Úvodník

Vážení a milí čtenáři,

v tomto čísle nahlédnete do „podivuhodného světa průmyslového metaverza“. Z diskusí s lidmi z praxe, vývojáři a programátory, jsem nabyl dojmu, že metaverzum často pokládají jen za další módní termín. No, když se tématu chopí copywriteři a reklamní stratégové, je skepse pochopitelná. V rozhovoru s Františkem Podzimkem (str. 6 až 7) se snažíme vysvětlit, jaká je podstata a obsah průmyslového metaverza a k čemu ho lze využít.

Je to podobné jako s umělou inteligencí. Ta si dlouho žila ve výzkumných ústavech a tiše spala v tlustých monografiích. Potom si jí všimli inženýři a začali ji využívat tam, kde jim klasické nástroje nestačily. Třeba ke zpracování obrazu nebo k analýze signálů ve vibrodiagnostice. Vzhledem k její výpočetní náročnosti se první skutečné aplikace objevily ve vojenství a bezpečnostním průmyslu, potom v medicíně a nakonec i v běžné průmyslové automatizaci. A najednou je umělá inteligence všude, všechno je chytré, inteligentní a smart.

Metoda hlubokého strojového učení, obor umělé inteligence, je také součástí kamerového systému Cognex In-Sight 2800, který loni získal, mimo jiná ocenění, také cenu Zlatý Amper (str. 13 až 15). Systém zpracovává obrazy pomocí neuronových sítí a „zázračné“ je na něm to, že nevyžaduje ohromné množství vzorových dat, aby se naučil obrazy správně vyhodnocovat. Vtip je v tom, že neuronová síť je předem „teoreticky“ naučená plnit základní úlohy a stačí ji jen doučit v praxi.

Systémy umělé inteligence totiž bývají trochu „tupými žáčky“: aby se něco naučily, potřebují ohromné množství dat. Jejich předností je, že je zpracovávají rychle, přesně a neúnavně. Ale kde data vzít?

S tímto problémem se nyní potýkají i tvůrci robotu Fravebot (str. 10 až 12). Systém je třeba naučit, aby rozeznal různé škůdce a choroby rajčat. Naštěstí není třeba učit jej vždy na skutečných rostlinách. Jak řekl Vratislav Beneš ve své přednášce na konferenci Roboty 2023, odborníci z firmy OptiSolutions nyní pro Fravebot vytvářejí „učebnici rostlinolékařství“, aby jej na simulovaných datech naučili co nejspolehlivěji rozeznat zvadlý list od listu napadaného plísní nebo opylený květ od neopyleného.

A jsme zpět u metaverza. Prostředí průmyslového metaverza může být cenné pro výcvik a školení lidské obsluhy strojů, ale také zdrojem dat pro systémy umělé inteligence, aby se mohly na simulovaných datech lépe, rychleji a levněji učit rozhodovat o reálných problémech.

Přeji inspirativní čtení.

Petr Bartošík, šéfredaktor