Från den mordiska superdatorn Hal i 2001: A Space Odyssey till Skynet i Terminator – artificiell intelligens (AI) har inte det bästa ryktet i populärkulturen. Men inom industrin däremot, har man på bred front börjat använda AI och maskininlärning som ett sätt att optimera processerna. Här beskriver Nevzat Ertan, Global Manager för Digital Machining Architecture hos Sandvik Coromant, framtiden för AI och distribuerad artificiell intelligens (DAI) inom skärande bearbetning.
Krönika: Nevzat Ertan, Global Manager för Digital Machining Architecture, Sandvik Coromant
Vad är distribuerad AI?
DAI, distribuerad artificiell intelligens, är ett sätt att använda AI i flera noder i en anläggning, där varje nod är oberoende av de andra. Med en nod menas en plats där beräkningar utförs, som i en starkt förenklad analogi kan jämföras neuronerna i den mänskliga hjärnan. På ungefär samma sätt som i konventionell AI, använder DAI maskininlärningsalgoritmer och annan teknik för att fatta automatiserade beslut.
Men till skillnad från i konventionell AI (som också kan kallas för ”centraliserad AI”) – kan DAI-systemets olika noder, ibland kallade agenter, samarbeta med varandra så att kunskaper och förmågor från flera intelligenta noder kombineras för att nå ett gemensamt mål. Vid behov kan de också arbeta fristående, för att nå separata mål. Övergången till den här modellen kallar man ibland för ”AI-fusionen”.
Därför är AI-fusionen nödvändig
Allmänt betraktas AI fortfarande som en ny teknik inom industrin. Men sättet att använda AI inom industrin är redan föråldrat. Centraliserad AI, där data skickas till en central källa, är den vanligaste typen av AI i industriella miljöer. Men det finns stora begränsningar med tekniken.
Den största nackdelen med centraliserad AI är att man i så hög grad förlitar sig på datacenter och centrala arkitekturer. För att bearbeta data effektivt måste den centraliserade AI-tekniken samla in data på nodnivå och sedan skicka iväg informationen för bearbetning och analys. I industriella miljöer med många avancerade maskiner kan de genererade datavolymerna bli enorma.
Med en distribuerad modell ändras det här förhållandet fullständigt, eftersom algoritmerna transporteras till informationen i stället för tvärtom. I en decentraliserad miljö placerar man algoritmerna där informationen finns, oavsett om informationen samlas in ”i utkanten” (vid enskilda enheter) eller på en plattform. En stor fördel med den distribuerade modellen är minskat bandbreddsbehov, eftersom informationen inte måste skickas från maskinerna, till datacentret och sedan tillbaka igen.
DAI i praktiken
I industriella miljöer ger DAI ett sätt att automatiskt samla in stora datavolymer i varje process – men den viktigaste fördelen är möjligheten att utföra automatiserade åtgärder. Beroende på i vilken nod DAI-tekniken är placerad, kan sådana åtgärder vara baserade på olika delmål i processen. Exempel på mål är att minska avfallet eller energiförbrukningen, eller att bidra till anläggningens övergripande mål.
DAI används i samverkan med den väldigt omtalade edge computing-tekniken. Edge computing innebär att insamling, bearbetning och analys av data utförs i realtid på en separat enhet i processens utkant – the edge.
I likhet med DAI är edge computing en distribuerad teknik, vilket möjliggör optimering på maskinnivå i stället för att informationen måste skickas till ett centralt datalager. Edge computing bearbetar data, DAI agerar på data.
Inlärningsagenter
I ett DAI-system kommer olika noder ofta agera oberoende av varandra, utspridda på olika platser platser i anläggningen. I en miljö för skärande bearbetning kan noderna vara distribuerade till exempel vid skärverktyget eller i en svarvapplikation.
Eftersom data genereras och samlas in i utkanten av en processen och kan den vara mer specifik och detaljrik än om det hade gjorts i ett centraliserad system. I exemplet med en skärverktygsnod ger edge-tekniken datainsamling i själva processen, där skärförloppet sker. Temperatur, noggrannhet, verktygsutböjning och andra faktorer är exempel på data som kan samlas in.
När informationen samlas in och bearbetas i utkanten av processen genereras insikter snabbare än om informationen hade skickats till ett centralt lager. Dessutom kan bredbandskostnaderna minska eftersom endast den viktigaste informationen skickas till molnet.
Vid skärande bearbetning kan edge-baserad dataanalys ge, till exempel, en direkt upplysning om indaktioner att nästa ingrepp kommer bli fel. Kombineras denna edge-funktion med AI kan systemet avbryta bearbetningen automatiskt. Talar man i programvarutermer kan en nod av den här typen kallas för en ”reaktiv agent”, dvs. en agent som reagerar på omgivande data. Eftersom alla noderna i DAI-systemet arbetar parallellt kan informationen delas med de andra noderna i anläggningen.
Beroende på om dessa är reaktiva, deliberativa eller hybridvarianter kan de använda informationen på olika sätt. Deliberativa agenter har förmåga att samla in data från omvärlden och skapa åtgärder för att uppnå sina mål, medan hybridagenter har både reaktiva och deliberativa förmågor. I en perfekt värld är de flesta noder hybrida.
Varför distribuerat?
I industriella miljöer är argumenten för DAI uppenbara. Syftet med DAI är att lösa den konventionella AI-teknikens utmaningar med resonemang, planering och uppfattning, i synnerhet vid hantering av väldigt stora datamängder.
Industriella miljöer innehåller ofta många processer, som alla påverkar anläggningens övergripande produktivitet, kvalitet och produktion. Att använda edge computing för att analysera processerna, och AI för att optimera dem automatiskt är den självklara vägen att gå.
Trots sitt dåliga rykte i populärkulturen har industriell AI inga som helst likheter med de illasinnade robotar som porträtteras på filmduken. Tvärtom ger DAI möjligheter att skapa ett helgjutet, väl fungerande team som har mycket snabbare bearbetningsförmåga än sina mänskliga föregångare.
För mer information: Sandvik Coromant
