Sztuczna inteligencja a automatyzacja: co wybrać i kiedy?

Sztuczna inteligencja a automatyzacja staje się coraz ważniejszym zagadnieniem dla przedsiębiorstw produkcyjnych. W miarę jak fabryki gromadzą coraz więcej danych, podłączają coraz więcej maszyn i digitalizują coraz więcej procesów, menedżerowie często stają przed tym samym dylematem: czy powinniśmy zautomatyzować proces przy użyciu tradycyjnych reguł, czy też potrzebujemy sztucznej inteligencji?

Odpowiedź jest zazwyczaj prostsza niż sama technologia.

Tradycyjna automatyzacja mówi: “Jeśli wydarzy się X, wykonaj Y”. Sztuczna inteligencja mówi: “Na podstawie dostępnych danych oszacuj, przewidź lub zinterpretuj, co prawdopodobnie wydarzy się dalej”.”

Oba podejścia są wartościowe. Po prostu służą do rozwiązywania różnych rodzajów problemów.

To rozróżnienie ma znaczenie, ponieważ najdroższym błędem często nie jest brak wdrożenia sztucznej inteligencji. Najdroższym błędem jest natomiast stosowanie sztucznej inteligencji tam, gdzie prostszy system oparty na regułach byłby tańszy, bezpieczniejszy i łatwiejszy w utrzymaniu — albo poleganie na sztywnej automatyzacji w sytuacjach, gdy rzeczywisty problem wymaga prognozowania, interpretacji lub rozpoznawania wzorców.

Czym jest automatyzacja tradycyjna?

Tradycyjna automatyzacja jest przeznaczona do procesów, które są przewidywalne i które można opisać za pomocą jednoznacznych reguł. System nie musi “rozumieć” sytuacji. Musi jedynie postępować zgodnie z wcześniej zdefiniowaną logiką.

Model podstawowy wygląda następująco:

JEŚLI X → TO Y

Zasada ta może być wdrażana w wielu różnych technologiach: przemysłowych systemach sterowania, logice sterowników PLC, silnikach przepływu pracy, skryptach, integracjach z systemami ERP, automatyzacji procesów robotycznych czy standardowym oprogramowaniu biznesowym.

Na przykład:

• Formularz zostaje przesłany → dane są zapisywane w systemie ERP.
• Urządzenie osiąga określoną temperaturę → uruchamia się alarm.
• Przychodzi faktura → jest ona przekazywana odpowiedniej osobie do zatwierdzenia.
• Cykl produkcyjny został zakończony → wynik zostaje zapisany i rozpoczyna się kolejny etap.

Żadna z tych sytuacji niekoniecznie wymaga zastosowania sztucznej inteligencji.

Jeśli warunek da się jasno zdefiniować, a właściwa reakcja jest znana z góry, zazwyczaj lepszym rozwiązaniem jest klasyczna automatyzacja. Jej wdrożenie jest często tańsze, łatwiejsze do przetestowania i bardziej przewidywalne w środowiskach produkcyjnych.

Czym różni się sztuczna inteligencja od automatyzacji?

Sztuczna inteligencja okazuje się przydatna, gdy odpowiedzi nie da się łatwo ująć w postaci ustalonego zestawu reguł.

Zamiast ręcznie programować każdy możliwy warunek, tworzymy model, który uczy się wzorców na podstawie danych i wykorzystuje je do generowania wyniku.

Uproszczony przebieg pracy z wykorzystaniem sztucznej inteligencji wygląda następująco:

DANE → MODEL → PROGNOZA / KLASYFIKACJA / REKOMENDACJA

Przykłady obejmują:

• prognozowanie przyszłego popytu,
• przewidywanie awarii sprzętu,
• wykrywanie wad produktów na zdjęciach,
• polecanie produktów lub działań,
• klasyfikowanie i pozyskiwanie informacji z dokumentów,
• rozpoznawanie języka naturalnego,
• szacowanie przyszłego zapotrzebowania na surowce.

Warto zwrócić uwagę na jedną istotną różnicę: model sztucznej inteligencji nie “wie” w ludzkim rozumieniu tego słowa, co powinno się wydarzyć. Generuje on wynik w oparciu o wzorce statystyczne wyuczone na podstawie danych.

Oznacza to, że systemy sztucznej inteligencji mają zazwyczaj charakter probabilistyczny, a nie całkowicie deterministyczny. Model może oszacować, że prawdopodobieństwo awarii maszyny wynosi 82%, sklasyfikować obraz jako wadliwy z określonym wskaźnikiem pewności lub przewidzieć popyt w ramach oczekiwanego zakresu błędu.

Ta niepewność niekoniecznie jest słabością. W wielu problemach biznesowych niepewność już istnieje. Sztuczna inteligencja po prostu pomaga ją oszacować.

Sztuczna inteligencja a automatyzacja: kluczowe różnice

Kryterium	Tradycyjna automatyzacja	AI
Logika	Jasno określone zasady	Model wytrenowany na podstawie danych
Typowa struktura	Jeśli X, to Y	Na podstawie danych przewidzieć wartość X
Wymagania dotyczące danych	Może być stosunkowo proste	Zazwyczaj ma kluczowe znaczenie dla wydajności
Przewidywalność procesu	Najlepsze rozwiązanie dla procesów o wysokim stopniu przewidywalności	Przydatne, gdy wyniki zależą od złożonych wzorców
Obsługa wyjątków	Wymaga dodatkowych zasad	Potrafi rozpoznawać wzorce na podstawie wielu zmiennych
Nauka	Brak szkolenia modelu	Model został wytrenowany i można go później aktualizować lub ponownie trenować
Typowy koszt wdrożenia	Zazwyczaj niższe	Często wyższy
Konserwacja	Zasady, integracje i logika procesów	Dane, wydajność modelu, infrastruktura i integracje
Najlepsze przykłady zastosowań	Powtarzalne procesy oparte na regułach	Prognozowanie, klasyfikacja i problemy niejednoznaczne

To porównanie pokazuje, dlaczego dyskusja na temat sztucznej inteligencji i automatyzacji, w której sugeruje się, że jedna z tych technologii zastąpi drugą, jest myląca.

Automatyzacja nie jest przestarzałą wersją sztucznej inteligencji. To zupełnie inne narzędzie.

Kiedy warto zdecydować się na tradycyjną automatyzację?

Automatyzacja jest zazwyczaj właściwym wyborem, gdy proces jest stabilny, powtarzalny i łatwy do opisania.

Warto wybrać tradycyjną automatyzację, gdy:

• proces powtarza się w podobny sposób,
• zasady podejmowania decyzji są znane,
• oczekiwany wynik jest przewidywalny,
• istnieje stosunkowo niewiele wyjątków,
• nie potrzebujesz prognozowania ani rozpoznawania wzorców.

Prosty przykład produkcji

Wyobraźmy sobie, że maszyna kończy cykl produkcyjny.

System musi wykonać cztery czynności:

Jeśli cykl = zakończony → zapisz wynik → wyślij powiadomienie → rozpocznij kolejny etap.

To idealny przykład zadania z zakresu automatyki.

Wprowadzenie uczenia maszynowego spowodowałoby niepotrzebne skomplikowanie. Konieczne byłoby stworzenie potoków danych, walidacja modeli, monitorowanie i ewentualnie ponowne szkolenie modeli — a wszystko to bez rozwiązania problemu, który i tak już od początku był trudny.

W tym przypadku sztuczna inteligencja nie sprawiłaby, że system stałby się inteligentniejszy. Po prostu podniosłaby jego koszt.

Kiedy warto skorzystać ze sztucznej inteligencji?

Warto zadać sobie następujące pytanie:

Czy poprawny wynik zależy od wzorców, których nie da się wiarygodnie opisać za pomocą niewielkiego zbioru reguł?

Jeśli odpowiedź brzmi „tak”, sztuczna inteligencja może być odpowiednim rozwiązaniem.

Przykład: konserwacja predykcyjna

Rozważmy kwestię monitorowania urządzeń w zakładzie produkcyjnym.

Tradycyjna reguła automatyzacji mogłaby wyglądać następująco:

Jeśli temperatura > 90°C → uruchomić alarm.

To jest przydatne. Jednak reaguje dopiero po przekroczeniu z góry określonego progu.

System konserwacji predykcyjnej oparty na sztucznej inteligencji może analizować temperaturę wraz z drganiami, obciążeniem, czasem pracy, historią awarii, ciśnieniem i innymi zmiennymi. Model może następnie oszacować prawdopodobieństwo wystąpienia awarii w ciągu najbliższych kilku godzin lub dni.

Różnica ta ma zasadnicze znaczenie.

Automatyka reaguje na warunki, które już rozumiemy. Sztuczna inteligencja potrafi wykrywać kombinacje sygnałów, które inżynierowi mogłoby być trudno ująć w prostą regułę.

Przykład: kontrola jakości

Tradycyjna automatyzacja sprawdza się dobrze, gdy jakość produktu można sprawdzić w odniesieniu do mierzalnego progu.

Jeśli wymiar > dopuszczalna tolerancja → odrzucić produkt.

Wyobraźmy sobie jednak wadę powierzchniową, która występuje w wielu kształtach, rozmiarach i orientacjach. Opracowanie tysięcy reguł dla każdej możliwej odmiany wizualnej może okazać się niepraktyczne.

Model wizji komputerowej może natomiast uczyć się wzorców na podstawie zdjęć produktów bez wad i z wadami, a następnie automatycznie klasyfikować nowe przypadki.

Przykład: prognozowanie popytu

System zarządzania zapasami oparty na regułach może stwierdzić:

Jeśli stan magazynowy jest mniejszy niż poziom minimalny → zamów 500 sztuk.

System prognozowania oparty na sztucznej inteligencji może pójść o krok dalej. Potrafi analizować dane historyczne dotyczące sprzedaży, sezonowości, promocji, zachowań klientów oraz innych zmiennych w celu oszacowania przyszłego popytu.

