Aktuální vydání

celé číslo

11

2018

SPS IPC Drives 2018

Elektrické, hydraulické a pneumatické pohony

celé číslo

Diskuse o simulacích, modelování, umělé inteligenci, průmyslu, současnosti a budoucnosti

Opatrně jsme požádali o názor k tématu umělé inteligence, simulací a modelování zástupce několika společností a také akademických institucí. K našemu překvapení jsme obdrželi nejvíce příspěvků za dobu organizování odborných diskusí v našem časopise. A to ještě několik zájemců nestačilo své odpovědi dodat do uzávěrky, takže do článku nemohly být zařazeny. V některých názorech jsou účastníci diskuse vzácně jednotní, v některých dochází k názorovým střetům. Tomu jsme opravdu rádi, protože jen tak se lze na problém podívat z více stran. Vzhledem k tomu, že se diskuse zúčastnili respondenti nejen z ČR, ale také z Velké Británie a Slovenska, získala mezinárodní charakter.

Do diskuse svými odpověďmi přispěli: Peter Bílik, Solution designer Anasoft APR, s. r. o., David Sámek, Ph.D., Axiom Tech, s. r. o., prof. Ing. Vladimír Mařík, DrSc., dr. h. c., ředitel CIIRC ČVUT, doc. Ing. Josef Kokeš, CSc., Vysoká škola podnikání a práva, a. s., prof. Ing. Mirko Navara, DrSc., FEL A CIIRC ČVUT, Jan Burian, senior manažer oddělení podnikového poradenství společnosti EY, Ing. Otto Havle, CSc., MBA, jednatel, FCC průmyslové systémy, s. r. o., Ing. Jana Řešátková, Manufacturing Coverage Lead, DXC Technology, Ing. Jaroslav Jirkovský, Ph.D., Senior Application Engineer, Humusoft, s. r. o., Rick Rider, produktový ředitel pro platformu Infor Coleman AI ve společnosti Infor, Ing. Jaromír Hvížďala, jednatel firmy JHV – ENGINEERING, s. r. o., Ing. Petr Brynda, Business Development Manager, Mitsubishi Electric Europe B. V., Ing. Petr Kadera, Ph.D., vedoucí skupiny inteligentních systémů pro průmysl a distribuční sítě CIIRC ČVUT, Ing. Martin Peter, specialista na bezpečnost, BI a SQL databáze, OSIsoft Czech Republic, s. r. o., prof. Ing. Vilém Novák, DrSc., ředitel Ústavu pro výzkum a aplikace fuzzy modelování Ostravské univerzity a divize superpočítačového centra IT4Innovations v Ostravě, doc. Ing. Petr Horáček, CSc., Rockwell Automation, a doc. Dr. Ing. Vladimír Kebo, expert Technologické agentury ČR. 


Znalost principů modelování a simulačních nástrojů je podmínka nutná, nikoliv postačující

Modelování a simulace předpokládají značné multidisciplinární znalosti o modelovaném procesu a na druhé straně o vhodných simulačních nástrojích. Je cestou úspěšného řešení vytváření týmů, nebo snaha vychovávat odborníky, kteří se orien­tují v podnikových a technologických procesech a zároveň v metodách simulace a modelování?

Peter Bílik (Anasoft): Jednoznačně je cestou vytváření řešitelských týmů. Stejně tak v naší společnosti ANASOFT vytváříme inovativní řešení i díky tomu, že členy jednotlivých týmů jsou i absolventi elektrotechnických inženýrských odborů, i teoretičtí informatici a analytici. Vnímám ale, že se neustále zkvalitňuje nabídka různých modelovacích a simulačních nástrojů. Jsou neustále intuitivnější a zejména mladá generace bere tyto aplikace jako úplně přirozený nástroj pro jejich práci. Snad je to způsobeno i tím, že mají již od malička zkušenost s vytvářením virtuálních světů a simulováním různých procesů v podobě počítačových her. Stále víc se proto můžeme setkat s označením post-profesní společnost. V buducnosti pravděpodobně vznikne vrstva tzv. paraprofesionálů – lidí trénovaných na určité úkoly, kterým budou asistovat technologie se specifickou schopností. Taktéž se zřejmě vytratí pracovníci s „jedním zaměstnáním na celý život”. Rychlost technologického vývoje bude lidi tlačit do neustálého učení se. Proto doufám, že ani odborníci s multidisciplinárními znalostmi nebudou raritou. Proto bychom se měli zaměřit zejména na hledání efektivních způsobů přenosu zkušeností. 

David Sámek (AxiomTech): Ačkoliv možnosti softwarových simulačních nástrojů velmi pokročily, není možné se při jejich používání obejít bez znalostí dané problematiky. Nepochybně je třeba hledat či vychovávat odborníky na simulované technologie. Bez těchto specialistů není možné simulační nástroje efektivně používat. 

Vladimír Mařík (CIIRC ČVUT): Domnívám se, že je třeba vychovávat především odborníky na simulaci a modelování a potom či přitom je orientovat na potřebné aplikační oblasti. Odborníka se znalostmi modelování můžeme považovat za určitý typ znalostního inženýra – a tito mívají schopnost systémového proniknutí do libovolné aplikační oblasti. Samozřejmě je možné jít i opačnou cestou, ale tam z vlastní praxe vidím potenciálně menší úspěšnost. 

Josef Kokeš (VŠPP): Jak známo, existuje jediná možnost, jak na to s definitivní platností odpovědět: vyzkoušet to v praxi. Ovšem jednoduchá úvaha říká, že vychovat si tým lidí, kteří by byli odborníky současně v technologických procesech i v metodách simulace, to je běh na příliš dlouhou vzdálenost. Osobně bych k tomu byl skeptický, a to jak z časových důvodů, tak i z důvodu financování. Jako nadějnější (ne však příliš) bych viděl první možnost, tzn. vzít už hotové odborníky z různých oborů a dát jim šanci uplatnit se jako individuality uvnitř společného týmu. Ten tým by mohl být sestaven ad hoc a mohl by být i dosti neformální; s dnešními komunikačními možnostmi by to asi nebyl problém. Otázkou ovšem je motivace a management takového týmu. 

Mirko Navara (ČVUT): Asi se neobej­deme bez lidí, kteří mají přehled o obojím. Komunikace mezi lidmi s hodně rozdílným vzděláním je obtížná a zabere hodně času. Ten, kdo má aspoň orientační znalosti ve všech potřebných oblastech, může přinejmenším hodně usnadnit domluvu. 

Jan Burian (EY): Problematiku simulace a modelování známe i z jiných oblastí, než je výroba. V té se osvědčilo spíše rozdělení na „byznys experta“ a odborníka na tvorbu simulací, tedy dvě různé osoby. Ideální by samozřejmě bylo mít experta „all in one“, ale to je vzhledem ke komplexitě znalostí a neustálé potřebě se multidisciplinárně rozvíjet v podstatě nemožné. Proto vnímáme jako efektivnější cestu vytváření týmů, i když v reálném životě se určitě může vyskytnout někdo, kdo ve vybraných oblastech dokáže pokrýt obě kompetence. 

Otto Havle (FCC průmyslové systémy): Vychovávat odborníky a vytvářet týmy je samozřejmě nutné ve všech oblastech lidské činnosti. Problémy v komerční sféře jsou však řešeny hlavně zaváděním inovací, v tomto případě předpokládám inovaci obchodního modelu (mluvím o tom v odpovědi na třetí otázku).

Jana Řešátková (DXC Technology): Základem jsou odborníci se znalostmi podnikových a technologických procesů, kteří jsou součástí týmů modelování a simulací. Je to stejné jako při stavbě domu – architekt může navrhnout, co chce, ale pouze odborník je garantem realizovatelnosti. Spoluprací jeden obohacuje zkušenostmi druhého. Jsou to spojené nádoby. Na prvním místě stojí člověk, komunikace a týmová spolupráce. 

Jaroslav Jirkovský (Humusoft): Nejefektivnější je využívat takové nástroje, kde odborníci na podnikové a technologické procesy nemusí být zároveň specialisty na simulaci, a přesto dokážou modelování a simulace efektivně využívat. V oborově specializovaném týmu pak postačuje mnohem menší počet odborníků zaměřených přímo na simulaci, kteří tým při práci koordinují nebo řeší specifické otázky modelování, kde je potřeba hlubší znalost daného nástroje. 

Rick Rider (Infor): Je korektní předpokládat, že strojové učení a mechanismy hlubokého učení dnes vyžadují určitý stupeň porozumění vědeckému zpracování dat. Ovšem když se skutečně podíváte na technologie a jejich vývoj, není to tento případ. Většina algoritmů, jež analyzují problémy a situace v organizacích, se v posledních 20 až 30 letech v podstatě nezměnila. Proto se při práci s naší platformou AI snažíme významně redukovat úroveň požadovaných znalostí a eliminovat potřebu zkušenosti s programováním. Snažíme se poskytnout systém, který uživatelům umožňuje vyzkoušet skutečnou umělou inteligenci s využitím běžných nástrojů uživatelského rozhraní. Uživatelé nemusí znát detaily za oponou, místo toho by se měli zaměřit na to, jak získat zajímavé soubory dat, aplikovat na ně algoritmy AI, generovat analýzy či predikce a prezentovat je ve snadno pochopitelném, vizualizovaném prostředí. A když se jim výsledky zamlouvají, mohou takovouto inteligenci rozšířit na všechny oblasti svého podnikového softwaru. 

Jaromír Hvížďala (JHV – Engineering): Výchova odborníků je nutná vždy. Jsem přesvědčen, že bez kompletních znalostí řešené problematiky je velmi problematické sestavit modely popisující složitý systém. Proto je vytváření týmů odborníků jednou ze základních cest vedoucích k úspěšnému definování modelu. Jedinec nemůže vše obsáhnout. V budoucnu týmům pomůže zapojení umělé inteligence, která bude schopna řešit některé části problému a později i celky. 

Petr Brynda (Mitsubishi Electric): Ano, je to nezbytné. 

