszerek milyen széles spektrumon használhatók egy szervezeten belül.

Nem intelligens, de okos

A BI (business intelligence – üzleti intelligencia) lehetőségeit akkor használhatjuk ki a legjobban, ha a döntéshez szükséges adatokat minden lehetséges forrásból, a vállalaton belülről és kívülről is beszerezzük és feldolgozzuk. Ezeknek a sokszínű adatoknak az integrálása és feldolgozása adja a gépi tanulási módszerek intelligenciáját.

Az üzleti intelligencia a 21. századi vállalatirányítás kulcseleme, a vezetőknek, döntéshozóknak egyre nagyobb adathalmazokból kell értelmes, értékes információkat kinyerniük és a gyártás, a beszállítás és szervezet teljesítményét is nyomon követniük, egyre pontosabb előrejelzéseket kell adniuk, hogy versenyképesek maradjanak. 

A BI, vagyis business intelligence az üzleti adatok felderítését takarja, amely az adatok adatalapú döntéshez szükséges felkutatását, előkészítését és prezentációját jelenti. 

A BI szükségességének tanulságát egy példán keresztül tudjuk a leginkább szemléltetni, amit Salga Pétertől, a Dyntell CEO-jától idézünk: „BI-bemutatót tartottunk egy vállalatnak, amikor az értékesítő kollégánk rákötötte a cég élő adatbázisát a BI-rendszerünk demóverziójára, és ellenőrizte egyszerű, de szemléletes példaként, hogy hány darab szállítólevél nem lett kiszámlázva a vállalatnál az elmúlt öt évben. Pillanatok alatt fény derült egy sok millió forintos nagyságrendű kintlévőségre, amelynek hatására már a bemutató alatt lázas telefonálásba kezdett a vállalatvezető, hogy ezeket a számlákat azonnal állítsák ki. Tipikus eset, a BI-szoftver már akkor megtérül, amikor még be sincs vezetve.”

Salga Péter, CEO-  Dyntell
Salga Péter, CEO- Dyntell

A mesterséges intelligencia és az ipar 4.0-megoldások gyártóközegben történő alkalmazása a versenyképesség alappillérévé vált, erre épít a Dyntell (Dynamic Intelligence) is. A vállalat elsősorban a kis- és közepes vállalkozásokat megcélzó ERP vállalatirányítási rendszeréről (Dyntell ERP) ismert, de emellett fejlesztenek és bevezetnek egy dinamikusan fejlődő üzletiintelligencia-rendszert is, a Dyntell BI-t. A cégek a BI-t általában az adatvizualizációhoz és a döntések előkésztéséhez használják.

„Van egy gépi tanulással foglalkozó csapatunk, és mivel üzleti adatokkal dolgozunk, hamar kialakult nálunk az idősorok elemzése” – mutatta be Salga a Predynt-csapatot, amely az MI-vel foglalkozik a Dyntellnél.
Az idősor az, amikor az idő menetében rendelkezésre állnak adatok. Tipikusan ilyenek lehetnek egy vállalat rendelésállományának az adatai, amelyek megmutatják, hogy mikor milyen rendelés van folyamatban, továbbá a gyártósorról, gépekből származó adatok is lehetnek idősorok.
„Ha elég sok adat szerepel az idősorban, akkor lehet a mintázatokat elemezni, erre léteznek különféle módszerek a gépi tanulásban. Regressziós algoritmusok és neurális hálók mutatják meg statisztikai módszerrel, hogy milyen következő mintázat várható az elkövetkezendő időben.”

MI – hány darab kell?