Pierwszy system realizuje zasady. Drugi pomaga określić, na jakie zdarzenia powinny reagować te zasady.

Często lepszym pytaniem jest: „Sztuczna inteligencja + automatyzacja”

Najbardziej użyteczne systemy przemysłowe często łączą oba te podejścia.

Zamiast pytać tylko o Sztuczna inteligencja a automatyzacja, firmy powinny również zastanowić się, w jaki sposób sztuczna inteligencja i automatyzacja mogą ze sobą współpracować.

Zastanówmy się jeszcze raz nad konserwacją predykcyjną.

Model sztucznej inteligencji generuje następujący wynik:

Prawdopodobieństwo awarii w ciągu najbliższych trzech dni: 82%.

Wtedy do akcji wkracza tradycyjna automatyzacja:

Jeśli prawdopodobieństwo awarii > 80% → należy utworzyć zgłoszenie serwisowe w systemie CMMS → przypisać odpowiedni priorytet → powiadomić technika.

Architektura ta rozdziela dwa zakresy odpowiedzialności.

Sztuczna inteligencja interpretuje dane. Automatyzacja wykonuje działanie.

Ten schemat można zastosować w wielu przemysłowych zastosowaniach:

• Sztuczna inteligencja wykrywa wadę wizualną → automatyczny system usuwa produkt z linii produkcyjnej.
• Prognozy AI wskazują na niezwykle wysoki popyt → automatyzacja powoduje powstanie zadania związanego z zaopatrzeniem.
• Sztuczna inteligencja klasyfikuje przychodzący dokument → automatyzacja kieruje go do odpowiedniego procesu.
• Sztuczna inteligencja wykrywa nieprawidłowe zachowanie maszyny → system automatyczny wysyła powiadomienie do odpowiedniego zespołu serwisowego.

To właśnie w tym obszarze często ujawnia się największa wartość biznesowa. Sztuczna inteligencja dostarcza lepszego sygnału, a automatyzacja przekształca ten sygnał w powtarzalny proces operacyjny.

Pięć pytań, które warto zadać przed wdrożeniem sztucznej inteligencji

Przed rozpoczęciem projektu związanego ze sztuczną inteligencją firmy powinny skupić się na analizie problemu, a nie na popularności tej technologii.

1. Czy problem da się rozwiązać za pomocą prostej zasady?

Jeśli problem można niezawodnie rozwiązać za pomocą niewielkiej liczby reguł deterministycznych, tradycyjna automatyzacja będzie zazwyczaj szybsza i tańsza.

2. Czy dysponujemy wystarczającą ilością odpowiednich danych?

Wydajność sztucznej inteligencji w dużym stopniu zależy od jakości i trafności danych. Firma może gromadzić ogromne ilości informacji, a mimo to nie dysponować konkretnymi danymi niezbędnymi do wyszkolenia użytecznego modelu.

3. Czy proces ten jest już przewidywalny?

Jeśli prawidłowy wynik jest znany z góry, uczenie maszynowe może wnieść niewielką wartość dodaną. Sztuczna inteligencja jest najbardziej przydatna tam, gdzie rzeczywiście potrzebne są prognozy, klasyfikacja lub interpretacja.

4. Ile kosztuje popełnienie błędu?

Modele sztucznej inteligencji nie są w pełni dokładne. Dlatego firmy muszą określić dopuszczalny poziom błędu oraz ustalić, jakie działania należy podjąć w przypadku, gdy model nie ma pewności lub popełnia błąd.

W przypadku procesów wysokiego ryzyka odpowiednia architektura może obejmować progi pewności, dodatkowe reguły biznesowe lub zatwierdzanie przez człowieka.

5. Czy sztuczna inteligencja zapewni wymierny zwrot z inwestycji?

“Chcemy wykorzystać sztuczną inteligencję” to nie jest uzasadnienie biznesowe.

Lepiej zapytać: jaki konkretny problem rozwiąże ten system?

Czy pozwoli to skrócić przestoje? Zwiększyć wydajność? Zmniejszyć ilość odpadów? Zaoszczędzić czas inżynierów? Zwiększyć dokładność prognoz? Ograniczyć ręczne przetwarzanie dokumentów?

Wartość projektu związanego ze sztuczną inteligencją powinna od samego początku być powiązana z operacyjnym wskaźnikiem KPI.

Prosty model decyzyjny dotyczący wyboru między sztuczną inteligencją a automatyzacją

Całą decyzję można sprowadzić do trzech pytań.

1. Czy proces ten jest powtarzalny i czy można go opisać za pomocą jasnych zasad?
Tak → zacznij od tradycyjnej automatyzacji.

2. Czy prawidłowy wynik zależy od złożonych wzorców występujących w danych?
Tak → rozważ zastosowanie sztucznej inteligencji.

3. Czy wynik działania sztucznej inteligencji musi wywołać przewidywalne działanie operacyjne?
Tak → połączyć sztuczną inteligencję z automatyzacją.

Ten schemat jest celowo prosty. Prawdziwe systemy przemysłowe mogą być bardziej złożone, ale ta logika pozostaje przydatna, ponieważ zmusza zespół projektowy do zdefiniowania problemu przed wyborem technologii.

Sztuczna inteligencja nie zastępuje dobrego projektowania procesów

Obecny entuzjazm związany ze sztuczną inteligencją może sprawiać wrażenie, że każdy projekt transformacji cyfrowej powinien zawierać element związany ze sztuczną inteligencją.

To rzadko jest prawdą.

Źle zaprojektowany proces nie staje się automatycznie lepszy tylko dlatego, że dodano do niego model. W wielu przypadkach właściwym pierwszym krokiem jest standaryzacja procesu, integracja danych lub podstawowa automatyzacja.

Gdy proces ustabilizuje się i dostępne będą odpowiednie dane, można wdrożyć sztuczną inteligencję tam, gdzie przyniesie ona wymierną korzyść.

Takie podejście ma szczególne znaczenie w branży produkcyjnej. Środowiska produkcyjne wymagają niezawodności, integracji z istniejącymi systemami oraz jasnego podziału odpowiedzialności za decyzje operacyjne. Technologia powinna zmniejszać niepewność i złożoność, a nie wprowadzać je bez uzasadnienia biznesowego.

Wniosek: Wybierz narzędzie dostosowane do danego problemu

Debata na temat Sztuczna inteligencja a automatyzacja nie należy tego postrzegać jako rywalizacji między nowoczesną technologią a starszą.

Tradycyjna automatyzacja jest odpowiednim narzędziem, gdy proces jest przewidywalny, a zasady są znane. Sztuczna inteligencja staje się przydatna, gdy problem wymaga interpretacji danych, rozpoznawania złożonych wzorców lub przewidywania przyszłych wyników.

W wielu najskuteczniejszych rozwiązaniach stosowanych w praktyce te dwie technologie współdziałają ze sobą.

Sztuczna inteligencja przewiduje, co może się wydarzyć. Automatyzacja zapewnia, że odpowiednie działanie rzeczywiście zostanie podjęte.

W przypadku przedsiębiorstw produkcyjnych to rozróżnienie może zapobiec niepotrzebnym inwestycjom i pomóc w skoncentrowaniu projektów związanych ze sztuczną inteligencją na obszarach, w których zaawansowane modele mogą przynieść rzeczywistą wartość operacyjną.

W COGITA wierzymy, że zaawansowana sztuczna inteligencja nie powinna być wdrażana tylko dla samej siebie. Powinna ona rozwiązywać konkretne problemy, integrować się z rzeczywistymi procesami oraz tworzyć wymierną wartość dla organizacji i osób, które je prowadzą.

Sztuczna inteligencja a automatyzacja staje się coraz ważniejszym zagadnieniem dla przedsiębiorstw produkcyjnych. W miarę jak sztuczna inteligencja staje się coraz bardziej dostępna, wiele organizacji zastanawia się, czy swoje procesy powinny zautomatyzować w tradycyjny sposób, wzbogacić o elementy sztucznej inteligencji, czy też przeprojektować w oparciu o modele uczenia maszynowego.

Różnica jest prostsza, niż mogłoby się wydawać:

Automatyzacja mówi: “Jeśli wydarzy się X, wykonaj Y”.”
Sztuczna inteligencja mówi: “Na podstawie dostępnych danych przewiduj, klasyfikuj lub interpretuj, co powinno się wydarzyć dalej”.”

Ta różnica ma znaczenie, ponieważ nie każdy projekt cyfryzacji wymaga wykorzystania sztucznej inteligencji. W wielu przypadkach tradycyjna automatyzacja nadal stanowi najskuteczniejsze, najbardziej niezawodne i najbardziej opłacalne rozwiązanie.

Najdroższym błędem często nie jest to, że nie wdroży się sztucznej inteligencji. Jest nim wykorzystanie technologii, która nie jest dostosowana do danego problemu.

Czym jest automatyzacja tradycyjna?

Tradycyjna automatyzacja sprawdza się najlepiej, gdy proces jest przewidywalny i można go opisać za pomocą jasnych reguł. System nie musi interpretować sytuacji. Po prostu wykonuje z góry określone instrukcje.

Logikę tę można zazwyczaj sprowadzić do następującego równania:

JEŚLI X → TO Y

Do typowych przykładów należą:

• Formularz zostaje przesłany → dane są zapisywane w systemie ERP.
• Spełniony został z góry określony warunek → wysyłane jest powiadomienie.
• Gdy urządzenie osiąga określoną wartość → uruchamia się procedura.
• Przychodzi faktura → zostaje przekazana do zatwierdzenia.
• Stan zapasów spada poniżej progu → rozpoczyna się proces uzupełniania zapasów.

Najważniejszą cechą jest przewidywalność. Już wiemy, co powinno się wydarzyć w konkretnej sytuacji.

W tym podejściu nie ma nic przestarzałego. W przemyśle produkcyjnym ogromna liczba procesów opiera się na logice deterministycznej. Systemy PLC, alarmy, przepływy pracy, integracje z systemami ERP, procesy zautomatyzowane oraz systemy sterowania produkcją często działają bez zarzutu, ponieważ zasady ich funkcjonowania są znane z góry.