Petr Kadera (CIIRC ČVUT): Záleží na konkrétní úloze, ale obecně lze říci, že základní porozumění problematice modelování a simulací by mělo být součástí každého technického vzdělání. Jen tak zajistíme, aby expert na určitou technickou oblast mohl simulace efektivně využívat. Ať už sám, nebo ve spolupráci s odborníkem na modelování a simulace. 

Martin Peter (OSIsoft): Z krátkodobého hlediska se jeví vytváření týmů jako lepší alternativa, jelikož je pouze velmi omezené množství lidí, kteří by byli jak odborníky na technologii, tak měli dostatečnou znalost v oblasti simulace a modelování. Tento model však může narážet na vzájemné nepochopení a z toho plynoucí frustraci. Z dlouhodobého hlediska mně tedy připadá jako nutnost připravit odborníky znalé v obou oblastech, kteří se pak v týmu mohou dále specializovat jedním nebo druhým směrem. 

Vilém Novák (OSU): Odpověď je poměrně jednoduchá: musíme vychovávat odborníky, kteří mají potřebné znalosti a zároveň jsou schopni pracovat v týmu, který vytváří modely technologických procesů, jež vyžadují často velmi specializované znalosti z různých oborů, zejména z matematiky. K tomu je třeba zacílit nejen školní osnovy, ale celkovou atmosféru ve společnosti, kdy matematika nebude vysmívanou oblastí, kterou se zabývá jen pár „bláznů“, ale respektovanou vědou, která sice vyžaduje velké úsilí, ale výsledek stojí za to. Dnes je často tendence rušit katedry matematiky a spojovat je s informatikou. Úzká spolupráce obou oborů je velmi nutná, avšak matematika je a bude stále nenahraditelná. Bohužel se setkávám s typickým problémem informatiků, kteří mají informace o existujících nástrojích, ale jejich podstatě nerozumí a pak je jen naslepo používají a doufají, „že to vyjde“. Jestliže řešení nefunguje, začnou prostě zkoušet jiný nástroj. To je takový „prvobytně pospolný“ přístup, který občas (při troše štěstí) vede k úspěchu, ale jen krátkodobému, a stále zde zůstává problém nevzdělanosti. 

Petr Horáček (Rockwell Automation): Velmi obecná a trochu neurčitá otázka. Pokus o její zodpovězení založím na konkrétním příkladu z vlastní zkušenosti. Velká vodárenská společnost provozující rozsáhlou distribuční síť má v úmyslu optimalizovat provoz sítě ve smyslu zvýšení provozní spolehlivosti tisíců akčních členů, redukčních ventilů tlaku, čerpadel, stavidel, zajištění kvality vody uchovávané ve vodojemech pomocí cyklování, omezení rizika úniků, a to vše navíc s cílem minimalizace nákladů na údržbu a provoz čerpacích stanic. Bez modelu, který v reál­ném čase poskytuje veličiny jako místní tlak, průtok nebo stáří vody, pro které nejsou vždy fyzicky k dispozici příslušné snímače, se provoz sítě v krátkodobém horizontu optimalizovat nedá. Pro optimalizaci v jistém časovém horizontu vždy potřebuji pracovat s predikcí uvedených veličin, a tu jinak než s pomocí modelu nevyrobím. Role modelu je tedy zásadní. Otázkou je, jak a kdo má takový model navrhnout, implementovat, naladit a udržovat. Na každou dílčí oblast má zpravidla zákazník specialistu. Pro výše uvedený příklad tak u vodárenské společnosti najdeme odborníka na čerpadla, ventily, části potrubní sítě, statistiky schopné modelovat odběrové charakteristiky dané oblasti, ale většinou neexistuje nikdo, kdo by byl schopen modelovat vzájemné vazby a vidět technologický proces jako celek. Ve své praxi jsem se nesetkal s jediným zákazníkem, který by třeba jen uvažoval o zřízení pozice, kterou bych pracovně nazval technologickým architektem, respektive architektem řízení, rozhodování a optimalizace. Kdo si někdy zkusil takový projekt, ví, že znalost principů modelování a simulačních nástrojů je podmínka nutná, nikoliv postačující. Neznám vzdělávací obor, který by na něco takového specialisty připravoval. Ano, máme dnes mnoho softwarových platforem pro modelování a simulace s dokonalou vizualizací a možností napojení na technologické databáze, ale to jsou jen nástroje, které někdo musí parametrizovat, naladit a udržovat. Všimněme si, že výrobci těchto platforem nikdy nenabízejí realizaci projektů, protože žádný takový projekt nemůže být pro ně ziskový, a pokud by ziskový být měl, bude cena pro zákazníka neakceptovatelná. Dalším problémem je neop­akovatelnost. Zdánlivě stejné technologické procesy se vždy liší v maličkostech, které ve výsledku neumožňují případnému poskytovateli služby komplexní optimalizace mít nějaký obecný generický model, který by se případ od případu jen upravoval. Nový projekt znamená začít znovu na zelené louce a z toho plyne časová náročnost a cena. Zdálo by se tedy, že řešením je týmová práce specialistů na různé obory. V řadě případů se ale tito specialisté obtížně domlouvají, protože každý používá jiný způsob modelování. 

Vladimír Kebo (TAČR): Tvorba modelu technologického procesu je výsledkem úlohy identifikace, experimenty na modelu a práce s ním spadají do simulace. Modelování bych nevytrhával ze složité identifikační úlohy. Dobrá týmová práce je základem pro úspěšné řešení komplexních problémů, které se dnes objevují na rozhraní technologických a kybernetických oborů. Výrazně zde mohou pomoci a už se využívají například učící se systémy, které však pro svoji efektivní práci často potřebují kvalitně připravená provozní data a tréninkové množiny spojené s praktickou znalostí technologie. Bez praktických znalostí se neobejde jak zadání vstupních dat pro simulace, tak následná interpretace výsledků. Teoretik-akademik bez praktické znalosti technologie se zde může dopustit velkých chyb a omylů. Velkou výzvou je superpočítání, které otevírá nové dimenze identifikace procesů, jejíž součástí jsou modelování a simulace – současně rostou požadavky na aprior­ní teoretické i praktické znalosti.

 

Velké objemy dat z technologických procesů nelze využívat bez aktivní spolupráce s technology

Mnoho společností nabízí službu optimalizace procesů s využitím velkého množství dat (big data) zákazníka. Považujete za možné úspěšně optimalizovat touto cestou nejen například marketingové procesy, ale i technologické procesy v průmyslovém podniku?

Peter Bílik (Anasoft): Považuji to nejen za možné, ale i za nevyhnutné. Komplexnost průmyslových systémů neustále narůstá. Současně i množství informací a faktorů vstupujících do rozhodovacích procesů začíná přesahovat lidské možnosti. Mnohokrát může analýza sesbíraných údajů ukázat korelace, které řídící pracovník následně vyhodnotí jako kauzální souvislost. Bez podpory ze strany datové analýzy by ji možná nikdy neodhalil. Z vlastní zkušenosti poznáme případy, kdy byly analýzou údajů identifikovány příčiny nekvality, ale i nevhodná postupnost pracovních úkonů. Proto ve společnosti ANASOFT věnujeme této oblasti dostatečnou pozornost. Nejen při implementaci řešení sbírajících data z výrobních a dopravních zařízení, ale i v rámci našich vědeckovýzkumných aktivit. Aktuálně se věnujeme využití analýzy velkých dat na detekci vzorců chování odběratelů pro predikci nákupu potřebného množství zboží nebo na identifikaci optimálního rozložení zboží ve skladu. Podobně se v naší výzkumné laboratoři věnujeme i vývoji pokročilých metod na rozhraní člověk–stroj, nástrojům rozšířené reality nebo decentralizovaným řídicím systémům na bázi multiagentové architektury. 

David Sámek (AxiomTech): Při sběru výrobních a procesních dat je získáváno velké množství informací, jejichž „vytěžení“ může přinést například snížení výrobních nákladů a optimalizaci výrobních procesů. 

Vladimír Mařík (CIIRC ČVUT): Používat analytické a optimalizační algoritmy s využitím velkých dat bez pomoci odborníků z aplikační oblasti asi dost dobře nepůjde. Optimalizace je nezbytně spojena se znalostí vlastních procesů; znalosti hrají klíčovou roli při libovolné analýze a navazující optimalizaci. Proto firmy mohou nabízet služby užití obecných nástrojů, ale v konkrétním projektu, pro nějž nemá buď firma, nebo analytický nástroj k dispozici odpovídající znalosti, se bez aktivní a náročné spolupráce s koncovým odběratelem služby nepohnou z místa. 

Josef Kokeš (VŠPP): Určitě ano. Dokonce mám konkrétní poznatky o výsledcích jednoho takového pokusu. Jednalo se o vytěžení „big data“ záznamů z výrobní linky pro zjištění příčiny zvýšené zmetkovitosti. 

Mirko Navara (FEL ČVUT): Ano, ale s výhradami. Jak už zkušenost mnohokrát ukázala, univerzální znalosti (například zde, jak vytěžit a využít big data) jsou dobré, ale nenahradí specifickou zkušenost z oboru. Té je potřeba pozorně naslouchat. Bál bych se svěřit odpovědnost někomu, kdo sice perfektně ovládá softwarové nástroje, ale nezná prostředí, které jimi má řídit. Je bezpočet případů, kdy dobrou a propracovanou myšlenku zmařila úplně hloupá lidská chyba. 

Jan Burian (EY): Za možné to považujeme, již se tak v některých případech děje. Například náš tým, jenž se zaměřuje na pokročilou analytiku, modelování a IoT, navrhl model, který určuje optimální nastavení parametrů v rámci procesu zpracování ropných produktů. Zde byly právě využity principy strojového učení a neuronových sítí. Nástroje pro optimalizace procesů ve výrobní firmě na základě datových analýz běžně existují, avšak co chybí, je jasná představa, čeho lze při jejich využití dosáhnout. Typicky firmy zajímají spíše analýzy týkající se produktivity ve výrobě nebo kvality, což v rozsahu běžné výrobní firmy dokáže zvládnout i MS Excel. 

