Coraz bardziej złożona rzeczywistość wymaga sztucznej inteligencji

• Strona główna
• Artykuły
• Coraz bardziej złożona rzeczywistość wymaga sztucznej inteligencji

2020-02-13  / Autor: Dominik Wójcicki

Rola sztucznej inteligencji

Przedsiębiorstwa chemiczne, bez względu na to, czy produkują wysoce specjalistyczne produkty, czy też zajmują się hurtem produktów towarowych, znajdują się pod coraz większą presją wywieraną przez konieczność wdrożenia nowych technologii mogących generować większą wartość biznesową. Automatyzacja oparta na sztucznej inteligencji ułatwia w tym kontekście współpracę świata fizycznego ze światem cyfrowym.

– Sztuczna inteligencja umożliwia wdrażanie adaptacyjnych, elastycznych i autonomicznych systemów technologicznych, dzięki którym możliwe jest zyskanie przewagi konkurencyjnej w środowisku opartym na danych. Dzięki tym osiągnięciom możliwa staje się zaawansowana automatyzacja sterowana sztuczną inteligencją. Jednocześnie zarządzanie danymi pozwala firmom na sprawne podejmowanie decyzji w czasie rzeczywistym. Przedsiębiorstwa wykorzystują technologie mobilne, aby zapewnić pracownikom mającym kontakt z klientami potrzebne rozwiązania i informacje. Zwiększają one wydajność pracy i pozwalają podejmować decyzje w czasie rzeczywistym, co z kolei umożliwia lepszą obsługę klienta – uważa Jacek Żurowski, dyrektor regionalny Zebra Technologies na Europę Środkową.

W jego ocenie, sztuczna inteligencja i technologie automatyzacji są coraz powszechniej wykorzystywane na całym świecie w obszarach produkcji przemysłowej. Firmy integrują je z nowymi lub funkcjonującymi już systemami, zmieniając i znacznie usprawniając procesy przepływów pracy, interakcji i podejmowania decyzji. W ten sposób zwiększają możliwości istniejących rozwiązań i tworzą bardziej dynamiczne ekosystemy nastawione na zwiększanie produktywności pracowników, poprawę wydajności i rozwój bezpiecznych środowisk.

– Świat staje się coraz bardziej skomplikowany i w coraz większym stopniu opiera się na danych cyfrowych. Firmy szukają więc lepszych sposobów na poruszanie się w tym świecie i automatyzację procesów bez kosztów związanych z kapitałem ludzkim. W przyszłości odnoszące sukcesy organizacje będą polegały na bieżących danych i statystykach, dzięki którym poprawią wydajność i zyskają przewagę konkurencyjną. Przez wiele lat firmy pozyskiwały informacje z „dużych zbiorów danych” (tzw. Big Data), gromadzonych i zapisywanych każdego dnia, czasami bez przerwy. W 2019 roku na prowadzenie wysunęły się „niewielkie zbiory danych ułatwiające podejmowanie działań”, do których dostęp można uzyskać w ramach poszczególnych przepływów pracy. Te dane dotyczą konkretnego przypadku i ułatwiają przedsiębiorstwom rozwiązywanie problemów i uzyskiwanie pożądanych wyników – wyjaśnia znaczenie sztucznej inteligencji we współczesnym przemyśle Jacek Żurowski z firmy Zebra Technologies.

Przemysł chemiczny korzysta ze sztucznej inteligencji

Praktyczne wykorzystanie sztucznej inteligencji w działaniach koncernów chemicznych może przybierać bardzo różne formy i najlepiej przedstawić je na konkretach.

