Rozproszona sztuczna inteligencja (DAI) w obróbce metalu - przetwarzanie brzegowe i DAI

Rozproszona sztuczna inteligencja (DAI) to koncepcja polegająca na rozmieszczaniu sztucznej inteligencji w wielu węzłach w obiekcie, przy czym każdy węzeł jest niezależny od pozostałych. Węzeł to miejsce, w którym następuje obliczanie, do pewnego stopnia przypominający neuron w ludzkim mózgu. Podobnie jak tradycyjnie rozumiana sztuczna inteligencja, rozproszone węzły i DAI wykorzystują algorytmy uczenia maszynowego i inne rozwiązania do automatycznego podejmowania decyzji.

Jednak w przeciwieństwie do typowej AI – określanej mianem scentralizowanej – rozproszony charakter DAI sprawia, że węzły, niekiedy zwane też agentami, mogą ze sobą współpracować, koordynując wiedzę i umiejętności różnych inteligentnych węzłów w dążeniu do wspólnego celu. Albo – jeśli to konieczne – działają niezależnie od siebie, realizując indywidualne cele. Przekształcenie w kierunku tego modelu określane jest często mianem fuzji AI.

Sztuczna inteligencja jest nadal uważana za nowinkę techniczną w przemyśle. Mimo to bieżące zastosowania AI już stają się przestarzałe. Scentralizowana AI, która przekazuje dane z powrotem do centralnego źródła, to typ AI najczęściej wdrażany w środowiskach przemysłowych, ale mimo to mało rozpowszechniony.

Największą barierą dla rozwoju scentralizowanej AI jest jej daleko idąca zależność od centrów danych i centralnych architektur. Aby skutecznie przetwarzać dane, scentralizowana AI musi gromadzić dane na poziomie węzłów i przekazywać je w inne miejsce celem przetwarzania i analizy. W środowiskach przemysłowych, w których używane są dziesiątki skomplikowanych maszyn, zakres generowanych danych może być kolosalny.

Przekształcenie na model rozproszony stawia to wyzwanie na głowie, dostarczając algorytmy dla danych, a nie odwrotnie. Zastosowanie metody zdecentralizowanej oznacza, że to algorytmy docierają do danych, niezależnie od tego, czy dane są gromadzone na brzegu, czy na platformie. Zaletą tego podejścia jest między innymi zmniejszone zapotrzebowanie na łączność szerokopasmową, gdyż dane nie muszą być transmitowane z obrabiarki do centrum danych i z powrotem.

W kontekście przemysłowym DAI jest metodą automatycznego gromadzenia znacznych ilości informacji o każdym procesie, ale jej kluczową zaletą jest zdolność do automatycznego inicjowania czynności. W zależności od węzła, w którym zlokalizowana jest DAI, podstawą tych czynności są indywidualne cele procesu, np. zmniejszenie ilości odpadów lub zużycia energii, lub wspomaganie realizacji szeroko zakrojonych celów zakładu.

DAI działa we współpracy z mocno promowaną techniką: przetwarzaniem brzegowym. Przetwarzanie brzegowe polega na rejestracji, przetwarzaniu i analizie danych urządzenia – na brzegu procesu – w czasie rzeczywistym.

Podobnie jak DAI, przetwarzanie brzegowe działa w sposób zdecentralizowany, umożliwiając optymalizację na poziomie obrabiarki, bez potrzeby odsyłania danych do centralnego zasobu. Podczas gdy przetwarzanie brzegowe polega na przetwarzaniu danych, DAI inicjuje czynności na ich podstawie.

W ramach konfiguracji rozproszonej sztucznej inteligencji liczne węzły będą działać niezależnie, często po rozmieszczeniu ich w wielu różnych miejscach w obiekcie. W środowisku obróbki wiórowej metali węzły te mogą być umieszczone np. na narzędziu skrawającym lub w aplikacji tokarskiej.

Ponieważ dane te są generowane i gromadzone na brzegu procesu, mogą zapewniać poziom szczegółowości niedostępny dla scentralizowanego obliczania. Pozostając przy przykładzie węzła umieszczonego na naszym narzędziu skrawającym, przetwarzanie i analiza brzegowa umożliwiałyby rejestrację danych podczas samego procesu w trakcie skrawania. Dane obejmowałyby temperaturę wyposażenia, wydajność skrawania, ugięcie narzędzia i wiele innych parametrów.

Zakładając, że przetwarzanie danych następuje na brzegu procesu, metoda ta umożliwia szybszy wgląd niż w przypadku przesyłania danych do centralnego zasobu. Ponadto może redukować koszty połączenia szerokopasmowego, gdyż do chmury wysyłane są tylko najważniejsze dane.

Podczas obróbki metalu dane analityki brzegowej mogłyby dostarczyć dowodu na to, że najbliższe przejście ostrza będzie nieprecyzyjne. W połączeniu ze sztuczną inteligencją system może automatycznie inicjować zatrzymanie. W nomenklaturze programistycznej ten typ węzła określany jest jako agent reaktywny – reagujący na dane wokół. Z powodu równoległego przetwarzania wszystkich węzłów w konfiguracji DAI informacje te mogą być udostępniane wszystkim innym węzłom w obiekcie.

To, czy węzły te są agentami reaktywnymi, decyzyjnymi czy hybrydowymi, określa ich zdolność do korzystania z tych informacji. Agenci decyzyjni posiadają zdolność gromadzenia danych ze świata zewnętrznego i inicjowania czynności zmierzających do osiągnięcia celów, natomiast agenci hybrydowi łączą umiejętności dwóch powyższych typów. W idealnym świecie wszystkie węzły byłyby hybrydowe.

Dlaczego rozproszona?

W kontekście przemysłowym argumenty przemawiające za DAI są oczywiste. Celem DAI jest rozwiązywanie problemów tradycyjnej sztucznej inteligencji związanych z rozumowaniem, planowaniem i percepcją, zwłaszcza podczas obsługi bardzo dużych zasobów danych.

W środowiskach przemysłowych często występuje znaczna liczba procesów, z których wszystkie mają wpływ na ogólną produktywność, jakość i przepustowość zakładu. Korzystanie z przetwarzania brzegowego do analizy tych procesów i sztucznej inteligencji do ich automatycznej optymalizacji to łatwizna.

Pomimo kiepskiego wizerunku w kulturze popularnej, sztuczna inteligencja stosowana w przemyśle bynajmniej nie przypomina złośliwych robotów, które często oglądamy na srebrnym ekranie. W rzeczywistości DAI to ich ścisłe przeciwieństwo. Umożliwia ona harmonijną współpracę zespołu, dysponującego jednak znacznie większą wydajnością przetwarzania niż jego ludzcy poprzednicy.

Nevzat Ertan

Główny Architekt i Dyrektor Globalny w Sandvik Coromant

Nevzat Ertan posiada gruntowne wykształcenie w zakresie matematyki stosowanej i metod obliczeniowych oraz ponad 35-letnie doświadczenie zawodowe w dziedzinie technologii informacyjno-komunikacyjnych, prognoz naukowych oraz rozwoju technicznego i strategii biznesu. Odpowiada także za dział architektury cyfrowych technik obróbki skrawaniem w Sandvik Coromant, jest specjalistą w dziedzinie biznesu cyfrowego/cyfrowej transformacji i Przemysłowego Internetu Rzeczy (IIoT) oraz ma rozległe międzynarodowe doświadczenie jako członek wykonawczy rad i zarządów różnych organizacji.