Otto Havle (FCC průmyslové systémy): Problém je možná v tom, kde ta data vzít. V klasickém spotřebním marketingu se data získávají z průzkumů spotřebního chování. Tam existují zavedené metody, kterými lze opatřit obrovské množství dat, zdánlivě nestrukturovaných, ale prakticky konzistentních. To jsou typicky data ze sociálních sítí nebo platforem. B2B marketing klade důraz na jiné nástroje a získat z trhu dostatečný objem konzistentních dat, která by poskytovala nevychýlené odhady, je v podstatě nemožné. Firmy chrání údaje o svém nákupním chování před konkurencí a data z technologických cloudů jsou pečlivě tajena kvůli firemnímu know-how. A co se týče využití těžby dat uvnitř firmy: ve firmě samotné se data ukládají většinou jako strukturovaná (kdyby to nevyžadovalo manažerské řízení, určitě to bude požadavek při certifikaci systému kvality) a potřebné informace lze získat klasickými metodami. 

Jana Řešátková (DXC Technology): Jistě, o tom není pochyb. Přínos v technologických procesech lze měřit plynulejší výrobou, vyšší kvalitou výrobků a projevuje se v celkovém snižování výrobních nákladů. Moderní výrobní prostředky o sobě ukládají velká množství dat. Jejich automatický sběr, automatická archivace a možnost vyhodnocování v téměř reálném čase výrazně snižují pravděpodobnost výskytu chyb stroje, výrobku či pracovního postupu. Analýza archivních dat z různých časových období je základem vytvoření algoritmů pro identifikaci anomálií a predikci trendů a v neposlední řadě tvoří základ samoučících se algoritmů. 

Jaroslav Jirkovský (Humusoft): Jistě. Více dat znamená více informací a více informací, pokud jsou využity smysluplně, může přinést zlepšení obecně v jakékoliv oblasti zájmu, tedy i technologických procesů průmyslového podniku. Vezměme například oblast prediktivní údržby strojů, která je na průmyslové prostředí výrazně orientována, opírá se o strojové učení a big data a slouží k optimalizaci provozu složitých technických systémů. 

Rick Rider (Infor): Optimalizační služby jsou postaveny na modelu, kdy přivedete do firmy externího odborníka, který je nějakým smysluplným způsobem vyčistí či zpracuje. Avšak existuje jednodušší, tzv. samoobslužná varianta – využít opakovatelnou a škálovatelnou datovou strukturu s relačními nástroji pro propojení a analýzu dat napříč firemními doménami. Během optimalizace technologických procesů je totiž velmi důležité porozumět všem relevantním datům, a to i těm, která jsou získávána nestandardním způsobem. Jak jinak bychom dokázali reálně optimalizovat cokoliv bez uceleného pohledu na všechny proměnné, které proces ovlivňují? Sady optimalizačních nástrojů sice služby zefektivňují, ale jsou v porovnání se samoobslužnou variantou pro podnik náročnější a nákladnější. Samoobslužná varianta je směr, který vyvíjíme s aplikací Infor Data Lake v propojení s platformou Coleman. 

Jaromír Hvížďala (JHV – Engineering): Určitě. V tomto směru očekávám v dohledné době velký pokrok spolu s využitím umělé inteligence. Nebude to jednoduché, ale je to správný směr. Zejména v technologických procesech, kde lze big data jednodušeji získat. Pro umělou inteligenci bude nutné zajistit dostatečné vstupní údaje z celého procesu, aby mohla provést analýzu procesů a sama si proces popsat. Umožní to řešiteli, aby se soustředil hlavně na definování cílů a nemusel většinu času strávit popisem modelu. Systémy využívající velké množství dat tak nahradí pracné a složité definování modelů. 

Petr Brynda (Mitsubishi Electric): Ano, je to možné. Nová generace PLC iQ-R již disponuje moduly na řešení úloh pro big data a edge computing. 

Petr Kadera (CIIRC ČVUT): Možné to samozřejmě je, ale pro úspěšné použití je vždy nutné porozumět i podstatě modelovaného procesu. Neexistuje žádný obecný nástroj, který by měl na vstupu pouze surová data a na výstupu odpovědi na principiální otázky. 

Martin Peter (OSIsoft): Externí společnosti mohou být úspěšné i při optimalizaci technologických procesů, je ovšem třeba, aby takový poskytovatel měl v dané oblasti zkušenosti a rozuměl onomu technologickému procesu. Rovněž mohou nastat problémy s důvěrou v takovou firmu z důvodu potenciálního zneužití know-how. 

Vilém Novák (OSU): Otázka je, podle mne, položena obráceně: není naším cílem využít „big data“, protože se to nosí, a proto všechno bude senzační. Naopak, musíme vycházet ze skutečnosti, že internet už existuje dlouho, a proto obsahuje hodně dat. Přirozeně vzniká otázka, co s nimi, ale takto bych k tomu nepřistupoval. Podle mého by měl správný pohled vycházet z problému, který máme řešit (například optimalizace podnikových procesů, ale nejen to), a pak se zeptat: mám k dispozici všechny potřebné informace a nedají se odněkud „vydolovat“ informace, které nejsou na povrchu, ale jsou pro můj problém relevantní? Samozřejmě, společně s tím nastávají problémy, jak všechny informace najít a dále jak odfiltrovat nesmysly, kterých je v datech jistě plno. Tyto problémy však existovaly vždy, teď jsou jen častější a mají větší rozsah. 

Petr Horáček (Rockwell Automation): Někdy ano. Zase uvedu příklad. Farmaceutická firma chce zvýšit výrobní kapacitu linky tím, že najde a odstraní příčinu snížené kvality léku, který v některých šaržích neprojde laboratorními testy, a musí se tudíž zlikvidovat. Farmaceutické provozy monitorují a archivují neuvěřitelné množství dat. Včasná identifikace příčinné souvislosti mezi kvalitou a některou z monitorovaných technologických veličin, ať jsou to chemické vlastnosti surovin, délka nějaké operace, nebo environmentální parametry, může významně omezit zmetkovitost a zvýšit výrobní kapacitu celé linky. 

Vladimír Kebo (TAČR): Je třeba si uvědomit základní rozdíl mezi marketingovými a technologickými procesy. Rozdíl mezi zpracováním nehmotné komodity – informací – změnou jejich formy a interpretace na jedné straně a zpracováním hmotné komodity – materiálů – změnou jejich vlastností a formy na straně druhé. Určitě lze nalézt mnohé zajímavé analogie pro modelování a simulaci, přičemž úloha optimalizace reálného systému je vždy silně omezena okrajovými podmínkami úlohy. Velká část úspěchu vlastního řešení optimalizační úlohy je dána správným zadáním a interpretací konkrétních okrajových podmínek. Proto jsem k použití obecného cloudového řešení pro optimalizaci procesů skeptický. Ale nechme se příjemně překvapit novými „inteligentními“ cloudovými algoritmy a optimalizačními nástroji superpočítačů.

 

Znalosti jsou komodita

Mnoho pravidlových expertních systémů vyžaduje znalosti a zkušenosti při primárním nastavování pravidel. Mnoho zkušených odborníků nemá zájem tyto zkušenosti předávat a na internetu není možné detailní znalosti o daném procesu běžně získat. Nelze tuto situaci vnímat jako ohrožení masového rozšíření znalostních modelů do praxe?

Peter Bílik (Anasoft): Je to přesně tak. Jak už jsem zmínil, měli bychom se zaměřit na hledání efektivních způsobů přenosu zkušeností. Není to ani tak otázkou technologie, ale samotné kultury podniku, chování pracovníků a systematického vedení jednotlivých lidí napříč celou organizační strukturou. Nemá-li zkušený odborník zájem předávat své zkušenosti dál, není to většinou problém metodiky, interních předpisů nebo informačního systému. Jenom nemá on nebo ostatní kolem něho vybudované ty správné vzorce chování. 

David Sámek (AxiomTech): Při vytváření znalostního modelu je nezbytná spolupráce s odborníky na problematiku či technologii. Žádný software není schopen tyto odborníky plně nahradit, jelikož každá konkrétní výroba je specifická. 

Vladimír Mařík (CIIRC ČVUT): Znalosti a zkušenosti mají svou (nemalou) hodnotu a lze je prodávat jako samostatnou komoditu – a k tomu ostatně vývoj spěje. Představa, že znalosti nic nestojí nebo mají cenu popsaného papíru, musí skončit. Předávání životních zkušeností formou znalostní báze je a bude otázkou tržních mechanismů, otázkou nabídky, poptávky a chování trhu. Vše odvisí od toho, jak si budou zákazníci znalostí cenit, jak dalece je budou potřebovat a kolik budou ochotni zaplatit. 

Josef Kokeš (VŠPP): Určitě ano. Motivace je naprosto zásadní a klíčovou otázkou a bez ní to nepůjde. Ovšem dovolím si poznamenat, že vzhledem k situaci ČR, kdy si v podstatě „hrajeme na maličkém písečku“, se s tím asi těžko dá něco udělat. V jiné pozici je firmička, která si na vývoj expertního systému musí zažádat o grant, a v jiné pozici je nadnárodní gigant, který si na dva roky přesune do jednoho místa zkušené experty ze svých poboček v San Francisku, Mnichově a Hongkongu. 

Mirko Navara (FEL ČVUT): Jistě, ale to je všeobecná situace již více než sto let; kdo si myslí, že ví lépe než jiní, jak na to, chce na tom vydělat (třeba prostřednictvím patentů) a nesdělovat to jiným. To není nic nového, ale žít se s tím dá. 

Jan Burian (EY): Samozřejmě, že si příslušní experti své znalosti velmi střeží, jde totiž o nezanedbatelnou konkurenční výhodu. Průmysl 4.0 je mimo jiné i o nových podnikatelských modelech založených na komerčním využití dat a toto je typický příklad. 

Otto Havle (FCC průmyslové systémy): Myslím, že jde o stejný problém jako nedostatek odborníků zmiňovaný v první otázce. Jak firma jako právnická osoba, tak odborník jako fyzická osoba fungují na základě liniového modelu prodeje svého know-how. Pravděpodobně se objeví nové obchodní modely, třeba na základě platforem, které tento problém budou řešit. Trh po nich určitě již volá. 

