Jövőt boncolgató beszélgetés Masa Attilával, a Robot-X fejlesztési vezetőjével
Robottechnológián alapuló gyártási folyamatok optimalizálását támogató szoftverek fejlesztésével foglalkoztok egy független robotintegrátor cégnél. Eltekintve az ipar 4.0-tól, mi most a „legforróbb” téma a Ti szakterületeteken?
Masa Attila: Nincs egy téma, inkább „forró témák” vannak. Ha közös nevezőre kell őket hoznom, a válaszom a BI, vagyis az üzleti intelligencia. Alapjában véve meglehetősen régi fogalom, hiszen tény alapú rendszereket már évtizedek óta alkalmaznak az üzleti döntéshozatali folyamatok javítására. Manapság viszont – amikor a mesterséges intelligencia új alapokra helyezi a gyártási folyamatokat – ezek az analitikai rendszerek ismét nagyon aktuálissá váltak.
- Hirdetés -
Fejlesztési szempontból jelenleg az egyre autonómabb rendszerek jelentik a legizgalmasabb kihívást – és persze az a kérdés, hogy mikor engedjük majd el a mesterséges intelligencia „kezét”. De az iparban globálisan azért ez még kicsit odébb van…
A klasszikus AI-t alkalmazó területek – kevés kivételtől eltekintve – ma még nem irányítanak, hanem egy vagy több konkrét munkafolyamat elemzését végzik. Vegyünk egy példát az ipari automatizálásból: van egy gyártó robotcellád, amiben túl sok a nem tervezett leállás, nem elég hatékony a működés, Te pedig szeretnéd optimalizálni a működését, megelőzni a megállásokat. Mit teszel? Leegyszerűsítve: kellő ideig megfigyeled a működést, historikus adatokat gyűjtesz legalább 1-2 hónapra visszamenően, mert ezek az adatok rejtik a választ a számodra. Ezekből az adatokból fogja tudni az adott AI modell meghatározni, hogy a leggyakoribb hibatípusod milyen más eseményekkel korrelált, támpontot kapsz, hogy hogyan javíthatod ki a folyamatod, és miként előzhetsz meg további nem várt állásidőket. A hibaokok felismerése emellett stratégiai, hatékonysági döntésekben is a segítségedre lesz.
Mindez ma már egy elég gyakori eljárás, és egyre egyszerűbb, egy felhasználóbarátabb diagnosztikai eszközöket biztosít hozzá a piac, pl. a Robot-X is. A téma az öntanuló algoritmusok megjelenésével válik izgalmasabbá, amelyek alkalmazása elengedhetetlen egy ilyen feladat során. Ezeket azért vezetjük be, hogy a rendszerek képesek legyenek egyre több minta alapján egyre intelligensebbé válni, és egyre könnyebben, valamint egyre korábban felismerjék azokat a jeleket, amik például meghibásodáshoz vezetnek. Saját távoli elérést biztosító termékünk, a WaMeWo fejlesztése során is kiemelt figyelmet fordítunk erre a témakörre partnereinkkel együttműködve.
Számításaitok szerint ez a „jövő” milyen időtávot fed le?
M.A.: Jó kérdés, nehéz rá válaszolni. Milyen mértékben gyorsul fel a technológiai fejlődés? Ezt ma még senki nem tudja pontosan megmondani – bár egy megfelelő AI biztos megjósolná az elmúlt évtizedek adatai alapján (nevet). Nézzük ismét egy példát!
Ki mondta volna meg a 2000-es évek elején, amikor idehaza még egy-egy összetettebb robotcella üzembe helyezése is komoly idő- és energiabefektetés volt, amit csak a legnagyobb nemzetközi gyártóvállalatok voltak képesek finanszírozni, hogy 15-20 év múlva a KKV-k is ekkora robotizálási igénnyel jelentkeznek, és a nagy robotgyártók is alig győzik majd őket kiszolgálni?
Az igény és a termelés felfutott, a robotok olcsóbbak lettek, és ma itt állunk a hihetetlen tempójú robotizációs boom kellős közepén.
Hasonló a helyzet az adatokkal operáló IT infrastruktúra területén is: a komponenseknek csökken az ára, a szerverek sem annyira drágák már, az adattárolás is nagyságrendekkel költséghatékonyabb. Egyre több mindenki vág bele, hálózatokat épít, azokból pedig rengeteg adatot gyűjt – még ha egyelőre nem is feltétlen tudja teljesen, milyen céllal.
