AI w przemyśle. Jak pomaga ograniczyć niepewność biznesu i optymalizować procesy technologiczne?

– Biznes zawsze wiąże się z niepewnością, a AI pomaga nam ją ograniczyć poprzez możliwość szacowania skutków, a dzięki temu podejmować optymalne dla naszej działalności decyzje — twierdzą Łukasz i Konrad, dyrektorzy w Transition Technologies-Advanced Solutions. Jak korzysta się z AI w świecie twardego przemysłu i jakie przynosi to korzyści?

Od lat wspólnie pracujecie przy projektach implementacji AI do przemysłu, w szczególności energetycznego – sektorów wytwarzania energii z paliw kopalnianych, energii jądrowej czy odnawialnych źródeł. Wdrożenia realizujecie niemalże na całym świecie. Co wg Was jest kluczem do sukcesu tego typu projektów?

Łukasz: Fakt, nasze rozwiązania są obecne na wszystkich kontynentach poza Antarktydą. Jeszcze 😉 Zdecydowanie, clue jest tu połączenie wiedzy eksperckiej nt. procesów technologicznych, pracy obiektów i maszyn z umiejętnością analizy danych, budowania zaawansowanych modeli AI z wykorzystaniem algorytmów uczenia maszynowego oraz umiejętnym zarządzaniem jakością danych. Bo to one stanowią punkt wyjściowy w naszej pracy. AI nie mogłaby wspomagać żadnych procesów technicznych czy biznesowych bez dostępu do zdigitalizowanych zbiorów danych. 

Wasza praca jest więc przykładem idealnej synergii. Łączycie rozległą wiedzę branżową z zakresu przemysłu z know-how z obszaru Data Science.

Konrad: Tak, współpracujemy już od około 15 lat. Łukasz rozpoczynał swoją przygodę z firmą jako student Wydziału Mechanicznego Energetyki i Lotnictwa na Politechnice Warszawskiej, wnosząc w rozwój algorytmów AI wiedzę domenową z energetyki. Ja pracuję tu już od 20 lat, wskoczyłem do energetyki z IT po studiach na wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej. Od początku skupiałem się na rozwijaniu algorytmów AI oraz algorytmów optymalizacji i ich późniejszym zastosowaniu np. w energetyce, ciepłownictwie, gazownictwie. Od lat pracuję też na Politechnice Warszawskiej na wydziale MEiL — kształcę kadry dla energetyki. 

Przejdźmy do konkretów. Gdzie w energetyce może znaleźć zastosowanie AI, jakie korzyści może przynieść?

Konrad: Takich obszarów jest wiele. Generalnie w przemyśle, nie tylko w energetyce. Ale my będziemy posługiwać się przykładami z naszego podwórka.

Biznes zawsze wiąże się z niepewnością, a AI pomaga nam ją ograniczyć poprzez możliwość szacowania skutków decyzji, a dzięki temu podejmować optymalne dla naszej działalności decyzje.

Po pierwsze, AI wspiera procesy biznesowe. 

Jednym z podstawowych zastosowań algorytmów AI jest prognozowanie. Często nie mamy pewności, jakie w danym okresie będzie zapotrzebowanie klientów np. na energię elektryczną lub ciepło w systemie ciepłowniczym. Dzięki zastosowaniu modeli predykcyjnych AI możemy skuteczniej prognozować popyt na nasz produkt, a tym samym przygotować optymalny plan produkcji. Zmniejszamy wtedy margines błędu, decyzje zakupowe, sprzedażowe są trafniejsze, a w konsekwencji efekt ekonomiczny działalności jest większy. 

Innym, klasycznym zastosowaniem AI i uczenia maszynowego – także w przemyśle – jest automatyczne klastrowanie. Umożliwia nam ono np. identyfikowanie w sposób automatyczny klas odbiorców energii pod kątem profilu zużycia przez nich energii. Wykorzystując takie informacje, możemy zoptymalizować proces zakupowy oraz dostosować ofertę dla każdej grupy odbiorców.

Łukasz: Po drugie, AI pomaga optymalizować procesy technologiczne.

Zastanawiamy się, jakie decyzje operacyjne podjąć, aby energię czy ciepło dostarczyć w odpowiedniej ilości, w odpowiednim momencie przy jednoczesnej minimalizacji kosztów i maksymalizacji przychodów (w przypadku sieci ciepłowniczej pytamy, czy dziś w nocy uruchomić szczytowe źródło ciepła, w przypadku elektrociepłowni — czy dociążyć tę, czy inną turbinę, na jakich parametrach). Dysponując danymi i wiedzą ekspercką z zakresu technologii i Data Science możemy zbudować precyzyjne modele AI, które będą przewidywać, jaki wpływ na proces technologiczny będą miały nasze decyzje (gdy zmienimy pewne parametry lub tryby pracy urządzeń). A dzięki tym algorytmom możemy dokonać symulacji pracy całego obiektu i wybrać tę konfigurację, która jest optymalna eksploatacyjnie i kosztowo dla danych warunków pracy. 