Jeśli zasady te da się jasno opisać, wdrożenie sztucznej inteligencji może jedynie spowodować, że proces ten stanie się droższy i trudniejszy w utrzymaniu.

Czym różni się sztuczna inteligencja od automatyzacji?

Sztuczna inteligencja okazuje się przydatna, gdy problemu nie da się łatwo ująć w postaci kompletnego zestawu reguł.

Zamiast dokładnie określać systemowi, co ma robić w każdej możliwej sytuacji, dostarczamy dane i wykorzystujemy model do rozpoznawania wzorców. Model może następnie wygenerować prognozę, klasyfikację, rekomendację lub prawdopodobieństwo.

Uproszczony przebieg pracy z wykorzystaniem sztucznej inteligencji wygląda następująco:

DANE → MODEL → PROGNOZA / KLASYFIKACJA / REKOMENDACJA

Do typowych zastosowań sztucznej inteligencji należą:

• prognozowanie popytu,
• konserwacja predykcyjna,
• kontrola jakości w dziedzinie widzenia komputerowego,
• systemy rekomendacyjne,
• analiza i klasyfikacja dokumentów,
• rozumienie języka,
• prognozowanie popytu na surowce,
• optymalizacja procesu produkcyjnego.

Jednak często pomija się jedną istotną kwestię: Sztuczna inteligencja nie “wie”, co ma robić.

Model sztucznej inteligencji generuje wyniki w oparciu o wzorce wykryte w danych oraz o sposób, w jaki system został przeszkolony lub skonfigurowany. Jego wyniki mają często charakter probabilistyczny, a nie w pełni deterministyczny.

Właśnie dlatego systemy sztucznej inteligencji wymagają kontroli jakości danych, testowania, monitorowania, wskaźników wydajności oraz strategii postępowania w przypadku błędów.

Sztuczna inteligencja a automatyzacja: główne różnice

Kryterium	Tradycyjna automatyzacja	AI
Logika	Wstępnie zdefiniowane reguły	Model wytrenowany na podstawie danych
Typowa decyzja	Jeśli X, to Y	Na podstawie danych przewidzieć lub sklasyfikować X
Dane	Może być proste	Zazwyczaj krytyczne
Przewidywalność procesu	Wysoki	Potrafi radzić sobie z niepewnością
Obsługa wyjątków	Wymaga dodatkowych zasad	Potrafi rozpoznawać złożone wzory
Nauka	Nie	Możliwe dzięki szkoleniu lub przekwalifikowaniu
Koszt wdrożenia	Zazwyczaj niższe	Często wyższy
Konserwacja	Zasady i procedury	Dane, model, infrastruktura, monitorowanie
Najlepszy przykład zastosowania	Procesy powtarzalne	Zadania prognostyczne lub niejednoznaczne

Głównym zagadnieniem w Sztuczna inteligencja a automatyzacja Nie chodzi więc o to, która technologia jest bardziej zaawansowana.

Właściwe pytanie brzmi:

Która technologia odpowiada strukturze zadania?

Kiedy warto zdecydować się na automatyzację?

Tradycyjna automatyzacja jest zazwyczaj lepszym rozwiązaniem, gdy:

1. Proces ten ma charakter powtarzalny.
2. Zasady można jasno określić.
3. Przewidywany wynik jest oczywisty.
4. Wyjątków jest stosunkowo niewiele.
5. Nie są wymagane żadne prognozy ani skomplikowane interpretacje.

Przykład: Cykl produkcyjny

Wyobraźmy sobie, że maszyna kończy cykl produkcyjny.

Wymagana logika jest następująca:

Jeśli cykl = zakończony → zapisz wynik → wyślij informacje → rozpocznij kolejny etap.

To klasyczny problem z zakresu automatyki.

Nie ma tu żadnego ukrytego schematu do odkrycia. Nie trzeba niczego przewidywać. System już dokładnie wie, co powinno się wydarzyć.

Wykorzystanie sztucznej inteligencji w tym przypadku stanowiłoby niepotrzebne komplikowanie sprawy. Wiązałoby się to z dodatkowymi pracami programistycznymi, testowaniem, monitorowaniem i konserwacją, nie przynosząc przy tym żadnej znaczącej wartości biznesowej.

W tym przypadku automatyzacja nie jest prostszym zamiennikiem. Jest to właściwe rozwiązanie inżynieryjne.

Kiedy warto skorzystać ze sztucznej inteligencji?

Warto zadać sobie następujące pytanie:

Czy wynik zależy od wzorców, których nie da się łatwo opisać za pomocą jednoznacznych reguł?

Jeśli odpowiedź brzmi „tak”, sztuczna inteligencja może okazać się dobrym rozwiązaniem.

Konserwacja predykcyjna: automatyzacja a sztuczna inteligencja

Konserwacja predykcyjna jest jednym z najbardziej oczywistych przykładów.

Tradycyjny system automatyczny może wykorzystywać wartość progową:

Jeśli temperatura > 90°C → uruchomić alarm.

Jest to skuteczne, jeśli wiadomo już, że temperatura powyżej 90°C stanowi zagrożenie.

Jednak sztuczna inteligencja może rozwiązać inny problem:

Na podstawie temperatury, drgań, obciążenia maszyny, historii eksploatacji, wcześniejszych awarii i innych parametrów należy przewidzieć prawdopodobieństwo wystąpienia awarii w ciągu najbliższych kilku dni.

Różnica jest znaczna.

Automatyka reaguje na znany stan.

Sztuczna inteligencja próbuje zidentyfikować złożony wzorzec, który może wskazywać na przyszłą awarię, zanim zostanie osiągnięty prosty próg.

Nie oznacza to jednak, że automatyzacja stała się przestarzała. W rzeczywistości te dwie technologie często najlepiej sprawdzają się w połączeniu.

Kontrola jakości: zasady czy wizja komputerowa?

To samo rozróżnienie dotyczy kontroli jakości.

Jeśli produkt ma zostać odrzucony w każdym przypadku, gdy którykolwiek z mierzalnych wymiarów przekroczy ustaloną tolerancję, wystarczy tradycyjna automatyzacja:

Jeśli wymiar > X → odrzucić produkt.

Niektóre wady nie dają się jednak łatwo opisać za pomocą reguł liczbowych.

Zadrapanie, odkształcenie, nieprawidłowy montaż, przebarwienie, nietypowa faktura lub anomalia wizualna mogą być oczywiste dla doświadczonego kontrolera jakości, ale trudno je ująć w postaci sztywnej zasady.

W tym przypadku technologia widzenia komputerowego może analizować obrazy i klasyfikować produkty na podstawie wzorców wyuczonych na podstawie danych.

System sztucznej inteligencji potrafi zidentyfikować usterkę, a warstwa automatyzacji decyduje, jakie działania należy podjąć dalej.

Na przykład:

Sztuczna inteligencja wykrywa potencjalną wadę → automatyka usuwa produkt z linii produkcyjnej → system kontroli jakości rejestruje to zdarzenie.

Prognozowanie popytu: kiedy reguły to za mało

Zarządzanie zapasami stanowi kolejny praktyczny przykład Sztuczna inteligencja a automatyzacja.

W tradycyjnym podejściu można by zastosować następującą regułę:

Jeśli stan magazynowy jest mniejszy niż X → zamów Y sztuk.

Rozwiązanie to może sprawdzić się bardzo dobrze, gdy popyt jest stabilny.

Popyt może jednak zależeć od wielu czynników:

• sezonowość,
• promocje,
• zachowania klientów,
• warunki rynkowe,
• święta,
• cykl życia produktu,
• dotychczasowa sprzedaż,
• zmienne zewnętrzne.

Stały próg może nie uwzględniać tych zależności.

Model sztucznej inteligencji może wykorzystywać dane historyczne do prognozowania przyszłego popytu oraz oszacowania, ile zapasów może być potrzebnych w przyszłym tygodniu lub miesiącu.

Następnie system automatyzacji może wykorzystać tę prognozę do uruchomienia procesów uzupełniania zapasów.

Lepszym rozwiązaniem jest często połączenie sztucznej inteligencji i automatyzacji

Dla wielu firm najbardziej przydatną odpowiedzią nie jest Sztuczna inteligencja a automatyzacja.

To jest Sztuczna inteligencja + automatyzacja.

Sztuczna inteligencja potrafi interpretować lub przewidywać.

Automatyzacja pozwala na realizację zadań.

Na przykład:

AI: Model szacuje, że prawdopodobieństwo awarii maszyny w ciągu pięciu dni wynosi 82%.

Automatyzacja: Jeśli prawdopodobieństwo awarii przekracza 80%, należy utworzyć zgłoszenie serwisowe w systemie CMMS i powiadomić odpowiedzialnego technika.

W tej architekturze każda technologia jest wykorzystywana w obszarze, w którym najlepiej się sprawdza.

Sztuczna inteligencja radzi sobie z niepewnością, prognozowaniem oraz złożonymi wzorcami.

Automatyzacja obejmuje powtarzalne wykonywanie zadań, integrację, przepływy pracy, powiadomienia oraz reguły biznesowe.

W praktyce model sztucznej inteligencji rzadko okazuje się przydatny jako samodzielny element. Jego prognozy zazwyczaj muszą być powiązane z rzeczywistym procesem biznesowym.

Należy zebrać dane. Model musi wygenerować wynik. Wynik musi trafić do właściwego systemu. Być może konieczne będzie zastosowanie progu. Być może ktoś będzie musiał zatwierdzić decyzję. Działanie musi zostać wykonane i zarejestrowane.

Właśnie dlatego wiele skutecznych przemysłowych systemów sztucznej inteligencji to systemy hybrydowe.

Sztuczna inteligencja a automatyzacja w przetwarzaniu dokumentów

Tę samą zasadę ilustrują procesy obiegu dokumentów.

