Témata
Obrázek generovaný AI

AI není jen chatbot: Vývoj a trénování AI modelů ve strojírenství

S využitím umělé inteligence se stále častěji setkáváme i v moderním průmyslu – pomáhá zde např. optimalizovat výrobní procesy a předpovídat poruchy strojů. V tomto článku se podíváme na to, jaké jsou základní principy strojového učení a neuronových sítí, jak AI modely vznikají a jak je lze trénovat.

Tento článek je součástí seriálu:
AI není jen chatbot
Díly
Patrik Tesař

Jednatel a ředitel společnosti xyndata, propojující svět průmyslu a IT s vášní pro inovace a trvalý rozvoj.

Reklama

Strojové učení umožňuje počítačům řešit úlohy, aniž by byly explicitně naprogramovány pro každou situaci. Místo toho se počítače „učí“ z příkladů. Například systém, který rozpozná opotřebení nástrojů podle zvuku, nepotřebuje složitá pravidla, naučí se rozpoznávat charakteristiky zvuků na základě nahrávek různých stavů nástrojů.

Tři typy strojového učení

V případě učení s učitelem model dostává příklady včetně správných odpovědí a učí se vztah mezi vstupy a výsledky. Příkladem je rozpoznávání vadných součástek z fotografií.

Při učení bez učitele model hledá v datech skryté vzory, například může identifikovat neobvyklé režimy spotřeby energie výrobních linek.

Třetím typem je zpětnovazební učení, kdy model zkouší různé akce a je „odměňován“ za dobré výsledky. Příkladem je optimalizace výrobních parametrů, aby se dosáhlo maximální efektivity.

Obrázek generovaný AI

Neuronové sítě

Neuronové sítě jsou nástroje strojového učení inspirované lidským mozkem. Skládají se z několika vrstev propojených „neuronů“, přičemž vstupní vrstva přijímá data (hodnoty senzorů), tzv. skryté vrstvy hledají složitější vzory a výstupní vrstva poskytuje konečný výsledek. V praxi lze neuronové sítě využít např. k analýze vibrací ložisek, aby bylo možné předpovědět poruchu s předstihem několika dnů.

Jak pro daný problém vybrat vhodný algoritmus

Důležitým kritériem pro výběr algoritmu je typ úlohy. Jde-li o klasifikaci neboli třídění do kategorií (např. vadné a dobré výrobky), jsou vhodnými algoritmy rozhodovací stromy, random forest a neuronové sítě. V případě regrese (jde-li o předpověď číselné hodnoty, např. životnosti nástroje) lze použít lineární regresi nebo neuronové sítě. Na detekci anomálií (identifikaci neobvyklého chování) jsou vhodné algoritmy typu isolation forest a autoenkodéry. Vhodnými algoritmy na shlukování (rozdělení dat do přirozených skupin) jsou K-means nebo DBSCAN.

Reklama
Reklama
Reklama

Praktická doporučení pro výběr algoritmu

Z hlediska interpretovatelnosti je třeba vzít v úvahu, že rozhodovací stromy poskytují pochopitelná pravidla a že neuronové sítě jsou jakousi černou skříňkou. Pamatujte také na to, že komplexní modely potřebují velké množství dat. Začněte tedy s jednoduchým modelem a postupně zkoušejte složitější přístupy.

Nástroje pro vývoj AI modelů a pro jejich trénování

K populárním knihovnám jazyka Python patří knihovny Scikit-learn, TensorFlow, PyTorch a Pandas, využitelné např. k vytvoření modelů prediktivní údržby na základě dat ze senzorů. Platformy AutoML (Google AutoML, H2O.ai) automatizují výběr a ladění modelů – jejich prostřednictvím může např. inženýr posuzující kvalitu vytvořit model, aniž by musel programovat.

XynLog od společnosti xyndata

Systém xynLog je navržen přímo pro potřeby výrobních podniků: integruje sběr dat a jejich zpracování a zajišťuje implementaci AI modelů. Jedinečný přístup systému xynLog spočívá v trénování na vlastních datech každého zákazníka a jeho výhodami jsou vyšší přesnost (model je přizpůsoben konkrétnímu provozu), relevantní predikce (zaměření na problémy důležité pro danou firmu) a rychlejší implementace (není třeba složitě upravovat obecný model).

Reklama

Příklad nasazení: Ve strojírenském podniku byl systém xynLog natrénován na datech z CNC strojů. Dokáže předpovídat opotřebení nástrojů, s předstihem identifikovat začínající poruchy a optimalizovat parametry obrábění.