W optymalizację procesów energetycznych przez AI możemy pójść głębiej – to nasze ulubione projekty 🙂 Polegają na budowaniu algorytmu, który sam będzie dobierał wyżej wymienione decyzje operacyjne. Albo działając w trybie doradczym, wskazywał je operatorowi do wykonania, albo wysyłał tylko do ostatecznego zatwierdzenia przez człowieka.

Szczególnie satysfakcjonujące są projekty, w których mamy możliwość ograniczenia emisji szkodliwych substancji takich jak CO₂, NO_X, CO, jak również zmniejszenie zapotrzebowania na energię pierwotną np. paliwa kopalne. 

Czy sztuczna inteligencja może być pomocna w utrzymania ruchu w zakładzie przemysłowym?

Łukasz: Oczywiście! To tzw. utrzymanie predykcyjne (predictive maintenance). Polega na stałym monitorowaniu parametrów procesowych maszyn i generowaniu alertów. Najczęściej wiąże się to z informowaniem, że wartość danego parametru procesu jest „nienaturalnie” odmienna od wartości spodziewanej. Wtedy takie podejście nazywamy wykrywaniem anomalii. Wykrywanie anomalii jest pierwszym krokiem w ocenie ryzyka wystąpienia danej awarii. Algorytm AI  analizuje cały zbiór parametrów danego urządzenia i wykrywa symptomy danej awarii, tak jak lekarz diagnozuje chorobę. Komunikaty generowane przez system mówią o wysokim prawdopodobieństwie wstąpienia awarii z wyprzedzeniem 1-2 h, aby operator procesu mógł odpowiednio wcześnie zareagować. 

Reagowanie na awarię urządzenia, gdy ta awaria już nastąpi, wiąże się ze stratami finansowymi. Dzięki zastosowaniu dokładnego modelu AI możemy usterki przewidywać i odpowiednio wcześniej zapobiegać awariom, a w konsekwencji prowadzić proces produkcyjny w niezakłócony sposób. 

Pamiętam, że w jednym z projektów PoC (Proof of Concept) klient wysłał nam próbkę danych, na której mieliśmy przedstawić działanie naszego systemu. Podczas analizy danych i testowania algorytmów AI na tej próbce wychodziły nam wyniki, które były trudne do zinterpretowania. Po dokładniejszej analizie okazało się, że w przekazanej próbce danych jest anomalia, którą nasz system wykrył. Na kolejnym spotkaniu statusowym PoC z klientem zaprezentowaliśmy wykrytą anomalię jednej z temperatur uzwojenia silnika głównej pompy i to wystarczyło do zakończenia PoC z sukcesem. 

Od czego zacząć projekt z wykorzystaniem algorytmów AI? 

Konrad: Najczęściej projekty z nowymi technologiami zaczynają się od wstępnego pomysłu po stronie klienta. Następnie my pomagamy te pomysły ubrać w konkretne działania. W tym celu często umawiamy się na spotkanie lub warsztaty, podczas których poznajemy specyfikę pracy danego klienta. Rozmawiamy o technologiach, o warunkach pracy, o celach i priorytetach. Po takim spotkaniu zarówno klient, jak i my wychodzimy dużo bogatsi o wiedzę na temat przedmiotu projektu. Zdarza się, że jeden pomysł np. optymalizacja pracy elektrociepłowni to w rzeczywistości kilka różnych obszarów i kilka różnych algorytmów AI zastosowanych w jednym projekcie – zaczynając od prognozowania, a skończywszy na pełnej integracji z systemem sterowania. 

Na koniec takich warsztatów jawi się wspólna koncepcja wdrożenia systemów sztucznej inteligencji ze wskazaniem spodziewanych efektów wdrożenia. 

Jak ocenić, czy projekt wdrożenia sztucznej inteligencji się powiódł? 

Łukasz: Powodzenie projektów w ogólności jest miarą spełnienia wymagań postawionych przed projektem – oczywiście w założonym czacie i założonym budżecie. Często projekty optymalizacyjne mają postawione za cel obniżenie kosztów, zwiększenie przychodów, poprawę pewnych parametrów procesu itd. W projektach, w których sztuczna inteligencja odpowiada za prognozowanie, liczony jest błąd prognozy, czyli różnica między wartością prognozowaną a rzeczywistą. Z kolei w przypadku przewidywania i unikania awarii mierzona jest poprawność oceny ryzyka awarii. Mówi się, że jeżeli system będzie w stanie przewidzieć przynajmniej jedną awarię, to zaufanie do tego systemu wzrośnie znacząco, a i inwestycja na wdrożenie tego systemu również się zwraca tą jedną unikniętą awarią. 

W sposób naturalny nasuwa się pytanie o ChatGPT. Coraz powszechniej wykorzystywany, w coraz większej liczbie sfer biznesu i naszego życia. Czy w przemyśle również mógłby mieć swoje zastosowanie?

Konrad: Jak najbardziej! I to różnorodne. 