Tradycyjne systemy automatyki mogą wykonywać takie zadania jak:

Jeśli wiadomość e-mail zawiera załącznik w formacie PDF → zapisz go w folderze.

A co, jeśli system musi zrozumieć treść dokumentu?

Być może konieczne będzie:

• określić rodzaj dokumentu,
• wyodrębnić informacje,
• rozumieć różne układy,
• sklasyfikować treść,
• wykrywać brakujące informacje,
• przekazać dokument do odpowiedniego procesu.

Właśnie w tym zakresie sztuczna inteligencja może okazać się przydatna.

Cały proces mógłby wyglądać następująco:

Otrzymanie dokumentu → sztuczna inteligencja klasyfikuje go i wyodrębnia informacje → system automatyczny wprowadza dane do systemu ERP → wątpliwe przypadki trafiają do weryfikacji przez człowieka.

Po raz kolejny sztuczna inteligencja i automatyzacja wzajemnie się uzupełniają.

5 pytań, które należy zadać przed wdrożeniem sztucznej inteligencji

1. Czy problem da się rozwiązać za pomocą prostej zasady?

Jeśli tak, to tradycyjna automatyzacja jest prawdopodobnie lepszym punktem wyjścia.

Rozwiązanie deterministyczne jest zazwyczaj łatwiejsze do wdrożenia, przetestowania, wyjaśnienia i utrzymania.

2. Czy dysponujesz wystarczającą ilością odpowiednich danych?

Sztuczna inteligencja potrzebuje przydatnych danych.

Posiadanie dużych ilości danych nie oznacza automatycznie, że projekt oparty na sztucznej inteligencji zakończy się sukcesem. Dane muszą zawierać informacje związane z wynikiem, który chcesz przewidzieć.

Przed stworzeniem modelu należy sprawdzić, czy niezbędne sygnały rzeczywiście istnieją.

3. Czy wynik procesu jest przewidywalny?

Jeśli każde prawidłowe dane wejściowe powinny zawsze dawać ten sam wynik, tradycyjne oprogramowanie może okazać się wystarczające.

Sztuczna inteligencja staje się bardziej interesująca, gdy odpowiedź zależy od prawdopodobieństwa, interpretacji, klasyfikacji lub złożonych zależności między wieloma zmiennymi.

4. Czy koszt popełnienia błędu jest do przyjęcia?

Systemy sztucznej inteligencji nie działają z idealną dokładnością.

Model może generować wyniki fałszywie pozytywne, fałszywie negatywne lub niepewne.

Dlatego kluczowe pytanie brzmi nie tylko:

Jak dokładny jest ten model?

Jest to również:

Co się dzieje, gdy model jest błędny?

W przypadku decyzji obarczonych wysokim ryzykiem firmy mogą potrzebować zatwierdzenia przez człowieka, dodatkowych zabezpieczeń lub systemu hybrydowego, w którym sztuczna inteligencja proponuje działanie, ale o tym, co jest dozwolone, decydują reguły deterministyczne.

5. Czy sztuczna inteligencja zapewni wymierny zwrot z inwestycji?

Sztucznej inteligencji nie należy wdrażać tylko dlatego, że organizacja chce “mieć sztuczną inteligencję”.”

Powinno to rozwiązać konkretny problem biznesowy.

Wartość oczekiwana może wynikać z:

• skrócenie przestojów maszyn,
• mniej wad jakościowych,
• dokładniejsze prognozy popytu,
• zmniejszenie ilości odpadów materiałowych,
• zmniejszone zużycie energii,
• szybsze przetwarzanie dokumentów,
• lepsze planowanie produkcji,
• wyższa wydajność pracowników.

Problem biznesowy powinien zawsze mieć pierwszeństwo przed modelem.

Sztuczna inteligencja a automatyzacja: proste ramy decyzyjne

Decyzję tę można sprowadzić do trzech pytań.

Czy proces ten można opisać za pomocą stabilnych i jednoznacznych reguł?
Tak → wybierz automatyzację.

Czy wynik zależy od złożonych wzorców występujących w danych, od interpretacji czy od prognoz?
Tak → rozważ zastosowanie sztucznej inteligencji.

Czy sztuczna inteligencja generuje prognozę lub zalecenie, które powinno spowodować podjęcie powtarzalnego działania operacyjnego?
Tak → połączyć sztuczną inteligencję z automatyzacją.

Ta struktura pozwala uniknąć dwóch typowych błędów.

Pierwszym z nich jest wykorzystanie sztucznej inteligencji w sytuacjach, w których kilka prostych zasad sprawdziłoby się lepiej.

Po drugie, tworzy się coraz bardziej skomplikowane systemy oparte na regułach, mające na celu rozwiązywanie problemów, które z natury rzeczy mają charakter prognostyczny.

Wniosek: Wybierz technologię dostosowaną do danego problemu

Dyskusja na temat Sztuczna inteligencja a automatyzacja nie należy tego postrzegać jako rywalizacji między nowoczesną technologią a przestarzałą.

Oba podejścia są nadal przydatne, ponieważ pozwalają rozwiązywać różne rodzaje problemów.

Automatyzacja działa najlepiej, gdy znamy zasady danego procesu.

Sztuczna inteligencja staje się przydatna, gdy dane wymagają interpretacji, rozpoznawania wzorców lub przewidywania przyszłych zdarzeń.

W wielu środowiskach produkcyjnych najsolidniejsza architektura łączy w sobie obie te technologie.

Sztuczna inteligencja przewiduje, co może się wydarzyć.

Automatyzacja gwarantuje, że odpowiednie działania operacyjne są wykonywane w sposób spójny.

Właśnie dlatego pierwsze pytanie w projekcie dotyczącym sztucznej inteligencji rzadko powinno brzmieć:

“Który model powinniśmy wybrać?”

O wiele lepszym pytaniem jest:

“Jakiego rodzaju problem właściwie próbujemy rozwiązać?”

Gdy to stanie się jasne, wybór między automatyzacją, sztuczną inteligencją a połączeniem obu tych rozwiązań staje się znacznie łatwiejszy — i znacznie bardziej prawdopodobne jest, że przyniesie wymierną wartość biznesową.

Wdrażanie sztucznej inteligencji w biznesie

Różne raporty i badania próbują uchwycić stopień rozwoju i przyjęcia sztucznej inteligencji w sektorze biznesowym.

Najbardziej kompleksowe raporty opublikowane do tej pory obejmują Stan polskiej sztucznej inteligencji w 2021 r. oraz Mapa polskiej sztucznej inteligencji 2019. Raporty te oferują obszerną listę polskich firm, nawet tych z małymi zespołami AI. Niestety, w ciągu ostatnich kilku lat wiele się zmieniło i szkoda, że raporty te nie zostały zaktualizowane.

Na uwagę zasługuje lista polskich startupów AI opracowanego przez dr Przemysława Chojeckiego w połowie 2023 r., obejmującego ponad 100 startupów, a także firm usługowych - software house'ów - specjalizujących się w AI. Podobna lista polskich startupówzostała stworzona przez Jana Szumadę.

Znacznie nowszy raport to w Raport EY: Jak polskie firmy wdrażają sztuczną inteligencję?. EY przebadał duży przekrój firm (ponad 500) o różnej wielkości i z różnych sektorów. Główny wniosek: 20% dużych i średnich przedsiębiorstw w Polsce wdrożyło systemy oparte na AI, a 80% firm, które zakończyły wdrożenie AI, twierdzi, że osiągnęło korzyści. Niestety, wyniki te budzą spore wątpliwości ze względu na brak pogłębienia tematu - co dokładnie rozumiemy przez “wdrożenie AI”?

Medyczne startupy (170 z Polski) są szczegółowo analizowane w raporcie Największe zakłócenia w opiece zdrowotnej. Niniejszy raport został przygotowany przez AI in Health Coalition, do której należą firmy (takie jak COGITA) oraz inne podmioty, których celem jest kształtowanie zastosowania sztucznej inteligencji w branży ochrony zdrowia w Polsce, z korzyścią zarówno dla pacjentów, jak i lekarzy.

Platforma zainicjowana przez ministerstwo, ai4msp.pl, prezentuje wiele wdrożeń projektów AI przez polskie firmy. W założeniu ma pełnić rolę marketplace'u, choć trudno ocenić jego obecne znaczenie rynkowe.

Podcasty i wywiady, takie jak Nieliniowy lub 99twarzyAI, stanowią dość dobry przegląd tego, co faktycznie dzieje się ze sztuczną inteligencją w polskich firmach.

Warto zauważyć, że w erze generatywnej sztucznej inteligencji firmy coraz częściej koncentrują się na szkoleniu własnych pracowników (działów IT lub innych) i testowaniu rozwiązań AI wewnętrznie, zamiast zlecać pracę wykwalifikowanym Data Scientistom, którzy do niedawna mieli monopol na tworzenie systemów uczenia maszynowego i sztucznej inteligencji.

Stowarzyszenia firm zajmujących się sztuczną inteligencją

W ramach stowarzyszenia polskich firm programistycznych SoDA działa grupa robocza ds. sztucznej inteligencji.Grupa badawcza SoDA AI-założona w ubiegłym roku, składająca się z około 100 członków z 30 polskich firm AI.

Na uwagę zasługują dwa raporty przedstawione przez tę grupę. Współpraca człowieka ze sztuczną inteligencją: Perspektywy dla polskiego sektora publicznego zawiera przykłady projektów AI zrealizowanych w różnych obszarach sektora publicznego i związanych z nimi wyzwań. Tymczasem raport Generatywna sztuczna inteligencja w biznesie (współtworzony przez więcej podmiotów niż tylko SoDA) skupia się stricte na sztucznej inteligencji generatywnej i prezentuje jej potencjał w różnych branżach. Raport ten koncentruje się bardziej na pokazaniu możliwości i narzędzi niż na przedstawieniu rzeczywistych wdrożonych projektów AI.

W ostatnich miesiącach Komora AI Powstała również izba handlowa, która obecnie zrzesza 44 firmy zajmujące się rozwiązaniami AI.