Jana Řešátková (DXC Technology): Většina expertních systémů je založena na pravidlech. Pravidla nastavují odborníci a předávají je definovanou formou k užívání. Příkladem může být expertní systém pro rychlou kvalifikaci incidentu a nalezení vhodného postupu jeho vyřešení z hlediska času, ceny a kvality. Do systémů však začínají stále více vstupovat samy technologie. Během několika let budou mít miliony technologických celků svá digitální dvojčata sloužící pro proaktivní opravy, předvídání možných závad, plánování údržby, řízení výrobních procesů, získávání zpětné vazby pro vylepšování stávajících výrobků a vývoj nových. Digitální dvojčata vysokým procentem odlehčí zkušeným odborníkům, ale nemohou je (zatím) nahradit. 

Jaroslav Jirkovský (Humusoft): To je možná důvod, proč začínají být v oblibě samoučící se algoritmy, jako jsou hluboké neuronové sítě. Ty lze využívat bez expertního nastavení pravidel, ovšem na druhé straně vyžadují velké množství označených provozních dat, na základě kterých se systém postupně učí. A ta nejsou vždy k dispozici. Naštěstí v této oblasti opět může pomoci modelování a simulace. 

Rick Rider (Infor): Určitě ano, vnímáme tuto obavu v každém odvětví. Mezera ve znalostech v oblasti klíčových podnikových procesů se stále rozšiřuje, proto zaměřujeme náš vývoj v oblasti AI na inovativnější způsoby přenosu podnikových znalostí. Rovněž optimalizujeme sady nástrojů směrem k modelování, kde již není potřeba hluboká znalost systému a kde uživatelé mohou vyvíjet, přizpůsobovat či spouštět procesy vizuálnějším způsobem. S přenosem znalostí máme velké úspěchy i v oblasti hlasem řízené AI a procesů díky využití nástrojů, které jsou pro nové pracovníky komfortnější. AI by ideálně měla umožňovat novým pracovníkům získávat a sdílet znalosti bez obtěžování jiných zaměstnanců ve firmě. 

Jaromír Hvížďala (JHV – Engineering): Myslím, že ne. Pokud se některé zkušenosti ztratí, asi již nejsou tolik potřeba. Budou nahrazeny jinými, o to se postará mladá generace. A tyto nové informace pak na internetu budou. Tomu věřím. Problém s předáváním informací tkví hlavně v tom, mít je komu předat. Jestliže o informace nikdo z okolí nemá zájem, je těžké se přesvědčit, že bych je měl dát na internet. 

Petr Brynda (Mitsubishi Electric): Je to problém, ale podniky ho musí vyřešit samy. Musí motivovat své odborníky k předávání potřebných znalostí na méně zkušené a nové kolegy. 

Petr Kadera (CIIRC ČVUT): Dokonce bych řekl, že experti nejen nemají zájem své klíčové znalosti sdílet na internetu, ale někdy dokonce ani nemají zájem převádět je do strojově zpracovatelné podoby uvnitř společnosti, ve které pracují, protože to považují za oslabení své pozice na trhu práce. Východiskem je s tímto chováním počítat a zajistit, aby i tito klíčoví pracovníci měli z implementace expertních systémů užitek. 

Martin Peter (OSIsoft): Neochota předávat zkušenosti může maximálně zpomalit implementaci těchto systémů do praxe. Je na společnosti své zaměstnance motivovat, aby zkušenosti předávali novým zaměstnancům. 

Vilém Novák (OSU): Ne, to si nemyslím. Podle mého názoru takoví odborníci prostě pravidlovým systémům nevěří a nechtějí ztrácet čas a energii naplňováním bází, které bývají hodně rigidní a často jsou výstupy z nich nepřesvědčivé. Existují však metody, které používání pravidel hodně zjednodušují. Jedna taková metoda byla vyvinuta na našem pracovišti (používáme zkratku PbLD – Perception-based Logical Deduction). Jde o pravidlový systém, který umožňuje znalosti popsat v běžném přirozeném jazyce a pak odvodit závěr přímo z nich. Není tedy nutné učit se složitou, často málo přehlednou formalizaci. Navíc z mé praxe vyplývá, že často nejsou nutné ani příliš speciální znalosti a někdy stačí prostě jen „selský rozum“. Například pokud jde o řízení nějakého procesu, mnohdy stačí vědět, že pokud se rychle blížíme k požadované hodnotě, musíme „trochu zpomalit“, a pokud jsme od ní daleko, musíme vygenerovat „velký akční zásah“. 

Vladimír Kebo (TAČR): Určitě bych tuto situaci obecně nevnímal jako ohrožení masového rozšíření znalostních systémů v praxi, zejména s postupem a rozvojem učících se algoritmů. Co se týče odborníků na řízení složitých technologických procesů, zde je situace opačná. Odborník často mnoho let pracuje na poznání konkrétního procesu, mnohé heuristiky přebírá od svých zkušenějších kolegů, stává se jedinečným expertem díky získanému know-how. Zde pak vyvstává otázka, jakou má motivaci zbavit se své jedinečnosti a nabyté znalosti formalizovat do expertního algoritmu.

 

Paretova analýza uplatnění umělé inteligence v technické praxi

Jako další z kroků digitalizace (po kroku „software všude“) má být „umělá inteligence všude“. Přitom praxe říká, že má smysl automatizovat 80 % opakovatelných aktivit a řízení 20 % výjimečných situací ponechat na zkušeném odborníkovi. Očekává se podobné využití metod umělé inteligence v technické praxi?

Peter Bílik (Anasoft): Technologie označované jako umělá inteligence jsou neodmyslitelnou součástí toho, co se nazývá Industry 4.0. Pokud vaše auto dokáže už samo zaparkovat, ve většině případů to rádi využijete, protože to šetří čas. Ale určitě se někdy dostanete do situace, kdy tuto funkci nebudete moct nebo nebudete chtít použít. Pokud informační systém dokáže rozplánovat rozvozové trasy pro distribuci vašich výrobků k zákazníkům, tak to většinou bude efektivnější než to řešit na tabuli s lepicími papírky. Ale specifickou situaci nakonec ošetří zkušený dispečer. To všechno je specializovaná umělá inteligence. V prvním kroku bude pravděpodobně nasazovaná tato forma umělé inteligence jako podpůrná technologie, která má člověku pomoci při řízení procesů. Autonomní řídicí systémy bez potřeby lidského zásahu přijdou na řadu až později. Zlepšování těchto systémů ale jde kupředu poměrně rychle. Navíc stále lepší dostupnost výpočetního výkonu umožňuje zabudovávat prvky umělé inteligence například už i do chytrých telefonů. Pro nesporné přínosy využití metod umělé inteligence i v naší společnosti ANASOFT aktivně hledáme její reálné uplatnění v praxi. Možností je nespočet. Pro naše klienty jsme implementovali řešení na bázi umělé inteligence za účelem operativního řízení výrobních procesů, na identifikaci optimální skladové pozice při skladování zboží nebo na optimální vytěžování dopravních zařízení při doplňování zásob materiálu na výrobní pracoviště. 

David Sámek (AxiomTech): Umělá inteligence má velkou budoucnost, ale (naštěstí) v nejbližších dekádách rozhodně nebude všespasitelná. Samoučící se algoritmy jsou výhodné tam, kde je problém najít vhodný analytický nebo stochastický model, či v případě velkého množství vstupních a výstupních parametrů modelu. Tak trochu paradoxně se příliš nehodí na zpracování (naučení se) velkého množství dat (big data). 

Vladimír Mařík (CIIRC ČVUT): Metody umělé inteligence jsou vhodné pro celou řadu úloh, nejen pro automatizaci procesů a aktivit. Metodami umělé inteligence lze analyzovat data, rozpoznávat vzniklé situace, modelovat chování soustavy strojů, podporovat komunikaci člověk–stroj v přirozeném jazyku a podobně. Mnoho z těchto metod se již v prostředí průmyslové výroby v té či oné podobě využívá, často aniž si to uvědomujeme. Například kolaborativní roboty zbrzdí, když detekují člověka ve svém okolí, analýzou akustických, proudových a napěťových dat z motoru lze detekovat kavitační procesy na čerpadle na stejné hřídeli a podobně. Součástí metod umělé inteligence jsou i algoritmy strojového učení, které umožňují sbírat velká data o sledovaných procesech a na jejich základě například adaptivně měnit parametry používaných modelů reálného světa. Metody z dílny umělé inteligence se budou čím dál šířeji uplatňovat při řešení nejrůznějších úloh průmyslové výroby. To však neznamená, že člověk zcela vymizí – naopak lze očekávat, že si ponechá ve svých rukou klíčová rozhodnutí a supervizi. 

Josef Kokeš (VŠPP): Podle mne to není problém technický, dokonce ani ekonomický, ale problém sociální. Zjednodušeně řečeno, bude-li si výrobce chtít plně zautomatizovat výrobu, tak si k tomu vypracuje technicko-ekonomický rozbor. Jenže ten rozbor musí vzít v úvahu (což dnes není zvykem) i skutečnost, že zavedení vysoké automatizace prostřednictvím AI nejspíš bude spojeno s vyvoláním negativních emocí, a to jak mezi pracovníky, tak i spotřebiteli, a dokonce i jinde. Dovedu si představit třeba velmi bolestivou „odvetnou“ akci obecního zastupitelstva. Nebo finančního úřadu. A podobně. 

Mirko Navara (FEL ČVUT): Věřím, že ano. Všude při pohledu na výrobu najdeme rezervy, kde lze automatizovat, ale role člověka jako mnohem univerzálnějšího nástroje dosud není ohrožena. 

Jan Burian (EY): Potenciál průmyslové automatizace není ani zdaleka vyčerpán, a přitom jde o principy známé desítky let. Umělá inteligence tak stále více proniká do technické praxe, jen není na první pohled příliš vidět. Například v rámci tvorby prediktivních modelů v údržbě nebo kvalitě však hraje nezastupitelnou roli. Aby prediktivní modely dokázaly co nejlépe identifikovat možné nestandardní situace, je třeba je neustále zásobovat informacemi, ze kterých se systém dále učí a tím dochází ke zpřesňování samotné predikce. 

