Beágyazott gépi tanulási rendszerek ipari alkalmazása

Az elmúlt években számtalan előrejelzéssel találkozhattunk azzal kapcsolatban, miként fogja egyre inkább átalakítani életünket a mesterséges intelligencia (MI) és a gépi tanulás (GT). Ezek a jóslatok igen vaskos árcédulával is ellátták ezt a folyamatot, 2024-re 554 milliárd dollárnyi költséget előrevetítve világpiaci szinten.

Természetesen a gyártási és az ipari szektor sem maradhat ki a folyamatból, a mesterséges intelligencia és a gépi tanulás meghatározó szerepet játszanak az ipar digitális átalakulásában. A gyárakban alkalmazott számítógépek már távolról sem számítanak újdonságnak a programozható logikai vezérlők (PLC) és a jól bevált felügyeleti szabályozó és adatgyűjtő rendszerek (supervisory control and data acquisition – SCADA) révén. Azonban az ipari „dolgok internetje” (IIoT) térnyerésével a gyártósorokat elárasztó szenzorok folyamatosan növekvő adatmennyiséget generálnak. A mesterséges intelligencia és a gépi tanulás jelentik a megoldást az adatok feldolgozásához és hatékony felhasználásához, elősegítve az Ipar 4.0 mielőbbi eljövetelét.
Milyen módszerekkel alkalmazhatják a mérnökök a mesterséges intelligenciát és a gépi tanulást, hogy azok valódi, hasznos változásokat hozzanak? Vajon elég érett és hatékony már ez a technológia a bevezetéshez, vagy még mindig csak gyerekcipőben jár?
Egy nagyon fontos különbség tisztázásával kell kezdeni: a gépi tanulás nem azonos a mesterséges intelligenciával. Bár sokféle definíciója létezik, abban teljes az egyetértés, hogy a mesterséges intelligencia a számítógépek emberi gondolkodáshoz hasonló működésének elérésére irányuló törekvés. A gépi tanulás ezzel szemben lényegesen szűkebb területre koncentrál, az adatok feldolgozásán alapuló tanulási-fejlődési folyamatot jelenti, amely nem rendelkezik az emberi gondolkodás és tervezés átfogó jellegével. A gépi tanulás lényege olyan algoritmusok előállítása, amelyek az előrejelzések és azok pontosságának elemzésén keresztül képesek tanulni.
Az ipar szinte minden területén megjelent már a gépi tanulás, a megelőző karbantartástól a gyártási folyamatok optimalizációján keresztül az olyan egyszerűnek tűnő, azonban létfontosságú feladatokig, mint a pótalkatrészek és fogyóeszközök beszerzésével kapcsolatos döntések. Jó példa egy szerszámgép, amelynek működése során hőmérséklet- és rezgésérzékelők gyűjtenek adatokat. Egy gépi tanulási rendszer ezeknek az adatoknak az elemzésével képes érzékelni egy alkatrész elhasználódását vagy hibás beállítását, és előrejelezni egy esetleges meghibásodást. Ezek a szenzorok utólagosan is beépíthetők, de az újabb gyártású szerszámgépek már eleve beépített érzékelőkkel rendelkeznek.

Hol használjuk a gépi tanulást napjainkban?

Vizsgáljunk meg néhány alkalmazási területet részletesebben, és nézzük meg, milyen szerepet töltenek be az ipar automatizációjában.

Néhány jellemző felhasználási terület:

• Gépi látás – a minőségellenőrzés és a folyamatok felügyelete tipikusan olyan terület, ahol egy gépi tanulási rendszer könnyen betanítható a problémák felismerésére. Ez lehet akár egy annyira egyszerű alkalmazás is, mint egy szállítószalagról hiányzó munkadarab észlelése.
• Döntéshozatal – az adatelemzésen alapuló, valós idejű, villámgyors és a helyzetnek megfelelő döntési képesség nem csupán a hatékonyságot növeli, de csökkenti az emberi hiba esélyét is.
• Megelőző karbantartás – az érzékelőadatok elemzésével számos meghibásodás előrejelezhető, ezzel csökkentve az állásidőt és a karbantartási költségeket.
• Biztonsági felügyelet – a potenciális kockázatot jelentő történések és helyzetek felismerése, és a megfelelő reakció (például gépek leállítása, emberek, járművek, robotok összeütközésének megakadályozása) segíthet elkerülni a baleseteket és károkat.