Kursy i społeczności

W ciągu ostatniego półtora roku odnotowano również ogromny wzrost zainteresowania sztuczną inteligencją ze strony osób nietechnicznych, programistów, którzy do tej pory zajmowali się innymi technologiami, a także osób rozwijających własne firmy.

Różne grupy stworzyły godne uwagi szkolenia, społeczności i platformy, takie jak Elephant AI, AI_Devs, Sztuczna inteligencja kampusu, lub Tworzenie produktów AI. Kursy te różnią się znacznie poziomem i wynikami, często prowadząc osoby do udziału w kilku różnych szkoleniach. Niektóre kursy mają tysiące uczestników.

Jeśli chodzi o wydarzenia branżowe, od dawna cykliczne, bardziej techniczne inicjatywy nadal się rozwijają, takie jak Data Science Summit, ML w PL, PyData, lub warsaw.ai. Pojawiają się jednak również bardziej lokalne inicjatywy dla entuzjastów AI, takie jak Śniadania AI, Mazowiecki AI Fest, lub GenAI Kraków.

W tej kategorii SpeakLeash Warto również wspomnieć o społeczności, która obejmuje ponad 1000 entuzjastów zjednoczonych wokół idei stworzenia dużego korpusu danych języka polskiego, który jest następnie wykorzystywany do szkolenia polskich LLM.

Nauka i eksperci

Świetna analiza tego, co dzieje się w polskiej nauce w zakresie AI, została przedstawiona w artykule Raport IDEAS NCBR “Zatrzymywanie najlepszych - trendy w kształceniu doktorantów w dziedzinie sztucznej inteligencji”. Wynika z niego, że w ciągu ostatnich 3,5 roku w Polsce obroniono zaledwie 200 doktoratów z zakresu sztucznej inteligencji. Jest to niewielka liczba, biorąc pod uwagę szybki rozwój tej dziedziny.

Warto zauważyć, że w dobie szybkich zmian napędzanych przez sztuczną inteligencję, autorytetami w tej dziedzinie są często osoby wykształcone w innych dziedzinach (filozofia, zarządzanie) lub celebryci. Osoby takie zyskują duże grono odbiorców swoim krzykliwym przekazem marketingowym, oferując swoje wystąpienia na konferencjach, konsultacjach czy szkoleniach.

Przykładem listy, która próbowała wybrać najbardziej wpływowe osoby w AI, jest artykuł “23 najbardziej wpływowych Polaków w AI” przygotowany przez MyCompany Polska.

Rząd: Ustawodawstwo i finansowanie

W dziedzinie sztucznej inteligencji należy również wspomnieć o inicjatywach rządowych i międzynarodowych. Od 2016 r. rozwijana jest platforma Strategia AI było w toku, a kamieniem milowym było przyjęcie “Polityka rozwoju sztucznej inteligencji w Polsce od 2020 roku. Dokument ten przeszedł jednak w dużej mierze bez echa w polskim biznesie, co utrudnia ocenę jego roli w kształtowaniu rzeczywistości związanej ze sztuczną inteligencją.

Wydaje się, że wdrożenie unijnej ustawy o sztucznej inteligencji, której prekonsultacje, które niedawno się zakończyły, odegrają znacznie większą rolę.

Od 2018 roku Ministerstwo Cyfryzacji prowadzi program Grupa robocza ds. sztucznej inteligencji, ale mimo szerokiego przekroju specjalistów i kilku raportów, trudno zauważyć szerszy wpływ tej grupy na rzeczywistość związaną z AI w Polsce.

Z pewnością programy finansowania publicznego, takie jak Ścieżka Smart odgrywają znaczącą rolę w rozwoju firm, choć wydają się niewystarczające w porównaniu z funduszami przeznaczonymi na rozwój AI w innych krajach.

Tradycyjne metody kontroli jakości są często czasochłonne i podatne na błędy ludzkie, co prowadzi do nieefektywności i zwiększonych kosztów. W tym artykule przedstawiamy hipotetyczne studium przypadku ilustrujące, w jaki sposób zaawansowany system wykrywania obrazu może zrewolucjonizować kontrolę jakości w przemyśle spożywczym, na przykładzie dużej firmy zajmującej się przetwórstwem owoców i warzyw.

Opis problemu i cel projektu

Firma specjalizuje się w produkcji dżemów, soków, warzyw w puszkach i mrożonek. Codziennie przetwarza tysiące ton surowców na swoich rozległych liniach produkcyjnych. Głównym wyzwaniem dla firmy jest utrzymanie wysokiej jakości produktów, minimalizacja odpadów i szybka identyfikacja wad produkcyjnych, takich jak zanieczyszczenia, uszkodzenia mechaniczne owoców i warzyw oraz niezgodność z normami jakości. Tradycyjne metody kontroli jakości okazały się niewystarczające, co skłoniło firmę do wdrożenia zautomatyzowanego systemu wykrywania obrazów opartego na sztucznej inteligencji.

Celem projektu było opracowanie i wdrożenie zaawansowanego systemu sztucznej inteligencji, który automatycznie kontrolowałby produkty spożywcze na linii produkcyjnej, identyfikując wady i uszkodzenia. System miał na celu zwiększenie wydajności kontroli jakości poprzez automatyzację procesu, zmniejszenie strat produkcyjnych dzięki szybkiemu wykrywaniu wad oraz poprawę ogólnej jakości produktów dostarczanych na rynek, prowadząc do większej satysfakcji klientów.

Przygotowanie danych

Trzy miesiące przed rozpoczęciem projektu firma zainstalowała kamery na kluczowych etapach linii produkcyjnej. Kamery zostały zainstalowane przy wlocie surowców, na liniach sortowniczych i przy maszynach pakujących. Te strategiczne lokalizacje pozwoliły na monitorowanie jakości surowców i produktów na różnych etapach produkcji. Kamery rejestrowały obrazy surowców, takich jak jabłka, pomidory, papryka, marchew i ziemniaki, które były następnie analizowane pod kątem wad i uszkodzeń.

W ciągu trzech miesięcy firma zebrała około 500 000 rekordów obrazów, przy czym codziennie przybywało około 5 000 nowych obrazów. Dane te były przechowywane na lokalnych serwerach i w chmurze, zapewniając łatwy dostęp do dużych zbiorów danych. Każdy rekord zawierał znacznik czasu, lokalizację na linii produkcyjnej, typ produktu i opis wady, jeśli została wykryta. Podczas gromadzenia danych niektóre metody i lokalizacje kamer zostały zmodyfikowane w celu poprawy jakości zebranych danych. Brakujące dane zostały uzupełnione przez dodatkowe sesje zdjęciowe i ulepszenia konfiguracji kamer.

Wybór modelu i szkolenie

Do implementacji systemu wykorzystano zaawansowane technologie i narzędzia sztucznej inteligencji, takie jak Pytorch i OpenCV. Konwolucyjne sieci neuronowe (CNN) zostały wybrane ze względu na ich skuteczność w zadaniach analizy obrazu, dzięki ich zdolności do automatycznego wykrywania cech i wzorców. Wykorzystano również uczenie transferowe, wykorzystując wstępnie wytrenowany model YOLO, który został dostosowany do specyficznych danych przemysłu spożywczego.

Dane obrazu zostały wstępnie przetworzone przy użyciu OpenCV, w tym korekcji kolorów, normalizacji oświetlenia i usuwania szumów. Rozszerzenie danych, takie jak obrót, skalowanie oraz zmiany jasności i kontrastu, zostało zastosowane w celu zwiększenia zbioru danych szkoleniowych i poprawy uogólnienia modelu. Modele CNN zostały wytrenowane na dużych zbiorach danych obrazów, obejmujących różne klasy surowców i różne rodzaje defektów. Proces uczenia został przyspieszony przy użyciu procesorów graficznych z technologią NVIDIA CUDA, umożliwiając wydajne przetwarzanie dużych zbiorów danych.

Wdrożenie i integracja

Model wykrywania obrazów został wdrożony na serwerach AWS z obsługą GPU, aby zapewnić szybkie przetwarzanie danych obrazu. Do skalowania i zapewnienia wydajności systemu wykorzystano serwery AWS EC2 z instancjami p3.2xlarge. Interfejs API RESTful został utworzony przy użyciu Flask, umożliwiając komunikację między systemem wykrywania obrazów a linią produkcyjną. API obsługiwało żądania HTTP POST do wysyłania obrazów i odbierania wyników analizy.

Interfejs API został zintegrowany z istniejącym systemem produkcyjnym firmy, umożliwiając automatyczne przesyłanie obrazu z kamer do systemu wykrywania obrazu. System produkcyjny wysyłał obrazy do API w czasie rzeczywistym, a wyniki analizy były zwracane do systemu produkcyjnego w celu podjęcia odpowiednich działań, takich jak usunięcie wadliwych produktów z linii.

Narzędzia do monitorowania i zarządzania, takie jak Amazon CloudWatch, zostały wdrożone w celu zapewnienia ciągłej dostępności i wydajności systemu.

Osiągnięte wyniki

System osiągnął dokładność 80% w wykrywaniu wad surowców, co przyniosło producentowi znaczące korzyści biznesowe. Wdrożenie zmniejszyło ilość odpadów produkcyjnych o 20%, co odpowiada 10 tonom mniej odpadów miesięcznie.

Wydajność kontroli jakości surowców wzrosła o 50%, prowadząc do szybszych i dokładniejszych inspekcji. Zakładając, że koszt pracy związanej z kontrolą jakości surowców wynosi 50 000 PLN miesięcznie, oszczędności wynikające ze zwiększonej wydajności wyniosły 25 000 PLN miesięcznie.

Koszty i zasoby

W projekt zaangażowanych było trzech analityków danych i kierownik projektu pracujący w niepełnym wymiarze godzin. Projekt trwał 4 miesiące i obejmował przygotowanie danych, szkolenie w zakresie modeli i wdrożenie systemu.