Otto Havle (FCC průmyslové systémy): V současné době se umělou inteligencí nazývají hlavně učící se systémy. Na nižších úrovních řízení je často efektivnější definovat explicitní pravidla než přiřazovat kombinace implicitních deskriptorů. Naše firma se pohybuje v oblasti kontroly kvality a data pro zpracování učícím se systémem (například obraz) je třeba často „vyčistit“ mnohem pečlivěji než pro zpracování algoritmem, který lze na určitou úroveň konkrétní neurčitosti kompenzovat. Co se týče úrovně řízení složitých procesů, neumím na tuto otázku odpovědět. Z pozorování světa se mi však zdá, že čím propracovanější a složitěji interagující je tento typ systému, tím ničivější „černou labuť“ je občas schopen vygenerovat. 

Jana Řešátková (DXC Technology): Umělá inteligence obecně poskytuje technologie a techniky pro strojové vnímání a pro interakci člověk–stroj. Metody umělé inteligence mají nezastupitelnou roli v technické praxi. Bez umělé inteligence nelze budovat samoučící se výrobní systémy. 

Jaroslav Jirkovský (Humusoft): Vámi zmíněná empirická zkušenost má v různých modifikacích širší platnost, i mimo oblast automatizace. Takže se určitě projeví i v oblasti umělé inteligence. Ovšem výsledný poměr bude ovlivněný mnoha faktory, a to například i tím, co již považujete za umělou inteligenci a co za zásah odborníka, který se ovšem bude opírat o nástroje, které umělou inteligenci využívají. 

Rick Rider (Infor): To je čistá teorie. Kaž­dá situace je jedinečná a odlišná, takže potřebujete schopnost aplikovat různé úrovně AI. Přemýšlejme o tom jako o přechodu od poradenství přes aplikace k automatizaci podporované AI. Jedna úroveň nebude nikdy vyhovovat všem, takže potřebujete taková řešení podporovaná AI, která vám umožní dosáhnout úrovně, jež bude přesně vyhovovat vám. I když určitě existují oblasti, kde je možné využít úplnou automatizaci a podnik se místo toho může zaměřit na jiné výzvy. Klíčové je mít takové flexibilní řešení s podporou AI, které se dokáže přizpůsobit široké škále vašich potřeb. A o to přesně se snažíme: abychom mohli nabídnout různé úrovně AI v různých organizacích. 

Jaromír Hvížďala (JHV – Engineering): Ano, očekávám, že umělá inteligence bude všude. Zejména v technické praxi, je to jen otázka času. A bude se stále zlepšovat. Vždy bude výhodné a možné lépe automatizovat 20 % aktuálního stavu. Vše je relativní. Takže definovat, kterých 80 % bude automatizováno, se v čase mění. Proto bude stále co automatizovat a zlepšovat. A umělá inteligence k tomu přispěje a později převezme hlavní roli. Nyní je to ještě v rukou odborníků. 

Petr Brynda (Mitsubishi Electric): Ano, algoritmy AI jsou dnes již běžně využívány (rozpoznávání obrazu, navádění AGV a podobně). Nové produkty (roboty, PLC, servopohony, měniče) algoritmy AI využívají zejména pro prediktivní údržbu a autodiagnostiku, optimalizaci spotřeby energie, automatické kalibrace a tak dále. 

Petr Kadera (CIIRC ČVUT): Paretův princip (80/20) se již mnohokrát osvědčil, takže je dobrá šance, že by to tak mohlo být i v případě implementace metod umělé inteligence do průmyslové praxe. Na druhou stranu očekávaný rozvoj takzvané obecné umělé inteligence může mít tak dalekosáhlé dopady, že si vývoj ve středně- a dlouhodobém horizontu netroufám odhadovat. 

Martin Peter (OSIsoft): Podíváme-li se na příklad z letectví, kde umělá inteligence autopilotů dokázala snížit zásahy posádky na minimum a v řešení „nenadálých“ situací reaguje mnohdy lépe než zkušený pilot, není důvod se domnívat, že podobného nelze dosáhnout i v průmyslu. Časový horizont její implementace a její podíl se samozřejmě budou lišit podle konkrétního odvětví. 

Vilém Novák (OSU): Umělá inteligence pravděpodobně tento poměr změní, ale nikdy to nebude 100 % vůči 0 %. 

Petr Horáček (Rockwell Automation): Co mělo smysl automatizovat, je již dávno automatizováno, a kde automatizace nepomáhá nebo není efektivní, tak zůstává doménou operátorů a dispečerů. 

Vladimír Kebo (TAČR): Heslo „umělá inteligence všude“ bych poopravil na „chytrá řešení všude“. V podmínkách České republiky bych se nezaměřoval na složité komplexní kybernetické úlohy vyžadující velké dlouhodobé investice a čas. Těžko budeme konkurovat globálním lídrům, jako jsou USA, Japonsko či Německo. Chytré produkty často vznikají spojením několika na první pohled jednoduchých řešení nebo nápadů a tady vidím obrovský invenční potenciál přirozené kreativity lidí v České republice. Podpořme talenty, inovace, start-upy a touto přirozenou cestou zavádějme chytrá řešení do běžného života občanů – společnosti.

 

Hierarchická optimalizace

Simulační nástroje se úspěšně využívají při optimalizaci již existujících zařízení – linek, agregátů a technologických zařízení. Optimalizace jednotlivých prvků však ne vždy vede ke kompletní optimalizaci celého procesu. Vnímají zúčastněné strany tuto situaci jako výzvu?

Peter Bílik (Anasoft): Simulace celého procesu je radikálně složitější než simulace jednotlivého zařízení. Chceme-li optimalizovat celý proces, exponenciálně narůstá množství vstupních faktorů. Podle mě je cestou propojení jednotlivých prvků do jedné společné sítě, což umožní jejich vzájemnou komunikaci. Znamená to ovšem, že se i na celek budeme dívat ne jako na jeden komplexní systém, ale jako na soubor služeb, které jednotlivé prvky poskytují nebo využívají. Pokud v této síti aplikujeme vhodná pravidla, mechanismy zpětné vazby, vhodné autonomní rozhodovací služby a silnou monitorovací a supervizorskou funkcionalitu, dosáhneme dobrého a optimalizovatelného řešení pro operativní řízení celých linek nebo agregátů. 

David Sámek (AxiomTech): Již dnes se lze setkat se simulačními nástroji, které se zaměřují na modelování a optimalizaci celého procesu. Společnost Siemens PLM Software vyvíjí a dodává několik softwarových nástrojů k tomu určených. 

Vladimír Mařík (CIIRC ČVUT): To nevím, zdali si to všichni zainteresovaní uvědomují. Lokální optimalizace části linky nemusí být přínosem pro globální optimalizaci – hodně záleží na kritériích optimalizace lokální a globální. Většinou však jde o zcela jiné požadavky a optimalizační kritéria. S tímto problémem se setkáváme například při agentovém plánování výroby složitých systémů, kde se plán vytváří iterativními optimalizačními kroky s uvažováním dočasné fixace lokálně optimalizovaných lokálních plánů. Dostáváme tak postupně se zpřesňující globální suboptimum. 

Josef Kokeš (VŠPP): Čistě laický názor: optimalizace jednotlivých prvků je doposud spíše taková první vlaštovka, ostrůvek pozitivní deviace. Přechod na optimalizaci celých systémů jistě jednou přijde, ale těžko předpovědět kdy. Optimalizace jednotlivých komponent totiž přináší poměrně rychlé a viditelné zvýšení výtěžnosti. Optimalizace celého procesu bude pomalejší, pracnější a je otázka, zda ekonomické výsledky budou (vlivem vysokých nákladů) dostatečně významné. Jestli to strany vnímají jako výzvu, to nevím. Ale řekl bych, že to je úplně jedno; podstatnější je, jestli se to vyplatí, nebo ne. 

Mirko Navara (FEL ČVUT): O tom přece je celá teorie hierarchické optimalizace. Je dostatečně propracovaná. Ale čím jdeme níže, tím méně se využívá. Je to dáno i specializací pracovníků, až po řemeslníky – kaž­dý sleduje jen svá hlediska a v koordinaci je obrovský nevyužitý prostor pro zlepšení, a to i tam, kde to nevyžaduje pokročilé nástroje. Týká se to i řízení lidských zdrojů, kdy pracovníci nepovažují prosperitu celého podniku za svůj osobní cíl, na kterém se podílejí. Jen málokteré podniky jim to dovedou vštípit tak jako kdysi Baťa.

Kromě toho je tu princip, který snižuje přínos inovací: baterie s dvakrát větší kapacitou nevydrží déle, protože rychlejší procesor, větší paměť a nové periferie zvětší spotřebu, a nakonec se s většími daty ani nepracuje rychleji. Tak se za 30 let počítače zrychlily asi tisíckrát, paměť se zvětšila milionkrát, ale když chceme zapnout počítač a napsat dopis, trvá nám to stejně dlouho, jen výsledek lépe vypadá. Je to i tím, že tvůrci sledují jen svá hlediska a zapomínají na člověka, který bude výsledky používat. S jinými moderními technologiemi je to bohužel podobné. 

Jan Burian (EY): Velmi záleží na úhlu pohledu. Výrobci softwaru, výrobci linek a integrátoři technologií do výroby by rádi viděli širší využití simulačních nástrojů v praxi. Na druhou stranu výrobní firmy inklinují spíše k takzvaným ostrovním řešením, což významně omezuje přínosy k celkové efektivitě firmy. Právě až kompletní využití a propojení prvků digitalizace totiž dokáže výkonnost firmy významně posunout vpřed. A toto si zatím dokázalo uvědomit pouze minimum firem. 

Otto Havle (FCC průmyslové systémy): Já to rozhodně jako výzvu vnímám. Virtuální model technologie je jeden ze základních prvků koncepce průmyslu 4.0 a podmínka distribuovaného řízení v multiagentní síti, která právě na modelech bude výrobu optimalizovat. Kardinální otázka je, myslím, kalibrace modelů; mám dojem, že panuje obecné přesvědčení, že právě umělá inteligence bude schopna pracovat s nepřesně kalibrovanými modely. Já o tom úplně přesvědčený nejsem. 