Milyen hosszú távon érheti meg egy termelő vállalatnak adatgyűjtésbe fektetni?
M. A.: Muszáj kérdéssel válaszolnom: hogyan számolsz megtérülést még a legegyszerűbb rendszeralkalmazásra is, ha azt egy folyamatosan növekvő hálózatba kötötted? Míg korábban viszonylag egyszerű matekkal kijött (beruházás költsége, rezsi, stb.), hogy egy robotcellának átlagosan 3-5 év a megtérülési ideje, addig egy korszerű gyártástámogató platform elvárt és tényleges eredményességének differenciájára a használat során kapunk választ, optimális esetben még látens kérdéseinkre is, illetve a termelési hatékonyság értékének növelése is kisebb léptékű, amivel a befektetést kompenzálhatjuk. Egy évtizeden belül a vállatok többsége legalább 4.0-ás (ha nem magasabb szintű) hálózatokban termelő gyárrá válik. A technológiai fejlődés ilyen tempója mellett nyilván a megtérülés is lerövidül majd, és bár a hálózatosítás és az adatelemzés továbbra is hosszabb távú befektetés marad, de alapkövetelménye lesz a versenyképességnek.
Mi a digitalizáció első lépése, és mi a legnagyobb kihívása?
M. A.: Az adatgyűjtés – még ha konkrét fókusz nélküli is – mindenképp előrelátó dolog, hiszen az adatok tulajdonképpen a nulladik lépcsőfokot jelentik egy ipar 4.0 rendszerben, rájuk épül minden. Létező gyakorlat, hogy egy gyártó, miután felismeri az adatgyűjtés hasznát és szükségességét, előzetesen meghatározott cél nélkül fog bele a digitalizálásba. Ennek a megközelítésnek a tipikus példája az, mikor az adatgyűjtés fókuszában egy gép, pl. célgép vagy robotcella áll, és a gép szolgáltatta adatokból megyünk „felfelé”. Az ilyen fajta adatelemzésekből nyert információnak klasszikusan azok az ipari gyártók vehetik hasznát, akik kellő műszaki, rendszerintegrátori háttértudással rendelkeznek az adatok hatékony „olvasásához”.
Létezik azonban ellenkező irányú megközelítés is, amit főként IT hátterű cégek használnak előszeretettel. Ők – a gépek és integrált rendszerek konkrét ismerete nélkül – általában „felülről”, egy konkrét kérdésre, problémára fókuszálva fejlesztenek és elemeznek adatokat.
Nyilvánvalóan mindkét iránynak megvannak az előnyei, hátrányai, és a két megközelítés a közeljövőben valószínűleg össze is olvad majd. Optimális helyzetben ugyanis egyszerre fentről és lentről is közelítünk, azaz a megrendelővel közösen előre meghatározzuk, hogy mit várunk el egy ilyen rendszertől, majd pedig ezen konkrét elvárás alá rendeljük a teljes struktúrát, miközben kellő gépismerettel, műszaki tudással is rendelkezünk, hogy az adatgyűjtésünk releváns és célorientált legyen, és az adatértelmezés hatékonyságát ne torzítsa a szakmai jártasság hiánya.
Egy hatékony adatgyűjtő rendszer kiépítésében a legnagyobb kihívás a szervezet humán oldalról adódik, mikor az elvárások meghatározásánál rendszerszerűen, a gyár minden területét horizontálisan és vertikálisan is meg kell szólítani. Nem elég a mérnökséggel egyeztetni, célszerű a menedzsmentet, illetve a másik oldalon akár az operátorokat is bevonni – minden kompetens kollégát, aki fel tudja mérni, hogy a saját területe szempontjából milyen adatokat célszerű a „varázsdobozba” önteni, másrészt pedig képes az adatokat értelmezni. Az sem utolsó szempont, hogy egy jól megépített alappal egyúttal az autonóm módon működő algoritmusok irányába, vagyis az egyre kevesebb emberi beavatkozást igénylő gyárak jövőjébe is léptünk egyet.
Hol tartanak, és milyen korlátai vannak az autonóm rendszereknek, teljesen kiváltják-e majd az emberi beavatkozást az algoritmusok?