Serwery AWS zostały wykorzystane do szkolenia modeli i wdrożenia systemu wykrywania obrazów. Trening modelu na instancjach EC2 p3.2xlarge kosztował 10 600 PLN za 900 godzin pracy. Wdrożenie i operacje na instancjach EC2 t3.large kosztowały 900 PLN za 4 miesiące pracy. Przechowywanie danych na Amazon S3 kosztowało 700 PLN za 2 TB danych w ciągu 4 miesięcy, a wykorzystanie Amazon RDS do przechowywania bazy danych kosztowało 1 100 PLN.

Całkowity koszt projektu wyniósł 513 300 PLN.

Monitorowanie i optymalizacja

System był monitorowany pod kątem dostępności i wydajności za pomocą Amazon CloudWatch, a modele wykrywania obrazów były regularnie aktualizowane co miesiąc, aby uwzględnić zmiany w surowcach i nowe typy wad. System alertów informował zespół o wszelkich nieprawidłowościach, takich jak spadki wydajności lub problemy z dostępnością danych.

Interakcja z zespołem technicznym

Współpraca między zespołami miała kluczowe znaczenie dla powodzenia projektu. Regularnie odbywały się spotkania pomiędzy zespołami data science, IT, produkcji i zarządzania jakością w celu omówienia postępów projektu, wymiany pomysłów i identyfikacji potencjalnych problemów. Wszystkie etapy projektu zostały dokładnie udokumentowane, w tym specyfikacje techniczne, raporty z analizy danych, wyniki testów A/B i zalecenia dotyczące dalszych działań. Przeprowadzono szkolenie dla zespołu produkcyjnego w zakresie korzystania z systemu wykrywania obrazów i interpretacji wyników w celu maksymalnego wykorzystania potencjału narzędzia.

Wyzwania i przyszłe kierunki

Projekt stanął przed kilkoma wyzwaniami, takimi jak zapewnienie skalowalności systemu w celu obsługi rosnących ilości danych i surowców oraz ciągłe poprawianie dokładności modelu wykrywania poprzez regularne aktualizacje i optymalizację algorytmów. Integracja z różnymi systemami produkcyjnymi i zapewnienie kompatybilności również stanowiły wyzwanie.

W przyszłości producent żywności planuje rozszerzyć zakres wykrywania, wprowadzając wykrywanie innych rodzajów wad, takich jak deformacje strukturalne lub zmiany koloru. Zwiększenie automatyzacji poprzez bardziej zaawansowane mechanizmy decyzyjne na linii produkcyjnej oraz wykorzystanie zaawansowanej analityki do przewidywania problemów jakościowych i optymalizacji procesów produkcyjnych to kolejne kroki w rozwoju systemu.

Podsumowanie

Wdrożenie zaawansowanego systemu detekcji obrazu przyniosło znaczące korzyści, takie jak zmniejszenie ilości odpadów produkcyjnych, zwiększenie wydajności kontroli jakości surowców i poprawa jakości produktów. Chociaż projekt napotkał pewne wyzwania, korzyści biznesowe z wdrożenia systemu były znaczące, a firma planuje dalszy rozwój i optymalizację systemu w przyszłości.

To hipotetyczne studium przypadku pokazuje, w jaki sposób sztuczna inteligencja może zrewolucjonizować branżę spożywczą, przynosząc wymierne korzyści zarówno producentom, jak i konsumentom.

Sklepy internetowe muszą stale dostosowywać swoją ofertę do potrzeb i preferencji klientów, aby zwiększyć współczynniki konwersji i wartość koszyka.

Poniżej omówimy krok po kroku hipotetyczny projekt wdrożenia zaawansowanego systemu rekomendacji w sklepie elektronicznym, który może znacznie poprawić wskaźniki sprzedaży i doświadczenia zakupowe klientów.

Opis problemu i cel projektu

Kontekst biznesowy

Sklep internetowy specjalizujący się w elektronice (laptopy, smartfony, telewizory i akcesoria) zauważył, że wielu klientów opuszczało witrynę bez dokonania zakupu. Pomimo szerokiej gamy produktów, użytkownicy mieli trudności ze znalezieniem produktów odpowiadających ich potrzebom. W rezultacie współczynniki konwersji i średnia wartość koszyka były niższe niż oczekiwano, co negatywnie wpłynęło na przychody i rentowność sklepu.

Cele projektu

Celem projektu było opracowanie i wdrożenie zaawansowanego systemu rekomendacji:

1. Personalizuj listy produktów na stronach kategorii, aby prezentować produkty najbardziej dopasowane do preferencji użytkowników i historii przeglądania.
2. Wprowadzenie rekomendacji produktów na stronach głównych i podstronach produktów, sugerujących produkty w oparciu o poprzednie zakupy i zachowanie w witrynie.
3. Segmentuj użytkowników według ich zachowań i preferencji zakupowych, umożliwiając lepsze kierowanie ofert i kampanii marketingowych.

Oczekiwane wyniki:

• Zwiększenie współczynnika konwersji o 15% w ciągu pierwszych 6 miesięcy.
• Podnieś średnią wartość koszyka o 10%.
• Poprawa ogólnego doświadczenia zakupowego klientów, prowadząca do większej lojalności i częstszych powrotów do sklepu.

Przygotowanie danych

Źródła danych

W projekcie wykorzystano różne źródła danych kluczowe dla pomyślnego wdrożenia systemu rekomendacji:

1. Historia zakupów
   Plik CSV zawierający historię zakupów użytkowników w okresie dwóch lat. Dane zawierały informacje o produktach, daty zakupu, ceny i kategorie produktów.
2. Pasza dla produktów
   Regularnie aktualizowany plik produktowy z interfejsu API sklepu, zawierający szczegółowe informacje o dostępnych produktach (nazwy, opisy, ceny, dostępność, atrybuty techniczne i kategorie).
3. Serwer zdarzeń
   Eventserver zbierał dane ze sklepu internetowego i przechowywał je w dedykowanej bazie danych. Zebrane zdarzenia obejmowały odsłony produktów (około 100 milionów rekordów), kliknięcia (około 1 miliona rekordów), dodania do koszyka i zakupy (około 100 tysięcy rekordów).

Jakość danych

Aby zapewnić jakość danych, podjęto działania mające na celu

• Kompletność danych: Integracja i normalizacja danych z różnych źródeł (CSV, API, serwer zdarzeń).
• Oczyszczanie danych: Usuwanie duplikatów, uzupełnianie brakujących wartości i poprawianie błędów.

Przygotowanie i przetwarzanie danych
Przed zbudowaniem systemu rekomendacji podjęto kilka działań w celu uzyskania cennych informacji biznesowych:

• Integracja danych: Dane z różnych źródeł zostały zintegrowane w ujednoliconym systemie przetwarzania, umożliwiając połączenie informacji o produkcie z historią zakupów i zachowaniami użytkowników.
• Segmentacja użytkowników: Użytkownicy zostali przypisani do segmentów na podstawie ich zachowań i preferencji zakupowych (np. entuzjaści technologii, poszukiwacze okazji, klienci premium).
• Analiza zachowania: Zebrane dane pozwoliły na analizę zachowań użytkowników na stronie, identyfikację najczęściej oglądanych i kupowanych produktów oraz określenie wzorców zakupowych.

Wdrożenie i integracja

Technologie i narzędzia

W implementacji systemu rekomendacji wykorzystano różne modele i technologie sztucznej inteligencji:

1. Osadzanie za pomocą OpenAI: Przekształcanie opisów produktów i opinii użytkowników do formatu liczbowego.
2. XGBoost: Model predykcyjny do określania, które produkty są najczęściej kupowane.

1. SHAP: Narzędzie do interpretacji wyników modelu, pomagające zrozumieć, które cechy użytkownika mają największy wpływ na decyzje podejmowane przez model rekomendacji.

Integracja z istniejącymi systemami:

• Integracja platformy handlu elektronicznego: System rekomendacji został bezpośrednio zintegrowany z platformą e-commerce sklepu, AtomStore, umożliwiając wyświetlanie rekomendacji w czasie rzeczywistym.
• API: Umożliwia dynamiczne pobieranie danych o produktach i użytkownikach oraz wysyłanie wygenerowanych rekomendacji do interfejsu sklepu.
• Serwer zdarzeń: Zbierał dane na temat aktywności użytkowników, zapewniając ciągłą aktualizację modeli rekomendacji.

Osiągnięte wyniki

Po wdrożeniu systemu przeprowadzono testy A/B. System rekomendacji zwrócił wyniki dla 50% losowo wybranych użytkowników, podczas gdy pozostali otrzymali zwykłą kolejność produktów (według popularności). Pozwoliło to na precyzyjny pomiar jakości modelu.

1. Wzrost średniej wartości koszyka
   Dzięki rekomendowanym upsellom średnia wartość koszyka wzrosła o 4%. Porównania dokonano podczas dwutygodniowych testów A/B. Zakładając, że średnia wartość koszyka przed wdrożeniem wynosiła 500 zł, a miesięcznie dokonywano 10 000 zakupów, miesięczny zysk z tego wzrostu wyniósł 200 000 zł.
2. Wzrost CR na stronie internetowej
   Użytkownicy otrzymywali bardziej dopasowane sugestie produktów, co prowadziło do mniejszej liczby opuszczeń strony i częstszych zakupów. Współczynnik konwersji (CR) wzrósł o 4%, co przełożyło się na 800 dodatkowych konwersji miesięcznie i zysk w wysokości 416 000 PLN.

Koszty i zasoby

Głównymi kosztami projektu były wynagrodzenia zespołu programistów.

Zasoby ludzkie

• Naukowcy zajmujący się danymi: Trzech Data Scientists, z całkowitym kosztem zespołu wynoszącym 300 000 PLN.
• Kierownik projektu: PM w niepełnym wymiarze godzin, wliczony w całkowity koszt zespołu.

Czas trwania projektu: 2 miesiące.