Proces trénování modelů

Proces začíná přípravou dat (jejich čištěním, transformací a rozdělením na trénovací a testovací sadu). Druhým krokem je výběr architektury (definice typu modelu a struktury). Následuje vlastní trénování, které spočívá v nastavení hyperparametrů, v učení a také v průběžném vyhodnocování. V dalším kroku je třeba provést evaluaci modelu (prostřednictvím testování na nových datech) a poté lze přikročit k jeho nasazení (implementaci) do provozu a provádět monitoring (průběžné sledování).

Časté výzvy při trénování modelů AI

Trénování modelů často naráží na nevyváženost dat, která je dána například tím, že v datech je mnoho záznamů o normálním provozu, ale málo záznamů o poruchách (přitom právě tyto záznamy jsou důležité). Úskalím jsou také změny ve sledovaném procesu (výrobní procesy se vyvíjejí, stroje se opotřebovávají). Samostatnou výzvou je interpretovatelnost – potřeba rozumět, proč model dělá určitá rozhodnutí.

Praktické kroky k implementaci AI

1. Identifikujte konkrétní problém s potenciálem rychlé návratnosti.

2. Zmapujte dostupná data – často již máte cenná data, která nejsou systematicky využívána.

3. Začněte s pilotním projektem v omezeném rozsahu (jeden stroj, jedna linka).

4. Spolupracujte s odborníky, kteří mají s AI v průmyslu zkušenosti, např. právě s firmou xyndata.

5. Vyhodnoťte výsledky a řešení postupně přeneste na další procesy.

Umělá inteligence je při správném nasazení významnou konkurenční výhodou a cestou k efektivnější výrobě.


Související články
AI není jen chatbot: Efektivnější logistika a plánování

Ve výrobních podnicích často řešíme stejné problémy: vysoké zásoby, zpoždění dodávek, neefektivní trasy rozvozů a nepřesné plánování výroby. Umělá inteligence nabízí, jak tyto každodenní obtíže vyřešit. Podívejme se, jak tato technologie funguje v praxi a co může přinést vašemu podniku.

AI není jen chatbot: Zlepšení kvality CNC obrábění

Kvalita v CNC obrábění určuje konkurenceschopnost každé strojírenské firmy. Umělá inteligence přináší revoluci v detekci defektů, optimalizaci procesů a prediktivní údržbě.

AI není jen chatbot: Kde ve strojírenství se AI vyplatí?

V dnešním strojírenství představuje umělá inteligence (AI) zásadní nástroj pro modernizaci a pro posílení konkurenceschopnosti. Přestože může být nasazení AI značně přínosné, je důležité vybrat vhodné procesy a zajistit maximální efekt s ohledem na kapacity firmy. Dobře zvolená strategie automatizace totiž dokáže zredukovat náklady, zvýšit efektivitu a odstranit rizika, která se dosud zdála neřešitelná.

Související články
AI není jen chatbot: Průvodce integrací AI ve strojírenství

Umělá inteligence (AI) zásadně mění způsob, jakým vnímáme a využíváme výrobu v dnešním strojírenství. Máte-li na starost řízení výroby, jistě vás zajímá, jak AI dokáže zefektivnit procesy, zlepšit kvalitu nebo snížit náklady. Tento průvodce vám pomůže pochopit, proč je AI zásadní pro budoucnost strojírenství, i to, jak ji úspěšně začít implementovat do výroby.

Reklama
Reklama
Reklama
Reklama
Související články
AI není všelék, je to nástroj

V posledních letech se umělá inteligence stala klíčovým tématem v mnoha odvětvích a strojírenství není výjimkou. Abychom lépe porozuměli jejímu potenciálu a výzvám, které přináší, požádali jsme o rozhovor odborníka na AI v průmyslu pana Patrika Tesaře ze společnosti xyndata. Mezinárodní tým této společnosti s pobočkami v Německu a USA se zabývá správou velkých serverů a vývojem softwaru pro velké obchodní společnosti a nabízí také MES systém xynLog, určený pro výrobní firmy.

AI v podnikových procesech

Umělá inteligence nachází uplatnění nejen v komunikaci se zákazníky, ale také při vývoji autonomních aut, řízení elektrických sítí, údržbě strojů a zařízení či medicíně. Je to nástroj, který umí řadu úkonů dělat lépe a efektivněji než člověk. Zvyšuje tak produktivitu práce, ale také umožňuje dělat věci, které by jinak nebyly možné.

Připravme se na budoucnost, Část 3. Disruptivní technologie blízké budoucnosti

Inovační guru, profesor Ján Košturiak připravil pro letošní rok cyklus seminářů s experty, které vytvářejí budoucnost pro ty, kteří chtějí být v budoucnu úspěšní. Tento nový koncept vzdělávací a informační platformy chce lidem ukázat změny, které přijdou v oblasti technologií, společnosti, práce, vzdělávání a podnikání.