Przedsiębiorstwo Mitsui Chemicals z Japonii opracowało niedawno technologię pozwalającą na przewidywanie jakości gazów, będących produktem reakcji. Analizuje ona 51 różnych czynników w czasie rzeczywistym, w tym warunki w reaktorze i parametry składników procesu. Nowa technologia pozwoliła firmie na poprawienie dokładności wysyłanych sygnałów o przebiegu reakcji, co zapewnia bezpieczniejsze i stabilniejsze działanie zakładów chemicznych. W przyszłości dyrektorzy zakładów produkcyjnych będą mogli stosować głębokie uczenie maszynowe do analizy ogromnych ilości danych w czasie rzeczywistym. Poprawi to dokładność prognoz i kontroli w procesach operacyjnych, zwłaszcza podczas procesów rozruchowych i modyfikacji służących zwiększeniu produkcji. Zapewni też większą przejrzystość w ocenie stanu faktycznego elementów składowych maszyn i instalacji oraz w zarządzaniu ryzykiem. Narzędzia oparte na sztucznej inteligencji będą mogły również usprawnić ciągłość produkcji, m.in. dlatego, że uczenie maszynowe pozwoli precyzyjniej przewidywać awarie lub konieczność wykonywania przeglądów.

O takim uczeniu maszynowym myśli także koncern BASF. Podpisał on w sierpniu 2019 r. z Technische Universität Berlin umowę o współpracy w dziedzinie uczenia maszynowego. Celem kooperacji jest opracowanie wykonalnych nowych modeli matematycznych i algorytmów dla podstawowych pytań związanych z chemią procesową i chemią kwantową.

– Uczenie maszynowe jest kluczowym filarem sztucznej inteligencji. Dzięki niemu analizowane są duże ilości danych w celu rozpoznania wzorców i relacji, które można wykorzystać do opracowania modeli predykcyjnych, optymalizujących się na podstawie uzyskanych wyników. Obszary zastosowania uczenia maszynowego obejmują w naszym przypadku systemy biologiczne oraz badania materiałów i składników aktywnych, a także automatyzację laboratoryjną i systemy dynamicznych procesów. Badamy takie kwestie, jak rozpuszczalność złożonych mieszanin lub barwników, a także przewidujemy procesy starzenia się katalizatorów. Na początku może nie wydawać się to szczególnie mocno skomplikowane, ale niestety jest inaczej. Na przykład znamy rozpuszczalność poszczególnych materiałów i prostych mieszanin, jednak gdy w składzie znajdzie się kilka składników jest to już inna historia. Im więcej danych wykorzystujemy i im lepiej dostosowany jest model uczenia się, tym lepiej można go przewidzieć. Nasza praca w laboratorium staje się wtedy bardziej wydajna – opowiada Hergen Schultze z BASF.

Na tym naturalnie nie koniec prac związanych ze sztuczną inteligencją w wykonaniu największego chemicznego koncernu w Europie. Stworzył BASF również zaawansowane narzędzie do automatycznej analizy zagrożeń dla produkcji rolnej. Chodzi o wspieranie rolników i doradców rolnych w identyfikacji chwastów i chorób powodujących straty w plonach, analizie zdrowia roślin oraz optymalizacji procesów użycia herbicydów i pestycydów. Technologia pozwala na dokładny monitoring stanu zdrowia roślin, ułatwia dozowanie niezbędnych w uprawach środków chemicznych oraz umożliwia korzystanie z nieustannie aktualizowanej przez samych użytkowników aplikacji bazy danych, stanowiącej doskonałe źródło wiedzy na temat istotnych dla produkcji rolnej zagrożeń znajdujących się w bezpośrednim sąsiedztwie. Narzędzie korzysta z nowoczesnej technologii identyfikacji obrazu dostarczanego do bazy danych przy użyciu smartfona. Tym samym rolnicy zyskali narzędzie gwarantujące im błyskawiczne rozpoznanie choroby dotykającej uprawę. Narzędzie to oprócz diagnozy dostarcza także cennych wskazówek w zakresie dozowania środków ochrony roślin.

Dane pobierane od użytkowników aplikacji trafiają do chmury obliczeniowej, której algorytmy w czasie rzeczywistym procesują informacje, generując finalne rozwiązania problemów.