Koszty infrastruktury

Ponieważ cały system został wdrożony w chmurze, wiązało się to z dodatkowymi kosztami:

• Instancje AWS EC2: Koszty modelu szkoleniowego (2500 PLN) i wdrożenia (450 PLN).
• S3 Storage: Koszty przechowywania danych (360 PLN).
• Amazon RDS: Koszty przechowywania bazy danych (560 PLN).

Całkowity koszt projektu: 303 870 PLN.

W ten sposób inwestycja zwróciła się dwa tygodnie po wdrożeniu rozwiązania.

Monitorowanie i optymalizacja

Po wdrożeniu modelu uczenia maszynowego kluczowe było monitorowanie jego wydajności i wprowadzanie niezbędnych korekt.

Monitorowanie zostało wdrożone przy użyciu Amazon CloudWatch. Ze względu na wprowadzanie nowych produktów i zmieniające się preferencje użytkowników, wdrożono automatyczne cotygodniowe przekwalifikowanie modelu. Dodatkowo wprowadzono system alertów w celu zgłaszania anomalii.

Pętla sprzężenia zwrotnego

Dla każdego polecanego produktu użytkownicy mogli kliknąć kciuk w górę lub w dół, aby ocenić jakość rekomendacji. Zapewniło to dodatkowe źródło informacji przydatnych do przekwalifikowania modelu sztucznej inteligencji.

Wnioski

Hipotetyczne wdrożenie zaawansowanego systemu rekomendacji w sklepie z elektroniką było kluczowym krokiem w kierunku poprawy doświadczeń zakupowych klientów i zwiększenia efektywności sprzedaży.

Personalizując ofertę produktową w oparciu o preferencje użytkowników, osiągnięto zauważalną poprawę współczynników konwersji i średniej wartości koszyka.

Projekt wymagał integracji danych z różnych źródeł i zastosowania zaawansowanych technologii uczenia maszynowego, takich jak XGBoost, które umożliwiły efektywne przetwarzanie i analizę dużych ilości danych oraz generowanie dokładnych rekomendacji produktów w czasie rzeczywistym.

W ostatnich latach byliśmy świadkami kilku przełomowych momentów, takich jak stworzenie modelu AlphaZero w 2017 r., który osiągnął poziom arcymistrzowski w szachach i Go, oraz opracowanie architektury Transformer w tym samym roku, która stanowi podstawę wielu modeli przetwarzania języka. Jednak wydanie modelu GPT-3.5 jako chatbota, ChatGPT, 30 listopada 2022 r., zwróciło uwagę opinii publicznej na sztuczną inteligencję. Wykorzystanie sztucznej inteligencji stało się powszechne w życiu prywatnym i poszukiwaniu zastosowań biznesowych w celu zaoszczędzenia czasu, usprawnienia procesów i zwiększenia zysków.

Należy zauważyć, że wykorzystanie algorytmów opartych na sztucznej inteligencji (a dokładniej, na uczeniu maszynowym) w zastosowaniach biznesowych trwa już od co najmniej kilku lat. Typowe przykłady obejmują systemy rekomendujące reklamy lub inne treści użytkownikom Internetu, systemy predykcyjne w instytucjach finansowych oraz algorytmy wykrywania obrazów w przemyśle. Choć algorytmy te wciąż ewoluują, firmom daleko jeszcze do pełnego wykorzystania potencjału AI.

Dlatego w tym artykule nie tylko przedstawię, jak wykorzystać generatywną sztuczną inteligencję (taką jak ChatGPT czy Midjourney) w swojej firmie, ale także szerzej opiszę, jak podejść do identyfikacji obszarów, które można usprawnić za pomocą różnego rodzaju algorytmów AI.

Zapoznanie się z podstawowymi narzędziami sztucznej inteligencji

Swoją przygodę ze sztuczną inteligencją warto rozpocząć od zapoznania się z dostępnymi narzędziami. Jest ich już całkiem sporo, a każde z nich służy bardzo różnym zastosowaniom. Oto kilka przykładów.

Adobe Firefly to zaawansowane narzędzie do generowania i edycji grafiki, idealne dla działów marketingu i projektowania. Z kolei Synthesia pozwala na tworzenie filmów z generowanymi głosami i postaciami, co jest świetnym rozwiązaniem do produkcji materiałów szkoleniowych i prezentacji.

ChatGPT i Gemini to wszechstronne narzędzia, które mogą pomóc w tworzeniu treści marketingowych, obsłudze klienta, odpowiadaniu na wiadomości e-mail lub generowaniu pomysłów. Grammarly z kolei pomaga poprawić gramatykę i styl pisania, co jest nieocenione przy tworzeniu wysokiej jakości treści marketingowych i raportów.

Turbologo i Logopony to narzędzia do generowania logo, które mogą przyspieszyć proces tworzenia identyfikacji wizualnej firmy. Canva oferuje szeroką gamę narzędzi do projektowania, w tym te wykorzystujące generatywne modele AI. Wysokiej jakości grafiki można tworzyć za pomocą Midjourney lub Leonardo.ai. Jeśli potrzebujesz podkładu muzycznego, sprawdź Suno.

Narzędzia takie jak Slides AI, Presentations AI, Pitch i Beautiful.AI umożliwiają tworzenie atrakcyjnych prezentacji z automatycznym formatowaniem, co może znacznie zaoszczędzić czas i poprawić jakość wizualną prezentowanych materiałów.

Nie zapomnij skorzystać z narzędzi do transkrypcji spotkań, takich jak OtterAI, i systemów podsumowujących tekst, takich jak SummarizeBot.

Dla zespołów badawczych Scite.AI oferuje zaawansowane możliwości wyszukiwania informacji naukowych i znacznie przyspiesza proces badawczy.

Warto eksperymentować z różnymi narzędziami, aby znaleźć te, które najlepiej spełniają potrzeby Twojej firmy. Z pewnością zwiększą one efektywność Twoich pracowników. Jednak korzystanie z tych narzędzi to dopiero początek możliwości AI w Twojej firmie!

Eksperyment z systemami generatywnymi

Prawdopodobnie słyszałeś, że aby uzyskać wysokiej jakości wyniki z modeli generatywnych, kluczowe jest napisanie odpowiednich podpowiedzi. Polegając wyłącznie na krótkich i intuicyjnych podpowiedziach, szybko przekonasz się, że odpowiedzi generowane przez narzędzia są dość standardowe i powtarzalne. Prawdopodobnie nie zaspokoją one potrzeb Twojej firmy.

Dlatego następnym krokiem będzie wypróbowanie i eksperymentowanie z różnymi podpowiedziami. Pomoże ci to lepiej zrozumieć możliwości i ograniczenia systemów AI. Szybko poznasz też podstawowe cechy algorytmów AI:

• Dobrze zastosowany algorytm AI może znacznie zaoszczędzić czas pracowników i zapewnić, że ich praca będzie wykonywana lepiej i dokładniej.
• Algorytm sztucznej inteligencji musi mieć precyzyjnie zdefiniowane zadanie, które wykonuje.
• Ogólne, generyczne systemy sztucznej inteligencji zazwyczaj muszą być mocno dostosowane do konkretnego problemu firmy, aby zapewnić znaczące korzyści.
• Korzystanie z systemu sztucznej inteligencji musi być zintegrowane z procesami i systemami IT firmy (poprzez odpowiedni przepływ danych), aby zapewnić, że korzystanie z niego jest wygodne i efektywne czasowo, a co najważniejsze, aby zapewnić bezpieczeństwo danych firmy.
• Ostateczne rozwiązanie AI jest tworzone metodą prób i błędów, poprzez eksperymenty.
• System sztucznej inteligencji nigdy nie działa ze stuprocentową dokładnością, więc musisz wziąć pod uwagę obsługę błędów i halucynacji (lub po prostu świadomie je zignorować).

Stwórz swoich asystentów

Po wstępnych testach, które służą bardziej zabawie niż poważnym zastosowaniom, możesz zacząć tworzyć bardziej zaawansowane (ale wciąż szybkie w budowie) rozwiązania AI dla swojej firmy.

Może to obejmować stworzenie dobrej podpowiedzi (tj. instrukcji dla modela) i zapisanie jej do wielokrotnego użytku. Na przykład może to być instrukcja dotycząca postów w mediach społecznościowych, w której określasz styl swojej marki, wymagania dotyczące długości postów i możliwe użycie emotikonów lub hashtagów.

W wielu narzędziach (np. w Chat GPT) można również przesyłać pliki w różnych formatach - czy to arkusze kalkulacyjne (XLSX), dokumenty (PDF, DOCX), czy obrazy (JPG). W ten sposób zbudujesz agentów do zarządzania wiedzą w swojej firmie, na przykład w zakresie informacji o pracownikach lub szybkiego wyszukiwania informacji w celu udzielenia odpowiedzi klientowi.

Poznaj możliwości innych grup AI

Modele generatywne stanowią jedynie niewielką część szerokiej gamy dostępnych algorytmów sztucznej inteligencji. Prawdopodobnie nie wykorzystują one w pełni potencjału drzemiącego w danych gromadzonych przez firmę. Dlatego warto zapoznać się z innymi klasami modeli i rozważyć ich wykorzystanie w swojej firmie.

Pamiętaj, że korzystanie z tych modeli zazwyczaj wymaga zbudowania niestandardowego systemu AI przez zespół Data Science. Alternatywnie możesz zdecydować się na narzędzia o niskim kodzie lub bez kodu, w których osoby bez zaawansowanych umiejętności programistycznych mogą również tworzyć niestandardowe systemy sztucznej inteligencji.

Najważniejsze rodzaje niegeneratywnej ("tradycyjnej") sztucznej inteligencji obejmują:

Wizja komputerowa

Algorytmy te zazwyczaj przyjmują obrazy lub filmy jako dane wejściowe. Ich wyniki mogą obejmować klasyfikację i wykrywanie obiektów (na przykład identyfikowanie obiektów za pomocą kolorowych prostokątów) po segmentację semantyczną - wykrywanie całych obszarów obrazu i oznaczanie pikseli reprezentujących określone obiekty.