Jana Řešátková (DXC Technology): Opět jsme u využití velkého objemu dat, u smíšených týmů tvořených odborníky se znalostí podnikových a technologických procesů a odborníků zběhlých v metodách simulace a modelování. Výzvou je oddělené prvky efektivně propojit a synchronizovat. Spojením lidí, strojů a systémů se vytvoří rozsáhlá digitální síť a dostaneme se k technickým předpokladům průmyslové integrace tvořícím jádro průmyslu 4.0. Každý krok na této cestě bude vyžadovat motivaci a odvahu. 

Jaroslav Jirkovský (Humusoft): Toto je určitě jeden z cílů vývoje simulačních nástrojů – optimalizovat systém jako celek, z různých úhlů pohledu. Naše nástroje nabízejí simulaci nejen technických systémů, ale též ekonomických a provozních systémů. Další podmínkou pro celkovou optimalizaci je schopnost systému pracovat s daty z nejrůznějších zdrojů a umět z nich vytěžit užitečné informace. Nejde pouze o data z technologických systémů, jako jsou měřené fyzikální veličiny, ekonomické a provozní ukazatele, ale například též analýzy textů a dalších obtížně interpretovatelných zdrojů informací. 

Rick Rider (Infor): Souhlasím, že optimalizace jednotlivých prvků neznamená nezbytně optimalizaci celku. Pro úspěšnou optimalizaci procesů prostřednictvím AI je důležité také porozumět korelacím a závislostem. Se správnými nástroji pro využití, vyčištění a analýzu všech proměnných a tvorbu efektivních predikcí je tento proces velkou příležitostí pro dosažení globální optimalizace. 

Jaromír Hvížďala (JHV – Engineering): Optimalizace stávajících řešení není jediná cesta. Je ale často využívána, protože patří k jednodušším. My ale hledání lepšího řešení opravdu chápeme jako výzvu. Snažíme se o komplexní podrobnou analýzu celé problematiky procesu a přesné definování konečných cílů. Na těchto základech pak hledáme nové a lepší řešení. Využití současných moderních technologií nám totiž umožňuje najít i jiné cesty než zlepšování stávajících. S tímto postupem máme výborné zkušenosti. Optimalizace částí totiž nemusí přinést takový efekt jako optimalizace celku. Takže jde jen o definici zadání, co budeme řešit. Simulace nám pak pomůže při rozhodnutí, kterou cestou jít. Ale v neposlední řadě je třeba používat i zdravý kritický rozum. Některé interpretace vzešlé ze simulací a optimalizací mohou být zavádějící. 

Petr Brynda (Mitsubishi Electric): Ano. Aktuálně je tento problém řešitelný využitím rozšířené virtuální reality (augmented reality), která umožňuje simulace na virtuální kopii výrobní linky (virtuální dvojče) s využitím reálných dat. Bez nebezpečí zásahu do výroby můžete otestovat různá nastavení parametrů na virtuálním dvojčeti a poté nastavit reál­nou výrobní linku na optimální parametry. 

Petr Kadera (CIIRC ČVUT): Předpokládám, že si existenci této výzvy dobře uvědomují, ale neexistuje univerzální způsob, jak jí čelit. Globální optimalizace není často výpočetně zvládnutelná a jedinou možností je modelovat jednotlivé části samostatně. Klíčem k dosažení dobrého řešení je celkový problém vhodně rozdělit do samostatných modelů, které spolu v případě potřeby interagují. Záleží na dovednostech simulačního experta, jak se s tím vyrovná. 

Martin Peter (OSIsoft): Optimalizace celého procesu je určitě vnímána jako velká výzva v celém průmyslu. Výrobci jednotlivých prvků však často sklouzávají k mikrooptimalizacím (optimalizacím z celkového pohledu na proces zanedbatelným). 

Vilém Novák (OSU): Věřím, že určitě ano. 

Petr Horáček (Rockwell Automation): To je dobrá otázka a už jsme na to v diskusi narazili. Přidám další příklad. Výrobce těžebního zařízení nerostů z extrémních hloubek světových oceánů vyvíjí unikátní těžební zařízení čítající podmořský autonomní robot, flexibilní sací potrubí o celkové délce až 6 000 metrů a hladinové plavidlo. Zatímco robot i plavidlo a jejich řídicí systémy jsou samy o sobě zařízení velice složitá, daří se jejich návrh a činnost s využitím simulačních modelů individuálně optimalizovat. Achillovou patou celé sestavy je ovšem sladění funkce všech tří hlavních komponent. Dokonalé polohování autonomního robotu na mořském dně a stabilizace hladinového plavidla za libovolných povětrnostních podmínek nic neřeší, nepodaří-li se brát v úvahu vliv pružné vazby mezi oběma terminálními uzly. Výrobce si je této výzvy vědom a je připraven při návrhu řídicích systémů v plné míře využít model kompletního systému. Nic jiného mu ani nezbývá, ověřování návrhu je totiž pro extrémní náklady spojené s fyzickými zkouškami celé sestavy v reálném prostředí téměř nemožné. 

Vladimír Kebo (TAČR): Simulační nástroje využívající „hrubou sílu“ superpočítačů jsou často velice efektivním a jediným prostředkem optimalizace komplexních úloh. Jak už jsem uváděl, základním problémem je správné pochopení a zadání okrajových podmínek optimalizační úlohy a definování kriteriální funkce. Velkou výzvou je kvalitní optimalizace jak dílčích technologií, tak celých výrobních postupů při respektování neurčitosti okolního světa. Pro výzkumníky se určitě jedná o velkou výzvu.

 

Chybí správně vzdělaní odborníci i prostředky na investice

Co považujete za největší překážky pro zavádění metod simulace, modelování a optimalizace s využitím prvků umělé inteligence do praxe?

Peter Bílik (Anasoft): Na straně výrobních podniků jsou to naštěstí pouze tři – nedostatek kvalifikovaných odborníků, stále velmi nestabilní procesy (především velký rozptyl různých sledovaných veličin v čase) a problematické vzorce chování některých provozních pracovníků. Tuto drobnou dávku ironie je ale zapotřebí vyvážit problémy na straně technologií. Stále jsou obavy (často oprávněné) z nedostatečné spolehlivosti, robustnosti a odolnosti nových technologií. Takže výzvy, které nás při zavádění čekají, nejsou malé. O to větší odhodlání bude zapotřebí. 

David Sámek (AxiomTech): Mezi největší překážky patří nedůvěra odborné veřejnosti k těmto metodám. Buď se setkáváme s názorem, že to přece nemůže fungovat, nebo naopak s obavou, že umělá neuronová síť a umělá inteligence jsou ohrožením lidstva. Vždy je třeba vysvětlovat, že umělá neuronová síť je de facto deterministický matematický model, který se pouze z důvodu pohodlí uživatele běžně považuje za „černou skříňku“. V současné době v praxi používané neuronové sítě stran komplexnosti zdaleka nedosahují schopností a kapacity lidského mozku. 

Vladimír Mařík (CIIRC ČVUT): V oblasti simulačních a modelovacích nástrojů se na trhu objevuje mnoho produktů s různými schopnostmi, často s nedostatečným popisem či popisem zamaskovaným nánosem reklamních sloganů. Pro uživatele je velmi těžké si vybrat, zejména když pro jednotlivé oblasti použití často neexistují standardní či referenční simulační či modelovací platformy. Vytvoření vhodné simulační aplikace obvykle vyžaduje efektivní a časově náročnou kooperaci znalce v oblasti a odborníka na simulaci a modelování. Vytváření vhodných modelů je zdlouhavá a nákladná činnost – podnikový management nemá obvykle dostatek trpělivosti a pochopení pro vytváření modelu majícího mnohdy charakter uměleckého díla. Ale práce se znalostmi je vysoce tvůrčí činnost, která se mírou invence mnohdy skutečnému uměleckému dílu hodně blíží. A právě náklady na zavádění, náklady na tvorbu modelů a čas potřebný k jejich doladění jsou významnou překážkou, zejména tam, kde management neuvažuje v dlouhodobém horizontu. 

Josef Kokeš (VŠPP): Prachy, čas a znalosti. V uvedeném pořadí. 

Mirko Navara (FEL ČVUT): Především máme stále velké mezery v používání zdravého rozumu. Triviální příklady: vyvíjíme stále účinnější svítidla, ale nestaráme se o jejich údržbu a čištění, abychom z té účinnosti měli očekávaný užitek. Ještě víc energie vydáme na vytápění budov, ale podívejte se, jak to v praxi vypadá; zpřísněné normy na stavby vše nevyřešily. Celkově je naše úsilí vynaloženo nerovnoměrně, a tudíž nehospodárně. Pomocí špičkové techniky (protože jinak to nejde) vylepšujeme to, co je nejvíc propracované a co je těžké překonat. A přitom chodíme bez povšimnutí kolem technických řešení starých padesát let – stačí se podívat na regulaci teploty například u žehličky. 

Jan Burian (EY): V rámci výrobních firem je to zejména neznalost možností moderních nástrojů, a tedy i možností, co lze jejich implementací získat. Firmy nemají vytvořenou digitální strategii, a tedy ani strategii rozvoje příslušného personálu. Roky stačily pouze základní analytické nástroje. Toto však již neplatí v moderním prostředí výrobní firmy, kde jsou data generována v reálném čase a jsou dostupná online.

V rámci projektu mapování prvků pokročilé digitalizace a automatizace mezi firmami v ČR jsme ve čtyřiceti výrobních společnostech objevili pouze dvě, kde byla vytvořena pozice scientist. V ostatních společnostech, a jednalo se zejména o nadnárodní výrobní firmy, jsou stále využívány pouze nejzákladnější přístupy ke sběru a analýze dat. 

Otto Havle (FCC průmyslové systémy): Já vidím stále ještě hlavně objektivní technické překážky. Lidská inteligence je stále ještě jiná než umělá. Turingův test určitě dostačuje na zjištění provozuschopnosti aplikace typu Siri, ale není dostatečný na testování schopnosti řídit výrobní proces. A jiný komplexní test, pokud vím (nejsem odborník), zatím nemáme. Testují a certifikují se reakce na dílčí podněty, jako například při vývoji samořídících se automobilů. Jestli se systém chová ve všech situacích minimálně tak bezpečně jako člověk, otestovat nedokážeme. A i v průmyslu jde často o život, a ještě častěji o veliké peníze. A to je problém pro akcionáře snad ještě závažnější :-). 