Salga Péter élelmiszeripari példával mutatta be az előrejelzés tudományát. „Egy sütőüzem – egy ingatlan- és szállodaüzemeltető cégcsoport tagja – a saját hoteleit és kisebb pékárúüzleteket lát el termékekkel. Az volt az igény részükről, hogy mondjuk meg/jósoljuk meg, hogy a különböző pékárukból várhatóan mennyi fog fogyni, például hány kiflire lesz szükség másnap. Azzal, hogy meg tudjuk jósolni előre, hogy mennyi kifli fog fogyni egy adott boltban adott napokon, profitot tudunk növelni. Hiszen ha többet állítanak elő, mint amennyi kellene, akkor kárba vész a fölösleg, ha kevesebbet, akkor pénzt hagynak az asztalon.” Hosszú, két hónapos tesztidőszak alatt nemcsak az adott idősor mintázatait, de külső idősorokat is vizsgáltak, mint az időjárás, ünnepnapok, tanítási időszak, euróárfolyam szerepe stb. „Sok olyan érzékeny paramétert lehet meghatározni, amelyekre fókuszálva ki tudjuk elemezni, hogy a múltban mi volt hatással a fogyasztásra.” Ezek az előrejelzések automatikusan beérkeznek a péküzem vállalatirányítási rendszerébe, és ez alapján állítják elő a következő napra szükséges pékárut.

Kutatások a hatékonyság szolgálatában

A SZTAKI a 80-as évek óta foglalkozik gépi tanulással és mesterséges intelligenciával, kezdetben főleg folyamatfelügyelet, képfeldolgozás kapcsán. Ez azt jelentette, hogy a különböző technológiai műveletek során – mint a fúrás vagy marás – azt vizsgálták, hogy megfelelő-e a minőség, el fog-e törni a szerszám. „A 2000-es évek végétől nagyon felpörgött a digitalizációs téma, és jó néhány alkalmazási terület lett, mert egyre több adat áll a rendelkezésre, ami engedi kihasználni az MI lehetőségeit” – mutatta be ezt a területüket Gyulai Dávid PhD, az MTA SZTAKI mérnöki és üzletiintelligencia-laboratóriumának tudományos munkatársa. Az MTA SZTAKI és a németországi Fraunhofer Kutatóhálózat közös projektvállalatánál, az EPIC InnoLabs Kft.-nél Gyulai koordinálja az ipari adatelemzési és a gépi tanulással kapcsolatos feladatokat, termelésmenedzsmentet és gyártásszimulációt kutat.

Három kiemelt irányt lát Gyulai ezen a területen: „Ami a leginkább érdekli a vállalatokat, az az, hogy mi történik termelés közben, milyen folyamatok vannak, milyen a gépek hatékonysága, állapota, illetve a rendelés státuszának nyomon követése. Ez egy egyszerű adatelemzési terület, ennek kell az első lépcsőnek lennie a cégeknél. A másik terület már ebből következik: az összefüggések feltárása, hogy lássuk, milyen tényezők befolyásolják a termelést, szeretnék látni, ha egy termék rossz, akkor az miért rossz, fontos, hogy vissza lehessen követni, hogy mi történt a gyártás során. A harmadik nagy terület pedig az előrejelzés, akár karbantartásról, akár készletigényről, akár rendelésmennyiségről legyen szó.” A legtöbb projektjük termelésmenedzsmenthez kapcsolódik. Már olyan adatok is gyűjthetők, amelyekkel a termelési paraméterek, az átfutási idők is könnyen kiszámíthatók a gyártás során, és a technológia lehetővé teszi, hogy ezeket már valós időben lehessen kimutatni. „Termelésirányításhoz kapcsolódó adatelemzéssel foglalkozunk. MES-, ERP-, PLC-rendszerben elérhető adatokat próbálunk úgy feldolgozni, hogy azokból a termelésirányító szakembereknek legyen hasznos információjuk.”

Azzal, hogy a vállalatok az ipari adatokat feldolgozzák és az MI rendelkezésére bocsátják, létrejöhet a gépi tanulás, nemcsak hogy adatalapú döntéshozatalt valósítanak meg, de ezeket a döntéseket automatizálni tudják, ezzel javítva a hatékonyságot, biztosítva a több, jobb, olcsóbb termelést.

Trapp Henci
a szerző cikkei

hirdetés
Ha hozzá kíván szólni, jelentkezzen be!
 
hirdetés
hirdetés
hirdetés
hirdetés