AI + leadership = ekonomická transformace

Pozvání k otevíracímu rozhovoru zářijového vydání MM Průmyslového spektra, věnovaného největší přehlídce průmyslových inovací – MSV v Brně, přijal prof. Ing. Vladimír Mařík, DrSc., dr.h.c., FEng., zakladatel a vědecký ředitel CIIRC ČVUT v Praze a zakladatel a ředitel Institutu Equilibrium. Nedávno byl v Indii podle něj nazván Institut umělé inteligence na NIMS University v Jaipuru, což je pro Českou republiku mimořádná událost a velká čest.

CIMT a Čína v roce 2025

Předpokládám, že výstava CIMT je čtenářům MM Průmyslového spektra důvěrně známa. Vždyť o ní bylo napsáno v tištěné i elektronické podobě mnohé a mnohokrát. Avšak nikdy se nejednalo o kontext největší výstavy věnované obráběcím strojům na světě. Takový totiž byl letošní ročník. Tento text doplňuje a zároveň zakončuje sérii reportážních vstupů přímo z místa výstavy, které byly publikovány na redakčním webu.

Firmy přehodnocují koncentraci na americký trh

Podle Milana Kulhánka, partnera v oddělení poradenských služeb Deloitte Česká republika a lídra pro oblast automobilového průmyslu a dodavatelských řetězců, je receptem na úspěch tuzemského průmyslu kombinace digitalizace, automatizace, diverzifikace trhů a hledání výroby s vyšší přidanou hodnotou. V tom všem hraje zásadní roli jak úroveň vzdělávání, tak samozřejmě i koncepce strategie České republiky, která by měla jasně definovat, kam vlastně směřujeme a jak toho chceme dosáhnout. A s tím vším velmi úzce souvisí otázka energií a jejich cena. A pokud to vše sečteme a podtrhneme, dostáváme výsledek v podobě cenové nekonkurenceschopnosti a nejistoty českých výrobců na zahraničních trzích, aktuálně na trhu americkém.

Strategické řízení společnosti ve věku turbulence

Transformace v 90. letech 20. století způsobila, že je v České republice žalostně málo výrobců finálních produktů. Naše ekonomika bohužel oslabuje, příčinou není jen covid a další nepříznivé okolnosti, je to i důsledek politického neumětelství. Nicméně, existuje pár společností, které nás utvrzují v tom, že i v dnešním globalizovaném světě se české výrobky mohou na mezinárodních trzích excelentně prosadit. Vyžaduje to však využití tvůrčího potenciálu obyvatel, nové nápady. Politických inovačních strategií jsou desítky, zpravidla však, tak jak je v Česku obvyklé, jsou často nanejvýš dobrým politickým marketingovým trikem.

Bez znalosti matematiky znalostní ekonomiku nevybudujeme

Vzdělání je alfou a omegou všeho. Ať uvažujeme v ekonomické, či politické rovině, vzdělávání je společným jmenovatelem všech oblastí. Česká ekonomika se bohužel stále nedostala na předcovidovou úroveň, avšak změny v oblasti vzdělávání tomu mohou výrazně pomoci. Pokud nebudeme konat, stagnace naší ekonomiky se dostaví velmi rychle. Miroslava Kopicová, která se celoživotně věnuje otázkám zaměstnanosti, konkurenceschopnosti, vzdělávání a rozvoje lidských zdrojů, analyzuje v otevíracím rozhovoru současný stav, a díky svým bohatým zkušenostem nabízí různá řešení, jež nás z pasti ekonomiky s nízkou přidanou hodnotou mohou vytáhnout.

AI není jen chatbot: Integrace AI do stávajících systémů

Implementace umělé inteligence ve výrobních podnicích vyžaduje bezproblémovou integraci do existujících systémů. Podívejme se, jak propojit AI technologie s vaší současnou infrastrukturou.

AI není jen chatbot: Příprava dat pro strojové učení

V dnešní době se strojové učení, jež je součástí umělé inteligence, stává klíčovým prvkem modernizace řady průmyslových odvětví, včetně strojírenství. Aby umělá inteligence mohla správně fungovat a přinášet skutečnou hodnotu, potřebuje kvalitní data. Pojďme si vysvětlit, jak taková data připravit, a to i bez hlubokých znalostí IT.

Reklama
Předplatné MM

Dostáváte vydání MM Průmyslového spektra občasně zdarma na základě vaší registrace? Nejste ještě členem naší velké strojařské rodiny? Změňte to a staňte se naším stálým čtenářem. 

Proč jsme nejlepší?

  • Autoři článků jsou špičkoví praktici a akademici 
  • Vysoký podíl redakčního obsahu
  • Úzká provázanost printového a on-line obsahu ve špičkové platformě

a mnoho dalších benefitů.

... již 25 let zkušeností s odbornou novinařinou

      Předplatit