Jana Řešátková (DXC Technology): Největší překážkou je zažitá kultura a nechuť dělat změny. Svoji roli hraje podceňování významu „digitalizace“ a v neposlední řadě překážky etického rázu: zánik pracovních míst a těžko řešitelný problém týkající se samo­učících se systémů. Kdo bude odpovídat za rozhodnutí, která udělají? 

Jaroslav Jirkovský (Humusoft): Jedná se stále o nové přístupy, se kterými nemá mnoho současných odborníků přímé zkušenosti. Nedostatek přímých referencí na efektivní využití těchto systémů vede k nerozhodnosti, zda se touto cestou vydat, což má za následek nedostatek přímých referencí. Ale stejná byla situace s klasickým počítačovým modelováním a simulací před dvaceti lety a nyní je využívá velké množství významných technologických společností. Tedy i s umělou inteligencí je to podle mne pouze otázkou času, poten­ciál zde bezesporu je, jen čeká na své využití. 

Rick Rider (Infor): Současnou největší výzvou je důvěra v tyto metody. Součástí lidské přirozenosti je, že se snažíme chránit své znalosti a držet se své komfortní zóny, na kterou jsme zvyklí. Ale s novou průmyslovou revolucí a příchodem AI je potřeba se posunout dále. S existencí vhodného technologického mechanismu je nyní pochopení a využití AI absolutní nezbytností. Další výzva je ukryta v samotných sadách nástrojů; většina řešení vyžaduje určitou úroveň odbornosti v komplexních oblastech, avšak my se snažíme vyvíjet vlastní nástrojové sady pro AI tak, aby byly pochopitelnější a stravitelnější pro běžné podnikové uživatele. 

Jaromír Hvížďala (JHV – Engineering): Asi je to nedostatek odvahy jít touto novou cestou. A také stav vývoje umělé inteligence. A spousta práce při definici modelu a nejistý výsledek. Pokud jsme schopni definovat model, pak je simulace a optimalizace tou správnou cestou. Pro mnoho komplexních problémů, které ještě nejsou dobře popsány, je definice modelu obtížná. Tady stále vítězí lidská tvořivost a intuice. Když se ale podíváme na pokrok v posledním desetiletí, nejen v oblasti výpočetní techniky a vývoji umělé inteligence, věřím, že v krátké době se bude v praxi simulace, modelování a optimalizace využívat více. 

Petr Brynda (Mitsubishi Electric): Nedostatek odborníků. 

Petr Kadera (CIIRC ČVUT): Nedostatek odborníků a nedostatečná podpora přenosu poznatků z univerzit a výzkumných ústavů do praxe. 

Martin Peter (OSIsoft): Nedostatek odborníků majících zkušenosti jak v oblasti technologie, tak v oblastech simulace, modelování, popřípadě umělé inteligence. 

Vilém Novák (OSU): Patrně to bude vzdělání a znalosti těch, kteří by tyto metody měli zavádět. Vracíme se zde k první otázce. Na druhé straně mám pocit, že se umělá inteligence trochu přeceňuje. Výsledků, které by opravdu bylo možné považovat za projev inteligence, zase není tolik. V dnešní době jde patrně v největší míře o využití umělých neuronových sítí a deep learning. Bohužel však nikdo pořádně neví, proč to funguje. Navenek dostáváme například překvapivě dobré výsledky při identifikaci objektů z obrázků, ale fakticky jde jen o „slepý“ mechanismus, který se naučil rozlišit jeden druh objektu od druhého, to je klasifikovat objekty na základě podobnosti. Samo o sobě to je významný úspěch, ale inteligence vyžaduje více – schopnost dále usuzovat, předvídat. V tom jsme se stále ještě tolik neposunuli. Ani porážka G. Kasparova počítačem Deep Blue není ani tak projevem inteligence, jako hlavně schopnosti hodně rychle propočítat velmi mnoho kombinací. Samozřejmě, tuto schopnost má počítač určitě lepší než člověk, ale člověk má nad počítačem stále navrch a nevěřím, že se to v dohledné době změní (doufejme). 

Petr Horáček (Rockwell Automation): Asi by se nejdříve mělo definovat, co se pod termínem „prvek umělé inteligence“ vlastně skrývá. Když z otázky škrtnu omezení na umělou inteligenci, tak obecně platí, že největší brzdou v zavádění metod simulace a modelování jsou investiční a následně provozní náklady na udržování modelů. Neexistuje bezúdržbový model. Představa některých zákazníků, že si opatří model, například pro podporu dispečerského řízení, plánování údržby, snižování energetické náročnosti, predikci poruch, a že od okamžiku uvedení modelu do provozu nebude muset být na model sáhnuto, je mylná. Ledaže má model sloužit jako věčná reference stavu procesu při uvedení modelu do provozu. Každé jiné použití modelu vyžaduje jeho pravidelnou rekalibraci, nebo chcete-li periodickou, případně průběžnou identifikaci parametrů tak, aby model odpovídal realitě. Každý proces mění své charakteristiky v čase a model tyto změny musí sledovat. Automatická rekalibrace je sice teoreticky možná, ale u složitých systémů a procesů je to záležitost velice náročná, a tedy drahá. Devadesát procent zákazníků o údržbě modelu vůbec neuvažuje a pak po roce provozu reklamuje u dodavatele kvalitu modelu. Přitom od uvedení modelu do provozu došlo k výměně některých akčních členů, které mají jiné charakteristiky, nebo dokonce ke změně topologie systému, aniž by to někdo promítl do modelu a jeho parametrů. Takže v čem vidím největší překážku zavádění metod simulace, modelování a optimalizace do praxe? Špatně ošetřené smluvní záležitosti mezi zákazníkem a dodavatelem a nedomyšlené podmínky provozování. 

Vladimír Kebo (TAČR): Základním limitujícím faktorem vždy byli, jsou a budou lidé. Pokud uvedeme průzkum připravenosti lidí na digitální věk v USA, tak výsledkem bylo zjištění, že pouze jeden člověk ze tří se považuje za připraveného na digitální dobu. Proto považuji za zcela logické začít u vzdělávání 4.0 tak, abychom nepromarnili přirozený tvůrčí potenciál lidí ve střední Evropě. Vzdělávání 4.0 má několik definic, které v jádru vedou k výchově k inovativnosti – inovacím s plným využitím digitálního prostoru, využitím příkladů a znalostí všude kolem nás. Nádherně se zde dají využít například technologie rozšířené a virtuální reality.

 

Závěr

Všem účastníků diskuse velmi děkujeme. Kromě mnoha názorů z diskuse vyplývá, že téma umělé inteligence, simulací a modelování je nanejvýš aktuální a představuje nejen příležitost k „dozvukům“ na stránkách našeho časopisu, ale také může být impulzem pro hledání a nalézání nových cest a příležitostí našeho průmyslu. V aplikacích simulace a modelování se skrývá konkurenceschopnost. A to je ten nejzajímavější přínos.

(redakčně upraveno)

 

Diskusi vedl Radim Adam.

Firmy mohou nabízet služby užití obecných nástrojů, ale v konkrétní aplikaci, pro niž nemá buď firma, nebo analytický nástroj k dispozici odpovídající znalosti, se bez aktivní a náročné spolupráce s koncovým odběratelem služby nepohnou z místa.

 

Peter Bílik, Solution designer Anasoft APR, s. r. o.
Veľakrát môže analýza zozbieraných údajov ukázať korelácie, ktoré riadiaci pracovník následne vyhodnotí ako kauzálnu súvislosť. Bez podpory zo strany dátovej analýzy by ju možno nikdy neodhalil.


Ing. David Sámek, Ph.D., product manager, AXIOM TECH s. r. o.
Umělá inteligence má velkou budoucnost, ale (naštěstí) v nejbližších dekádách rozhodně nebude všespasitelná.


prof. Ing. Vladimír Mařík, DrSc., dr. h. c., ředitel CIIRC ČVUT v Praze

Firmy mohou nabízet služby užití obecných nástrojů, ale v konkrétní aplikaci, pro niž nemá buď firma, nebo analytický nástroj k dispozici odpovídající znalosti, se bez aktivní a náročné spolupráce s koncovým odběratelem služby nepohnou z místa.


doc. Ing. Josef Kokeš, CSc., Vysoká škola podnikání a práva, a. s., a Ústav přístrojové a řídicí techniky FSI ČVUT v Praze

Pokud si výrobce bude chtít plně zautomatizovat výrobu, tak si k tomu vypracuje technicko-ekonomický rozbor. Jenže ten rozbor musí vzít v úvahu (což dnes není zvykem) i skutečnost, že zavedení vysoké automatizace prostřednictvím AI nejspíš bude spojeno s vyvoláním negativních emocí, a to jak mezi pracovníky, tak i spotřebiteli, a dokonce i jinde. Dovedu si představit třeba velmi bolestivou „odvetnou“ akci obecního zastupitelstva. Nebo finančního úřadu.

 

prof. Ing. Mirko Navara, DrSc., Centrum strojového vnímání, katedra kybernetiky FEL a CIIRC ČVUT v Praze

Všude při pohledu na výrobu najdeme rezervy, kde lze automatizovat, ale role člověka jako mnohem univerzálnějšího nástroje dosud není ohrožena.

 

Jan Burian, senior manažer oddělení podnikového poradenství společnosti EY
Samozřejmě, že si příslušní experti své znalosti velmi střeží, jde totiž o nezanedbatelnou konkurenční výhodu.

Ing. Otto Havle, CSc., MBA, jednatel, FCC průmyslové systémy, s. r. o.

V současné době se umělou inteligencí nazývají hlavně učící se systémy. Na nižších úrovních řízení je často efektivnější definovat explicitní pravidla než přiřazovat kombinace implicitních deskriptorů.

 

Ing. Jana Řešátková, Manufacturing Coverage Lead, DXC Technology.

