AI není všelék, je to nástroj

MM: Pane Tesaři, váš tým se intenzivně zabývá AI. Jaké bylo vaše první setkání s umělou inteligencí?

P. Tesař: To se datuje do doby, kdy jsem v zahraničí pracoval jako zaměstnanec jedné velké firmy. Tam jsem se podílel na vývoji komplexního systému na analýzu e-mailů, samozřejmě vše bylo anonymizováno a v souladu s GDPR. Cílem bylo e-maily vyhodnocovat a analyzovat spokojenost či nespokojenost jednotlivých oddělení na základě mítinků a dalších dat. I když v té době neexistovali chatboti, jak je známe dnes, už tehdy se ke zlepšování výstupů využívalo strojové učení, což v podstatě byla pokročilá statistika. Dnešní jazykové modely jsou založeny na podobných principech, kdy se tokenizovaná slova propojují v neuronové síti a odpovědi se generují na základě statistické pravděpodobnosti.

MM: Můžete nám dát příklad využití AI přímo ve vaší firmě? Které procesy vám umělá inteligence pomáhá optimalizovat?

P. Tesař: My sami využíváme AI ve dvou hlavních oblastech. První oblastí je podpora pro vývoj softwaru, kdy používáme různé dostupné modely v závislosti na konkrétním úkolu. Nemáme jeden preferovaný model, protože každý se hodí na něco jiného. Druhou oblastí je automatizace a optimalizace interních procesů. Zde využíváme vizuální nástroj nazvaný N8N, který nám umožňuje řešit složité pracovní toky, a to bez nutnosti programování. Například když přijde e-mail, N8N jej vyhodnotí, kategorizuje, pokusí se připravit odpověď, nechá ji zkontrolovat a po potvrzení ji odešle. Dokáže také například generovat blogové příspěvky na našich webových stránkách. Nástroj N8N implementujeme též u klientů, kteří chtějí jednoduše nasadit chatbota nebo zlepšit vnitrofiremní procesy. Je nezávislý na platformách a dokáže analyzovat soubory z úložišť, jako je například Google Drive, zpracovat je jazykovými modely a publikovat výsledky jako webové stránky nebo vytvářet úkoly pro konkrétní lidi.

MM: Kdyby se na vás obrátil jednatel výrobní firmy s dotazem, jak začít s AI ve výrobě, jaký byste mu doporučil první krok a jaké překážky může na této cestě očekávat?

P. Tesař: Moje první otázka by byla, jak je na tom firma s digitalizací a sběrem dat ze strojů. AI je nadstavba nad digitalizací. Bez zvládnutí prvního kroku digitalizace, tedy sběru dat a zajištění jejich dostupnosti, vám umělá inteligence nepomůže. I když stroje třeba nejsou přímo napojené, většina firem má alespoň ERP, skladový nebo zakázkový systém, což je dobrý začátek.

Druhá klíčová otázka je: Co si od AI slibujete? Jaké problémy vás tlačí a s čím očekáváte, že AI pomůže? Umělá inteligence není všelék, je to jen nástroj. Měli jsme například německého zákazníka v logistice, který chtěl pomocí AI optimalizovat trasy. Problém byl v tom, že manažeři nerozuměli vstupním parametrům a nedokázali specifikovat, co vlastně potřebují. Proto často spolupracujeme s externími technology, kteří procesy analyzují a po diskuzi s interními technology navrhnou, jak může AI pomoci. Hlavní překážky jsou tedy nepřipravenost dat a neschopnost lidí specifikovat, co od AI chtějí a nač se mají ptát.

MM: Zaměřme se nyní konkrétně na strojírenství. Které procesy se podle vašich zkušeností nejvíce vyplatí pomocí AI automatizovat?

P. Tesař: Ve strojírenství, zejména v kovoobrábění, výrobě forem, elektroerozivním a laserovém obrábění, kde data tečou kontinuálně, je potenciál obrovský. Předně AI může fungovat jako váš analytik, který vám poskytuje hotové analýzy a podklady, aniž byste museli sami prohledávat grafy a hledat rozdíly. Například dokáže porovnat produktivitu mezi směnami a analyzovat optimalizaci programů a jejich vývoj v čase.

Dále jsou to včasná upozornění: Systém může na základě předchozích událostí nebo výměn nástrojů upozornit na blížící se potřebu výměny nástroje. Pokud má AI přístup k ERP a datům ze strojů, dokáže též odhadnout, zda stíháte naplánovanou zakázku, a upozornit vás v případě, že plány nejsou realistické. Mnoho těchto věcí by šlo naprogramovat i bez AI, ale s ní je to často jednodušší a umožňuje to vyhodnocovat data nezávisle na algoritmech.