Ciągle poznajemy nowe możliwości ChatGPT. Nasze prace nad dużymi modelami językowymi pokazują, że wiedzę z obszernych zbiorów dokumentów np. przetargowych można wyekstrahować i udostępniać poprzez komunikację z chatem np. zespołom sprzedażowym. To kolejny przykład, gdy AI usprawnia procesy handlowe poprzez zmniejszenie czasu potrzebnego na analizę dokumentacji. Przy czym – i wiemy to z doświadczenia projektowego – nadal jeszcze trzeba być czujnym. Mieć dodatkowe źródło weryfikacji tego, co chat odpowiada. 

Idąc dalej, wykorzystując dane językowe np. z instrukcji eksploatacji urządzeń można przygotować bazę wiedzy technologicznej z wykorzystaniem ChatGPT. Dodając do tego system służący do zbierania danych technologicznych i archiwizacji tych danych można na bieżąco prowadzić analizy procesu bez konieczności posiadania szczegółowej wiedzy nt. specyfiki danego procesu technologicznego. Wówczas możliwe będzie uzyskiwanie od chata odpowiedzi na pytania np. o czas rozruchów z danego okresu, ilość paliwa, która została wówczas zużyta, wysokość kosztów itp. 

Interesującą funkcją jest możliwość rozmowy (bo to przecież chat 🙂 ) w procesie analizy danych. ChatGPT bardzo dobrze sobie radzi w roli analityka danych, jeżeli zada mu się odpowiednie pytania. Radzi sobie z takimi komendami jak np.: „przedstaw zależność między pomiarem A i B”, „zmień format prezentacji danych” lub bardziej skomplikowanymi, jak np.: „jaka jest najczęściej występująca konfiguracja pracy urządzeń”. W ten sposób można przygotować analizę danych tak, aby przeanalizować i zaprezentować dane zjawisko np. przyczynę awaryjnego zatrzymania procesu ”.

W jakich jeszcze sektorach przemysłu, poza energetyką i ciepłownictwem, wdrażacie algorytmy sztucznej inteligencji i uczenia maszynowego?

Łukasz: Te same algorytmy, które stosujemy do optymalizacji pracy elektrociepłowni, magazynów gazu wykorzystujemy do optymalizacji energetycznej budynków, czyli utrzymania komfortu cieplnego osób przebywających w danym budynku przy obniżonych kosztach mediów tj. energii elektrycznej, ciepła, chłodu. Jednym z wyzwań jest określenie komfortu cieplnego dla wszystkich osób w budynku, w oparciu o istniejące pomiary. Wdrażając sztuczną inteligencję do sterowania budynkami, można liczyć na 20-30% oszczędności. 

Konrad: Realizujemy też projekty w medycynie, gdzie nasze algorytmy AI wspierają lekarzy w stawianiu trafniejszych diagnoz i proponowaniu personalizowanych terapii. Nasze systemy pomagają też osobom z dysfunkcją wzroku rozpoznawać banknoty, a kierowców wyścigowych wspierają w analizie i poprawie stylu jazdy.

Same algorytmy od strony matematycznej są do siebie podobne. Niezależnie od branży bardzo ważne jest jednak indywidualne, partnerskie podejście do klienta, oraz wiedza domenowa, pozwalająca na efektywną współpracę z ekspertami dziedzinowymi.

Konrad i Łukasz wspólnie prowadzą na YouTube inspirujący cykl filmów pt. „AI w przemyśle”. Dzielą się w nich swoim doświadczeniem z realnych wdrożeń przeprowadzonych w Polsce i za granicą. Zapraszają ciekawych gości, z którymi rozmawiają nie tylko o przemyśle, ale również o szerszym spektrum zastosowań AI w biznesie. To doskonała propozycja dla wszystkich osób ze świata IT&Tech zafascynowanych AI lub zaczynających odkrywać jej zalety, ekspertów pracujących dla przemysłu, jak i osób reprezentujących inne branże czy dopiero planujących swoją przyszłość zawodową.

---

Łukasz Śladewski. Dyrektor ds. Projektów Strategicznych w Transition Technologies-Advanced Solutions. W 2010 zakończył studia na Wydziale Mechanicznym Energetyki i Lotnictwa Politechniki Warszawskiej. W 2020 obronił tytuł doktora nauk technicznych na podstawie projektu wdrożenia sztucznej inteligencji do optymalizacji procesu spalania. Od 2009 pracownik Grupy Kapitałowej Transition Technologies w zakresie rozwoju i wdrażania systemów informatycznych opartych o sztuczną inteligencję w branży energetycznej.

Konrad Wojdan. Dyrektor ds. Badań i Rozwoju w Transition Technologies-Advanced Solutions. W 2005 zakończył studia informatyczne na Politechnice Warszawskiej. W 2009 obronił tytuł doktora nauk technicznych w dziedzinie Automatyka i Robotyka. Od 2004 pracownik Grupy Kapitałowej Transition Technologies. 

Zdjęcie główne pochodzi z Unsplash.com.