M.A.: Erre már több próbálkozás is volt, de tudomásom szerint nincs még egyértelmű sikersztori ezen a területen. A Tesla Model 3 autonóm gyárában például már kipróbálták az emberi közreműködés nélküli gyártást, de az nem igazán vált be, a gyár nem hozta a várt eredményeket.
Végül Musk belátta, hogy „alábecsülte az emberi tényezőt”, és visszavezette a humán munkaerőt a termelésbe. A Tesla persze egy extrém eset, az iparban még nem ennyire előrehaladott az autonóm termelés.
A robotcellák a környezeti változásokra még nem annyira jól tudnak reagálni, inkább statikusan kommunikálnak egymással. Persze egy autógyári hegesztőüzemben, ahol egy-egy robotcellában akár 60-70 robot is teszi a dolgát, ez a kommunikáció is elég összetett tud lenni. Az autonómia igénye a nyugati – főként német autógyárakban a legerősebb, így az ilyen típusú fejlesztések minden valószínűség szerint a nyugat-európai OEM-ek nyomására fognak nálunk is megindulni.
Közben természetesen az autóipar kiszolgálói oldalán, a robottechnológiában is folynak érdekes és komoly fejlesztések, amik már az autonómia irányába mutatnak. Alapvetően kezdünk átállni az automatizált „vezérlésről” az automatizált „vezénylésre”, vagyis a jövő rendszereinek már nem elég a normál működést vinniük, hanem nem várt eseményekre, pl. hibákra, új igényre kell tudniuk felxibilisen reagálni. Vannak olyan fejlesztések is, amelyek már túlnyúlnak a szigorúan vett gyártáson, és más, a gyártási folyamat egészéhez kapcsolt területeket érintenek. Ilyen pl. a belső logisztika az AGV-kkel, a vezető nélküli szállító rendszerekkel. Az ABB újonnan épülő robotgyárában már nem gyártósorokban gondolkodnak a folyamat automatizálása során, hanem komplett gyártószigetekben, aminek könnyebben lehet más feladatot adni, ha új projektre áll át a termelés. Most pedig kösd össze a kettőt: tedd AGV-kre a kisebb gyártóegységeid, és az egész gyárad pillanatok alatt átállíthatod egy új feladatra. Feltéve, ha addigra kellő mértékben automatizáltál, hálózatba kötöttél és becsatornáztál minden gyártáshoz szükséges infrastruktúrát, és persze ha az egész felett működik egy hatékony, emberi vagy autonóm döntési mechanizmus: a vezénylés.
És itt jön újra képbe a mesterséges intelligencia…
M. A.: Igen, az AI megkerülhetetlen. Amikor például komplett gyártószigeteket vezénylünk majd egyik feladatról a másikra, már tudnunk kell a pontos választ arra a kérdésre, hogy hogyan készítjük fel a robotjainkat egy újabb elvégzendő feladatra. Igazán hatékony ebben a helyzetben nem az lesz, akinek gyorsabb programozó csapata van, hanem akinek öntanuló robotjai vannak, amelyek kellő számú példa megvizsgálása alapján „feltalálják” magukat. Hamarosan fel kell készítenünk a gépeket arra, hogy saját maguktól meg tudjanak tanulni egyes munkafolyamatokat. A szenzorok, visszajelző rendszerek fejlődésével ez a tanulási folyamat jó eséllyel a jövőben már úgy fog zajlani, mint egy embernél, akinek a kezébe adod az eszközt, és elkezd „gyakorolni”. Ebben a folyamatban a mesterséges intelligencia mellett azonban elengedhetetlen elem lesz a gépi látás is. Egy AI-val összekötött vizuális alkalmazás már képes lesz 3D-ban érzékelni és értékelni a környezete történéseit, azokra döntési mechanizmusokat illeszteni, hasonlóan, mint mi, emberek is. Kellő számú „jó” és „nem jó” mintát látunk életünk során, ami alapján képesek vagyunk egy eseményt egyik állapothoz rendelni, vagy akár alternatív státuszba sorolni. Ugyanez fog történni a jövő gyártási folyamatai során is.
Összességében tehát mára minden építőelemünk rendelkezésre áll egy kellően hatékony, intelligens és autonóm termelési folyamat felépítéséhez, de úgy gondolom, mi magunk még nem állunk teljesen készen egy ilyen szellemgyár üzemeltetésére. A technológiai fejlődés tempóját már maga a technológia diktálja, amivel egyre nehezebb lépést tartania az evolúciónak.