Další oblastí je vizuální kontrola (Vision AI): Existují systémy, jejichž kamery v reálném čase analyzují obraz a upozorňují na potenciální problémy nebo kolize.

MM: Jak by měla výrobní společnost přistupovat k přípravě dat pro strojové učení, zejména pokud nemá hluboké znalosti v oblasti IT?

P. Tesař: Základem je mít data v jakékoli formě, ale nejdůležitější je jejich konzistence. To znamená neměnit strukturu dat každé dva měsíce. Je nutné provést úvodní analýzu toho, jaká data jsme schopni sbírat, a navrhnout strukturu tak, aby se dala v budoucnu rozšířit o nová data bez narušení konzistence. Pro sběr dat je potřeba mít ve firmě IT specialistu, který propojí stroje a udržuje ERP systém. Podstatné je vědět, co dělám, co chci a jaká data mám k dispozici. Klíčovou osobou je technolog, který datům rozumí, ne finanční ředitel.

Dále doporučuji postupovat v krátkých, kontrolovatelných krocích – například měsíčních nebo dvoutýdenních. Je vhodné začít s vizualizací dat v grafech, a teprve až je systém stabilní, přistoupit k implementaci matematických modelů nebo jazykových modelů.

MM: Jaké strategie a přístupy doporučujete pro bezproblémové propojení AI technologií s již existující infrastrukturou ve strojírenství?

P. Tesař: Propojení AI technologií s existující infrastrukturou se řeší pomocí takzvaných konektorů. Jazykový model (LLM) sám o sobě nemá přístup k vašim datům. Vývojář připraví konektor, který LLM s vašimi daty propojí. Vysvětlí mu typy dat, řekne, co z nich může získat, a určí časové intervaly. Když LLM dostane otázku, na kterou může v datech najít odpověď, obrátí se právě na tento konektor. Software pak získá data z databáze a připraví je ve standardním formátu, aby LLM mohl konstruovat odpověď bez fabulací.

Kromě konektoru mezi LLM a daty je důležitý i konektor mezi LLM a uživatelem. To umožňuje uživateli komunikovat s modelem, objevovat informace a klást otázky. My chceme, aby uživatelé mohli spíše sami objevovat a ptát se než jen používat předdefinované šablony.

MM: Mohl byste představit hlavní typy AI nástrojů, které jsou aktuálně dostupné pro strojírenské podniky?

P. Tesař: Pro strojírenské podniky přichází v úvahu například nástroj OpenCV (Open Source Computer Vision Library) – nástroj pro analýzu obrazu, umožňující identifikovat vady jednotlivých kusů nebo nástrojů a provádět vizuální porovnání. Může pomoci naučit AI rozpoznávat zmetky.

Dále jsou tu knihovny pro analýzu dat, mezi něž patří PyTorch a TensorFlow. Tyto nástroje využívají hlubší matematickou analýzu dat. V dnešní době je to natolik rozvinuté, že nemusíte být matematik nebo statistik, abyste s těmito nástroji dokázal potřebná data získat.

Další nástroje zprostředkují softwarové propojení s jazykovým modelem (LLM) a jeho využití v interakci s uživatelem. Díky historii zaznamenaných otázek a odpovědí se jazykový model učí, co uživatele zajímá, jaké výsledky chce a v jaké formě (např. excelové tabulky nebo dokumenty).

MM: Jedním z důležitých aspektů vývoje AI je otázka bezpečnosti. Jak lze zajistit, aby nástroje umělé inteligence byly pro použití v průmyslu bezpečné?

P. Tesař: Pro zajištění bezpečnosti je klíčové mít data lokálně. To znamená neposílat je do veřejných cloudových služeb firem, jako jsou například Anthropic, OpenAI nebo Microsoft. Mít model lokálně je sice hardwarově náročnější, ale data zůstanou ve vaší infrastruktuře. Pokud je potřeba zobrazovat výsledky například na mobilních zařízeních, je dobré mít separátní konektor přes demilitarizovanou zónu, aby ven šly pouze autorizované a bezpečné části dat.

Bezpečnostní úroveň závisí na zákazníkovi a jeho ochotě investovat; čím je řešení bezpečnější, tím je dražší. Rizika zahrnují únik výrobních dat, jako jsou například parametry strojů nebo počet vyrobených kusů. V případě přímé práce s výkresy nebo programy pro obrábění by mohlo dojít k úniku know-how firmy a konkrétních zakázek. Ale i nejvyšší úroveň zabezpečení lze překonat, záleží na motivaci útočníka. Konkurence se však často zaměřuje spíše na finanční data, faktury nebo seznamy zákazníků než na výrobní data samotná.