Gyakorlati szempontból nem minden rendszerben alkalmazható a gépi tanulás. Az adatok gyűjtésének és feldolgozásának kivitelezhetőségében, illetve ezek költségében (szenzorok beépítése, számítási kapacitás biztosítása, adat- és energiahálózat kiépítése) egyaránt felmerülhetnek korlátok. Szintén problémás lehet az adatfeldolgozásban megjelenő késedelem, ami az adatok felmerülési helyétől távol lévő tárolási és számítási kapacitás lassú eléréséből ered.

A gépi tanulás automatizációba történő integrálásával kapcsolatos kihívások

Hasznos kiindulópontot jelent az automatizációval foglalkozó Beckhoff által megfogalmazott öt kulcsfontosságú követelmény, amelyeknek mindegyike szükséges a gépi tanulás automatizálási folyamatokba történő sikeres integrációjához:

• Nyitott interfész a rendszerek könnyebb együttműködésének érdekében
• A gépi tanulási eszközöknek szükségszerűen minél egyszerűbbnek kell lenniük, lehetővé téve speciális szakértelem nélküli beillesztésüket már meglévő informatikai rendszerekbe
• Megfelelő szintű megbízhatóság és pontosság szükséges a valódi értéket jelentő eredményekhez
• Erőteljes tanulási képesség, ami által kevésbé pontos és sok zavaró elemet tartalmazó adathalmazt is képes tanulásra felhasználni
• Átláthatóság a gépi tanulási rendszerek minél jobb érthetősége érdekében

A mesterséges intelligenciára és a gépi tanulásra alapuló projektek gyakorlati megvalósítása számos kihívást tartogat, elsősorban azon szervezetek számára, amelyek nem rendelkeznek gyakorlattal e területen. Gartner szerint „Az MI-projektek gyakran vallanak kudarcot fenntarthatósággal, skálázhatósággal és irányítással kapcsolatos problémák miatt”, miközben hatalmas szakadék tátong a tervezés és a megvalósíthatósági tanulmányok, illetve a működőképes rendszerek termelésbe történő bevezetése között. A túlzott elvárásokhoz igazodni nem képes skálázhatóság könnyen a projektek kudarcához vezethet, a kellő transzparencia hiánya pedig elfedi a problémák valódi okát a vállalati döntéshozók elől.
Szintén fontos egy gépi tanulási rendszer bevezetésekor a praktikus szempontok, illetve a szükséges számítási teljesítmény figyelembe vétele. Elsőre nem minden esetben egyértelmű, azonban a gépi tanulási rendszerek kezdeti – tanulási – fázisa és a már bevezetett rendszer működési modelljének folyamatos finomítása igencsak eltérő adat- és számításigényű. A kezdeti szakaszban hatalmas adatállományokra és jelentős számítási kapacitásra, ebből eredően komoly teljesítményű számítógépekre és szerverekre van szükség. Az üzembe állítást követően azonban a rendszer – az új adatok alapján történő folyamatos – finomhangolása („inferencing” – következtetések) lényegesen kisebb teljesítményt igényel, amelynek kielégítésére kiválóan alkalmasak a beágyazott processzorok.

1. ábra A kezdeti tanulási folyamat számítógépen zajlik, azonban az üzemi működés közbeni finomhangolást már beépített processzorok végzik (Forrás: Microchip)

A gépi tanulási modellek helyi működtetése akár beágyazott rendszeren, akár hozzákapcsolt peremhálózati (edge) számítógépen egyértelmű előnyökkel jár a távoli szerverekre vagy a felhőbe feltöltött adathalmazokon végzett számításokkal szemben. Minimális késleltetésű, összességében gyakran gyorsabb működést eredményez, csökkenti az adatátvitelhez szükséges sávszélességet, valamint hozzájárul az adatbiztonsághoz és az adatvédelemhez.
A Gartner „empowered edge” koncepciója jól használható leírást ad a számítási erőforrások és a beépített intelligens szenzorok hatékony összeállításáról. Az „edge” (perem) kifejezés lényegében az adatok keletkezési helyükön történő feldolgozására vonatkozik. A beágyazottság ebben az esetben akár a végpontok (szenzorok és aktuátorok) gépi tanulási képességekkel történő felszerelését is jelentheti.