O swoich doświadczeniach w pracach nad sztuczną inteligencją opowiadają także przedstawiciele niemieckiego Lanxessa. Kilka miesięcy temu spółka podała do wiadomości, w jaki sposób wykorzystuje sztuczną inteligencję w procesie rozwoju własnych produktów. Uruchomiła projekt pilotażowy, którego zadaniem jest ocena potencjału SI w produkcji tworzyw sztucznych. Celem jest dalsza optymalizacja włókien szklanych, które Lanxess wykorzystuje do wzmacniania wielu swoich wysokoparametrycznych tworzyw, a ostatecznie zwiększenie wydajności materiałów. Kluczową rolę odgrywa preparacja włókna – podlegają jej włókna szklane, które miesza się z tworzywami sztucznymi z zamiarem zwiększenia ich właściwości mechanicznych. Ułatwia im to mocniejsze wiązanie się z matrycą z tworzywa sztucznego, ostatecznie zapewniając właściwości wymagane w przypadku tworzyw sztucznych o wysokich parametrach. Proces optymalizacji doboru preparacji włókien szklanych jest złożony, pracochłonny i długotrwały. Lanxess oczekuje więc, że sztuczna inteligencja skróci czas opracowywania zoptymalizowanych formulacji o ponad połowę.

– W tradycyjnym rozwoju produktu złożona kompozycja preparacji włókien szklanych i liczne zmienne podczas produkcji wysokoparametrycznych tworzyw sztucznych wymagają szeroko zakrojonych badań, których wyniki są trudne do przewidzenia. Sztuczna inteligencja może w tym przypadku wnieść istotny wkład poprzez maksymalne wykorzystanie dostępnych danych. Na podstawie tysięcy wyników pomiarów z poprzednich formuł, informacji o surowcach i wielu dodatkowych danych algorytmy sztucznej inteligencji obliczają modele prognozowania dla ulepszonych konfiguracji testowych i parametrów, udoskonalają je w oparciu o wyniki pomiarów z każdego pojedynczego testu i wreszcie proponują optymalną formułę. Procedura ta sprawia, że rozwój produktu przebiega znacznie szybciej niż w przypadku metod tradycyjnych. Ten nasz pilotażowy projekt rozwoju wysokoparametrycznych tworzyw sztucznych jest dopiero początkiem obecności sztucznej inteligencji w codziennym funkcjonowaniu koncernu. Jest ona bowiem technologią niezbędną do tworzenia innowacji na podstawie niezliczonych danych gromadzonych przez naszą Grupę – wyjaśnia Jörg Hellwig, stojący na czele Inicjatywy Cyfryzacji w Lanxess.

Wszystkie przywołane w tekście przykłady pokazują, że sztuczna inteligencja ma prowadzić do poprawy konkurencyjności przedsiębiorstw i pozwalać im na optymalizację wykorzystania zasobów. Będzie to siłą rzeczy redukować miejsca pracy, zwykle te najprostsze, choć z drugiej strony także kreować nowe, wymagające specjalistycznych kompetencji. Im bardziej bowiem złożone procesy automatyzacji, tym lepiej wykwalifikowani muszą być ludzie, którzy nad nimi panują i zajmują się konserwacją czy programowaniem maszyn.

– Nie mam wątpliwości, że sztuczna inteligencja może się nauczyć wszystkiego, czego tylko mogą nauczyć się ludzie, bo istotą sztucznej inteligencji jest właśnie zdolność do uczenia się, a nie działanie według gotowych schematów. Podstawą jest głębokie uczenie się, tzw. deep learning, oparte podobnie jak u ludzi na dedukcji i doświadczeniu. W tym celu stosuje się komputerowe sieci neuronowe, które dosłownie chłoną wiedzę i to samodzielnie. Uczenie głębokie to znacznie więcej niż uczenie maszynowe, ponieważ opiera się na teorii pracy ludzkiego mózgu i przy tym nie wymaga nadzoru ze strony ludzi. Dlatego też deep learning to podstawa dla inteligentnych maszyn, które będą podejmować decyzje i uczyć się na własnych błędach, łącząc nowe dane z tym, czego nauczyły się wcześniej, co w niedalekiej przyszłości da społeczeństwu ogromne możliwości rozwoju, również w obszarze przemysłowym – uważa Max Welling, profesor Uniwersytetu w Amsterdamie i ekspert firmy Bosch prowadzący badania nad systemami sztucznej inteligencji.

CAŁY ARTYKUŁ ZNAJDĄ PAŃSTWO W NR 1/2020 DWUMIESIĘCZNIKA "CHEMIA I BIZNES". ZAPRASZAMY.

przemysł chemicznyLanxessBASFsztuczna inteligencjaZebra Technologies