MM: Vaše společnost nabízí pokročilý nástroj xynLog. Můžete jej představit a popsat, jak uživatelům CNC strojů pomáhá?

P. Tesař: Nástroj xynLog je systém MES (Manufacturing Execution System), který se snaží odpovědět na otázku, nakolik je výroba optimalizovaná. Klíčové je propojení mezi stroji a zakázkami. Na rozdíl od mnoha jiných MES systémů se my snažíme přistupovat k jednotlivým strojům přímo, bez nutnosti dokupovat drahé opce od výrobců řídicích systémů. Čteme co nejvíce dostupných parametrů a na základě toho dáváme uživateli přehled o tom, zda stroje pracují optimálně, nebo zda existují rezervy. Upozorňujeme například na sníženou produktivitu, když operátoři sníží posuvy stroje. Nejde o kontrolu zaměstnanců, ale o kontrolu strojů a jejich produktivity. Pomáhá to například ukázat, zda starý stroj stále stačí, nebo je na čase investovat do nového.

Další důležitou součástí nástroje xynLog je prediktivní údržba. Systém sleduje, kdy se naposledy na stroji něco upravovalo nebo opravovalo, které nástroje byly použity a kdy může dojít k poškození nástroje. Poskytuje informace o tom, kdy je potřeba provést další kontrolu, analyzuje data a automaticky posílá upozornění, pokud proměnné překročí referenční hodnoty.

XynLog také využívá umělou inteligenci. K našemu programu nabízíme lokální, samotrénovací model, který pomáhá operátorům, mistrům a managementu poskytovat informace o parametrech, zakázkách a dalších datech. Všechny dokumenty týkající se stroje a zakázek jsou nahrány a AI na jejich základě vyhodnocuje instrukce jako „Kolik hodin stroj pracoval minulý týden?“ nebo „Porovnej produktivitu těchto dvou strojů“.

Systém je rozšiřitelný a napojitelný na jakýkoli další systém, např. na ERP nebo skladový systém. To znamená, že dokáže pomoci i s plánováním zakázek a umí zohledňovat dostupnost materiálu nebo nástrojů ve skladu.

Jednou ze speciálních funkcí systému xynLog je automatizační workflow. Uživatel si na základě parametrů může definovat, co se má stát: například „když bude rapid override pod 95 %, pošli mi upozornění formou SMS“. Tato vizuální forma umožňuje sestavit složité akce bez potřeby programátora, což je konkurenční výhoda.

MM: Vývoj v oblasti AI je velmi dynamický. Jaké trendy v současné době považujete za nejdůležitější?

P. Tesař: Je velmi těžké být vizionářem, protože v oboru AI se objevuje něco nového každý týden. Nicméně tento rok je rokem takzvaných AI agentů. Jde o specializované moduly umělé inteligence, které plní jen určité funkce – například jeden agent kontroluje správnost NC programů a dalšího agenta informuje o problému. Máte tedy síť agentů, kteří spolu komunikují, místo jednoho, který dělá vše.

Dlouhodobě se očekává příchod AGI (Artificial General Intelligence), tedy umělé inteligence schopné uvažovat jako člověk, ale tisíckrát lépe. Nemyslím si však, že to bude za pět nebo deset let, bude to trvat déle. Výzvou je degradace kvality dat, protože stále více obsahu na internetu je generováno právě prostřednictvím AI a na těchto datech se pak nové modely učí, což snižuje kvalitu. Existují dokonce firmy, které data záměrně deformují, aby byla pro AI nepoužitelná.

Co se týče bezpečnostních rizik, kromě úniku dat se obávám především cílené manipulace s veřejným míněním. Mnozí lidé si neověřují informace a věří všemu, co vidí. AI usnadňuje výrobu informací, které vyvolávají určité emoce, například pocit nebezpečí, a emoce pak ovlivňují jednání lidí.

Dalším rizikem pro firmy je rychlá replikovatelnost know-how konkurencí. To je otázka autorských práv a jejich vymahatelnosti.

Pokud jde o regulaci AI, nemyslím si, že směr, kterým se ubírá Evropská unie, je dobrý. Evropa AI reguluje, zatímco zbytek světa ne a to nás jen svazuje. Mělo by to být regulováno globálně a regulace by měla být vymahatelná.