Gépi tanulás: miért, mit, hol és hogyan

Ugyan a gépi tanulás nem minden helyzetben jelent megoldást, azonban használata számos alkalmazási területen vitathatatlan előnyökkel jár. Milyen esetben érdemes a gépi tanulási rendszerekhez fordulni? Számos vállalat számára a hatékonyság, a skálázhatóság és a termelékenység javulását eredményezheti a költségek alacsonyan tartása mellett. Bár néhány területen felmerülhetnek etikai és felelősségbeli megfontolások, a nem közvetlenül az ügyfelekkel foglalkozó ipari műveletek esetében ezek jól kezelhetők. Az IDC álláspontja – miszerint: „A vállalatok be fogják vezetni a mesterséges intelligencia használatát, nem csupán azért, mert az egy lehetőség számukra, hanem mert szükségszerűség” – egyáltalán nem nevezhető túlzásnak a kiélezett ipari versenyben.
Ha a gépi tanulás bevezetésének mikéntjére és a szükséges komponensek mibenlétére keressük a választ, ajánlott először a „hol?” kérdését megvizsgálni. Érdemes helyi, beágyazott megoldásban gondolkodni, vagy jobban járunk egy felhőalapú rendszerrel? Bár a helyben végzett adatfeldolgozás gyakran egyértelműen jobb, mindenképp mérlegelni kell a kompromisszumokat a költségek, a késleltetés, az energiafogyasztás, a biztonság és a számításokat végző erőforrás fizikai elhelyezésének szükségessége kapcsán.
Beágyazott gépi tanulási rendszerek kiépítéséhez számos beszállító kínál ipari alkalmazásoknak megfelelő processzorokat.

Néhány példa:
A Maxim MAX78000 egy „rendszer-chip” (System on Chip – SoC) mesterséges intelligencia és gépi tanulási alkalmazásokhoz. Az Arm Cortex-M4 mag köré épülő rendszer hardveres gyorsítókkal biztosítja a következtetésekhez (inferencing) szükséges számítási teljesítményt, mindezt alacsony fogyasztás mellett. A Maxim fejlesztőkészletet és alkalmazásplatformot kínál a mérnökök számára, amelyek használatával gyorsabban és a lehető legtöbbet képesek kihozni a MAX78000-ből.

2. ábra A Maxim MAX78000 egylapkás rendszerre épülő MAX7800 kiértékelő készlete színes érintőképernyővel, mikrofonnal, giroszkóppal és gyorsulásmérővel (Forrás: Maxim Integrated)

Másik példa a Microchip ML-ökoszisztémája, amely tartalmazza az EV18H79A SAMD21 és az EV45Y33A SAMD21 fejlesztőkészleteket. Ezek a Microchip SAMD21G18 jelű Arm Cortex-M0+ processzora köré épülő, TDK- és Bosch-szenzorokat tartalmazó 32 bites mikrovezérlők.
Figyelemre méltó az NXP Arm Cortex-M7 MPCore platformra épülő i.MX RT1060 crossover (extra funkciókat is tartalmazó) mikrovezérlője. Az NPX teljes körű szoftver- és eszköztámogatásának köszönhetően nagy számítási kapacitással, valamint perifériák széles választékával rendelkezik.

Következtetés

Nyilvánvaló, hogy a gépi tanulás ipari alkalmazása hatalmas távlatokat jelentő technológia, ami lehetővé teszi a gyártási és egyéb folyamatok javítását a hatékonyság, a skálázhatóság és termelékenység növelésével, illetve segíti a költségek alacsony szinten tartását.

A gépi tanulási rendszerek bevezetése bonyolult folyamat, és számos kompromisszumos döntést igényel. Az egyik legfontosabb ezek közül a számítási műveletek helyének megválasztása, amely történhet helyben vagy akár beágyazott rendszerek használatával is, illetve távoli szervereken vagy felhőalapú megoldásokkal.
A gépi tanulás ipari termelésben történő alkalmazásához egyre növekvő számú, nagy teljesítményű beágyazott processzor áll rendelkezésre a terület főbb gyártóinak (mint például a Maxim, a Microchip vagy az NXP) szoftver-alkalmazásrendszereinek és fejlesztőeszközeinek támogatásával. Ez egyben azt is jelenti, hogy a megfelelő processzorok beépítésével a gyártási végpontokon történő adatfeldolgozás (és ezzel az adatok helyben tartása) egyre inkább járható úttá válik a gépi tanulási rendszerek megvalósításában.

Szerző: Mark Patrick –
Mouser Electronics

Mouser Electronics
Franchised Distributor
www.mouser.com