Analýza archivních dat z různých časových období je základem vytvoření algoritmů pro identifikaci anomálií a predikci trendů, v neposlední řadě tvoří základ samoučících se algoritmů.

 

Ing. Jaroslav Jirkovský, Ph.D., Senior Application Engineer, HUMUSOFT s. r. o.

Nejefektivnější je využívat takové nástroje, kde odborníci na podnikové a technologické procesy nemusí být zároveň specialisty na simulaci, a přesto dokážou modelování a simulace efektivně využívat.

 

Rick Rider, produktový ředitel pro platformu Infor Coleman AI

Většina algoritmů, jež analyzují problémy a situace v organizacích, se v posledních 20 až 30 letech v podstatě nezměnila.


Ing. Jaromír Hvížďala, jednatel firmy JHV – ENGINEERING, s. r. o.

Očekávám, že umělá inteligence bude všude. Zejména v technické praxi, je to jen otázka času.

 

Ing. Petr Brynda, Business Development Manager, Mitsubishi Electric Europe B. V.

Nové produkty (roboty, PLC, serva, měniče) algoritmy AI využívají zejména pro prediktivní údržbu a autodiagnostiku, optimalizaci spotřeby energie, automatické kalibrace a tak dále.

 

Ing. Petr Kadera, Ph.D., vedoucí skupiny inteligentních systémů pro průmysl a distribuční sítě CIIRC ČVUT v Praze

Očekávaný rozvoj takzvané obecné umělé inteligence může mít tak dalekosáhlé dopady, že si vývoj ve středně- a dlouhodobém horizontu netroufám odhadovat.

 

Martin Peter, specia­lista na security, BI a SQL database, OSIsoft Czech Republic, s. r. o.

Optimalizace celého procesu je určitě vnímána jako velká výzva v celém průmyslu. Výrobci jednotlivých prvků však často sklouzávají k mikrooptimalizacím (optimalizacím z celkového pohledu na proces zanedbatelných).

 

prof. Ing. Vilém Novák, DrSc., ředitel Ústavu pro výzkum a aplikace fuzzy modelování Ostravské univerzity a divize superpočítačového centra IT4Innovations v Ostravě

Bohužel se setkávám s typickým problémem informatiků, kteří mají informace o existujících nástrojích, ale jejich podstatě nerozumí a pak je jen naslepo používají a doufají, „že to vyjde“. Jestliže řešení nefunguje, začnou prostě zkoušet jiný nástroj.

 

doc. Ing. Petr Horáček, CSc., Rockwell Automation

Máme dnes mnoho platforem pro modelování a simulace s dokonalou vizualizací, možností napojení na technologické databáze, ale to jsou jen nástroje, které někdo musí parametrizovat, naladit a udržovat. Všimněme si, že výrobci těchto platforem nikdy nenabízejí realizaci projektů, protože žádný takový projekt nemůže být pro ně ziskový, a pokud by ziskový být měl, bude cena pro zákazníka neakceptovatelná. Dalším problémem je neopakovatelnost. Zdánlivě stejné technologické procesy se vždy liší v maličkostech, které ve výsledku neumožňují případnému poskytovateli služby komplexní optimalizace mít nějaký obecný generický model, který by se případ od případu jen upravoval.

 

doc. Dr. Ing. Vladimír Kebo, expert Technologické agentury ČR

Heslo „umělá inteligence všude“ bych poopravil na „chytrá řešení všude“.


Klíčová slova současnosti: simulace, modelování, virtuální realita, umělá inteligence, big data a optimalizace – jak je uchopit?

Dnes a denně lze slyšet z úst zástupců dodavatelů technologií, informačních a řídicích systémů a služeb nejrůznějšího druhu slova simulace, modelování, virtuální realita, umělá inteligence, big data a optimalizace. A to nejen v průmyslu, ale také v zemědělství, stavebnictví, obchodu a mnoha dalších oborech, které pokrývají vše související s iniciativou 4.0 – od průmyslu, logistiky po společnost 4.0.

Není to nic nového. Modelovalo se, simulovalo a optimalizovalo vždy. Od technologických procesů po daně. Jen postupy a přístupy se mohly lišit. Současná doba umožňuje využít obrovskou výpočetní kapacitu, v podstatě neomezené kapacity archivů a mnoho zcela nových postupů. To vše s pomocí internetu.

Stále platí, že k pochopení dynamiky procesu je nutné řešit jejich popisy pomocí diferenciálních rovnic. To platí nejen pro fyzické soustavy, ale přeneseně i pro ty dosud ne­existující, které jsou pouze v návrhu, tedy pro ty virtuální. Sledování chování systémů v čase v nejrůznějších situacích, při běžném a nestandardním provozu, při náběhu, odstavování, poruše, při vyšetřování předporuchové situace, při kapacitních problémech – vyšetřování úzkých míst –, a především nacházení řešení takto odhalených problémů jsou základní úlohy simulace a modelování. Cílem by vždy měla být optimalizace, což není v podstatě nic jiného než snaha nalézt ty veličiny, které jsou příčinou nežádoucího chování procesů – nejčastěji jde o velký rozptyl veličin v čase, tyto veličiny vhodným opatřením stabilizovat a následně změnit žádanou hodnotu tak, aby se dosáhlo vyšší účinnosti. A je jedno, zda jde o spotřebu energií, úspory materiálu, lidské práce, času nebo nákladů. Princip je obdobný.

K tomuto slouží mnoho metod. Od statistických modelů přes modely pravidlové po použití metod umělé inteligence. V souvislosti se skutečností, že moderní podniky generují obrovská množství dat z technologických a ostatních procesů, podnikatelských, inovačních a správních, nabízí se možnost vytvářet modely s využitím neuronových sítí. I zde je možné nalézt mnohá úskalí. Představa, že lze zpracovávat data bez elementární znalosti vztahů, co je vstup, co je výstup, jaké tam panují závislosti, souvislosti, dopravní zpoždění a které veličiny nejsou k dispozici, se jeví jako lichá.

Možnosti ukládat obrovská množství dat v cloudu jak uvnitř podniku, tak u poskytovatele této služby dovolují je rozumně transformovat na smart data a pomocí analytických nástrojů vyšetřovat souvislosti a závislosti mezi jednotlivými proměnnými. Obecně se udává, že k jakýmkoliv analýzám se v současnosti využívá přibližně 15 % archivovaných dat. Je zapotřebí mít na paměti, že mnoho dat archivováno není, a jsou třeba velké znalosti a zkušenosti pro rozhodnutí, která data je nutné archivovat i pro analýzy v budoucnu, a která archivovat nemá smysl.

Naproti tomu použití pravidlových modelů, včetně modelů postavených na bázi fuzzy logiky, představuje od realizátora hlubokou znalost modelovaných souvislostí. U realizátora takovýchto modelů se předpokládá multidisciplinární vzdělání. Avšak v případě, že se autor modelu orientuje pouze v oblasti modelování, vyžaduje se také vstřícnost odborníků znalých konkrétních procesů a vůle podělit se o své znalosti. Často se naráží na jejich ne­ochotu tyto znalosti předat, protože převažuje pocit ohrožení jejich pozice v podniku. A dorůstající generace – označovaná Y, mileniálové a podobně – má představu, že vše se najde na internetu. Realita bývá v konkrétních případech velmi krutá. Také snaha o přenesení znalostí dodavatele optimalizačního systému z obdobného technologického zařízení ve světě není vždy úspěšná. Konkrétní podmínky vyžadují aktuální zpracování daných pravidel.

Další z metod – genetické algoritmy – je velmi užitečná především v rámci inovačního procesu, kdy se hledá vhodná kombinace pomocí přenášení nejlepších vlastností z rodičů na potomka v řadě kroků. Nejčastější je použití v potravinářství při míchání produktů z různých složek v cílovou směs, která má mít vždy stejnou kvalitu – ať je to čaj, káva, nebo blended whisky apod. S použitím genetických algoritmů je možné se setkat také v těžkém i lehkém průmyslu – míchání uhelných směsí v koksovnách, vyvíjení nových značek ocelí, míchání stavebních směsí, barev či vyvíjení nových produktů v systematických krocích. Uplatnění této metody online je poněkud problematické, nicméně lze najít příklady využití.

K metodám posledních několika let lze počítat vizualizaci a rozšířenou realitu. Ve většině případů se využívají výstupy ze systémů CAD, které mohou být využity k optimalizaci provozu ještě nerealizovaných technologických zařízení – linek, skladů, pracovišť, technologických uzlů, celků i celých závodů, především pro potřeby intralogistiky, kapacitního plánování a ergonomie procesů. Reál­ný svět se setkává s online daty v rozšířené realitě. Tato kombinace se nejčastěji využívá u skladů a v logistice, ale existují příklady i z výrobních procesů.

K moderním metodám zobrazení dat se řadí animace. Velmi pomáhají při instruktážích obsluhy, pracovníků servisu a údržby a při výuce personálu. Vizualizace může být řešena při vývoji produktu, například výrobní linky. Může být navržena externí firmou specializující se na tuto činnost. Propojení s rozšířenou realitou je zde namístě.

Stěžejní úlohu tu ale vždy budou hrát lidé jako nositelé znalostí o procesech a o používaných technologiích. Jsou v převážné míře zdrojem informací, zkušeností a znalostí. Jsou to nositelé technické tradice nejen svými vědomostmi, ale také přístupem k řešení nejrůznějších situací, většinou těch nepředvídatelných – poruchových, personálních, zapříčiněných vyšší mocí apod. Je obtížné si představit, že by bylo možné předvídat, analyzovat, modelovat a naprogramovat 100 % možných situací. I zde bude platit pravidlo 80/20, kdy s využitím umělé inteligence bude možné efektivně řešit a řídit 80 % provozních situací a řešení zbylých 20 % bude nutně vyžadovat rozhodnutí zkušeného odborníka.

Bylo by vynikající dosáhnout řízení výrobních a následně i ostatních podnikových procesů prostřednictvím simulací, modelování a s využitím umělé inteligence. Dalším krokem je logicky změna poměru 80/20 ve prospěch autonomních řídicích systémů. Věřme, že je možné tato přání v brzké době realizovat. A že nepůjde pouze o virtuální realitu.

Radim Adam