Przykład wykrywania i segmentacji obiektów: (https://manipulation.csail.mit.edu/segmentation.html)

Algorytmy przetwarzania obrazu znajdują szerokie zastosowanie w różnych branżach. W produkcji wykorzystywane są do kontroli jakości, monitorowania procesów produkcyjnych i zarządzania zasobami. W diagnostyce medycznej umożliwiają analizę zdjęć rentgenowskich, rezonansu magnetycznego i innych skanów, pomagając w szybkim wykrywaniu chorób i anomalii. Handel detaliczny wykorzystuje te technologie do analizy zachowań klientów, zarządzania zapasami i tworzenia spersonalizowanych ofert.

Systemy rekomendacji

Systemy rekomendacji, mające kluczowe znaczenie w handlu elektronicznym, usługach streamingowych i marketingu cyfrowym, analizują preferencje i zachowania użytkowników w celu dostarczania spersonalizowanych rekomendacji dotyczących produktów, treści lub usług, zwiększając tym samym zaangażowanie i lojalność klientów.

Systemy predykcyjne i grupujące

Algorytmy predykcyjne analizują dane historyczne w celu prognozowania przyszłych zdarzeń, co jest nieocenione w sektorach takich jak finanse, logistyka i zarządzanie zasobami. Algorytmy klastrowania pomagają identyfikować wzorce i segmentować dane, co jest korzystne w analizie rynku i zarządzaniu klientami.

Systemy optymalizacji

Systemy optymalizacji wykorzystują algorytmy sztucznej inteligencji do zarządzania procesami, zasobami i logistyką w możliwie najbardziej efektywny sposób. Mogą one znacznie obniżyć koszty operacyjne i zwiększyć wydajność biznesową. Przykłady obejmują zarządzanie magazynem, planowanie tras dostaw, planowanie produkcji, optymalizację wykorzystania maszyn i zasobów oraz redukcję odpadów.

Eksploracja tych różnorodnych możliwości sztucznej inteligencji może zapewnić wgląd w to, jak można je skutecznie zintegrować z procesami biznesowymi, zwiększając produktywność i podejmowanie decyzji w różnych dziedzinach.

Przeprowadzanie warsztatów eksploracyjnych i budowanie kultury AI

Wykorzystanie potencjału sztucznej inteligencji w firmie może znacznie skorzystać na przeprowadzeniu warsztatów eksploracyjnych i kultywowaniu kultury sztucznej inteligencji. Inicjatywy te pomagają zespołom lepiej zrozumieć możliwości oferowane przez sztuczną inteligencję i sposób, w jaki technologie te można dostosować do konkretnych potrzeb biznesowych.

Warsztaty eksploracyjne to interaktywne sesje mające na celu zidentyfikowanie obszarów w firmie, w których sztuczna inteligencja może przynieść największe korzyści. Podczas tych warsztatów pracownicy z różnych działów współpracują, aby zrozumieć, jakie problemy można rozwiązać za pomocą sztucznej inteligencji i jakie nowe możliwości może ona otworzyć.

Wprowadzenie do warsztatów zazwyczaj rozpoczyna się od przeglądu podstawowych koncepcji AI, co pozwala uczestnikom lepiej zrozumieć pojęcia i terminologię. Następnie analizowane są konkretne przypadki użycia AI w branżach podobnych do Twojej firmy. W kolejnym etapie uczestnicy identyfikują własne wyzwania biznesowe i potrzeby, które można rozwiązać za pomocą sztucznej inteligencji, a następnie wspólnie opracowują wstępne pomysły na rozwiązania.

Budowanie kultury AI w firmie wymaga również stworzenia środowiska, które wspiera innowacje i ciągłe uczenie się. Kluczowe jest promowanie otwartości na nowe technologie i zachęcanie pracowników do eksperymentowania z narzędziami AI. Ponadto liderzy firmy powinni aktywnie wspierać inicjatywy związane ze sztuczną inteligencją i dawać przykład poprzez zaangażowanie w projekty wdrożeniowe AI.

W kierunku większych wdrożeń

Niestandardowe rozwiązania AI zazwyczaj wymagają znacznie większych inwestycji finansowych w porównaniu do prostych narzędzi AI, które często są darmowe lub kosztują kilkaset złotych miesięcznie. Koszt opracowania takich rozwiązań może wahać się od dziesiątek do setek tysięcy złotych.

Jeśli jednak masz dobrze zdefiniowany problem i Proof-of-Concept, który pokazuje, że system AI spełnia Twoje oczekiwania, korzyści mogą pojawić się szybko w postaci wzrostu sprzedaży o kilka do kilkudziesięciu procent, oszczędności na stratach, czy oszczędności tysięcy godzin pracy Twoich pracowników.

Podsumowanie

Sztuczna inteligencja w biznesie obejmuje szeroki zakres podejść. Pierwsze próby można rozpocząć na własną rękę, korzystając z gotowych narzędzi, które są darmowe lub bardzo tanie. Jeśli jednak szukasz czegoś bardziej zaawansowanego i dostosowanego do konkretnych potrzeb Twojej firmy, powinieneś przygotować się na wyższe koszty i skorzystać z pomocy ekspertów technicznych. Jeśli masz jakieś pytania lub chciałbyś przedyskutować swoje pomysły, skontaktuj się z nami!

Jednak w miarę jak modele stają się coraz bardziej złożone, może być trudno dowiedzieć się, co powoduje, że tworzą one określone prognozy. Dlatego też obserwujemy szybki wzrost liczby narzędzi interpretacyjnych, takich jak SHAP lub DALEX. 

W tym artykule omówię kilka powodów, dla których interpretowalność jest tak ważna. Powodów jest więcej niż można by się spodziewać, a niektóre z nich są bardzo nieoczywiste.

1. Większa pewność, że model działa dobrze

Jednym z najważniejszych aspektów interpretowalności jest to, że pozwala ona zyskać zaufanie do modelu i mieć pewność, że robi on to, co powinien.

Pierwszym krokiem do oceny jakości modelu jest odpowiednio zdefiniowana metryka, w zależności od zastosowania - może to być np. dokładność, wynik f1 lub MAPE. Jednak nawet jeśli wybraliśmy odpowiednią metrykę, może ona zostać obliczona w niewłaściwy sposób lub może być nieinformatywna. Dlatego zazwyczaj możemy osiągnąć najwyższą pewność co do jakości modelu tylko poprzez zrozumienie, co robi i dlaczego daje takie prognozy.

2. Budowanie zaufania

W projektach Machine Learning zaufanie jest podstawą. Bez zaufania nie można budować relacji ani współpracy. Zaufanie pozwala współpracować i dzielić się danymi, wiedzą i doświadczeniem. Pozwala również na kontynuowanie współpracy w przyszłości.

Aby model był interpretowalny i godny zaufania, musi zawierać jasne wyjaśnienia tego, co robi i dlaczego to robi. Im bardziej przejrzysty jest wynik modelu, tym większe prawdopodobieństwo, że inni zaufają jego wynikom i będą chcieli ponownie z nim współpracować!

3. Debugowanie

Zrozumienie modelu i sposobu jego działania jest niezwykle ważne, gdy wyniki modelu są poniżej oczekiwań i zaczynasz zastanawiać się, co się dzieje. Jeśli nie rozumiesz modelu, bardzo trudno jest debugować, jeśli coś pójdzie nie tak z wynikami prognoz.

Na przykład, jeśli algorytm nie daje dokładnych prognoz dla niektórych punktów danych w zestawie testowym, ale dobrze radzi sobie z innymi punktami danych, być może dobre punkty danych pochodzą z tego samego rozkładu, który był w zestawie treningowym. Kiedy zrozumiesz, na które cechy Twój model patrzy najczęściej, możesz odkryć, że być może błędne punkty danych są wartościami odstającymi z perspektywy tych cech. A może w tych punktach brakuje pewnych cech.

4. Prostsza alternatywa

Dzięki możliwości interpretacji można dowiedzieć się, które cechy są ważne dla danego modelu i zaproponować prostsze modele alternatywne, które mają podobną moc predykcyjną.

Na przykład, załóżmy, że masz problem z klasyfikacją z tysiącami cech i odkrywasz, że tylko 10% z nich ma znaczenie w przewidywaniu rezygnacji klientów. Teraz wiesz, które cechy mają znaczenie, a które nie, więc może być możliwe usunięcie nieistotnych cech i ponowne wytrenowanie modelu. Będzie to szybsze, ponieważ ma mniej parametrów. Ale także proces gromadzenia i wstępnego przetwarzania danych będzie prostszy. 

5. Rozszerzanie wiedzy o domenie

Narzędzia do wyjaśniania modelu pokazują nam cechy, które mają największy wpływ na wynik modelu. Niektóre relacje między cechami i korelacje z wynikami mogą być bardzo intuicyjne i znane ekspertom, np. jeśli próbujesz przewidzieć, czy klient nie spłaci pożyczki, historia jego spłaty może być ważnym czynnikiem. Jednak modele bardzo często wykrywają korelacje wcześniej niezbadane przez człowieka. Dzięki temu ludzkie decyzje mogą być w przyszłości lepsze, nawet jeśli nie zdecydujemy się na zastąpienie ich modelem.

6. Zgodność z przepisami

Jeśli model jest wykorzystywany do określenia, czy można uzyskać zgodę na coś (pożyczkę, ubezpieczenie medyczne itp.), ważne jest, aby upewnić się, że model ma sens i zapewnia dokładną odpowiedź. Jeśli decyzja opiera się na nieprzejrzystej czarnej skrzynce, możesz nie mieć pojęcia, dlaczego jedna osoba została zatwierdzona, a inna nie. Ten brak przejrzystości oznacza również, że trudno będzie udowodnić, że model działa prawidłowo w sądzie, jeśli pojawią się problemy z jego prognozami w przyszłości.

Te sześć powodów wyjaśnia, dlaczego interpretowalność modelu jest ważna.

Posiadanie interpretowalnego modelu jest ważne, aby mieć pewność, że model działa dobrze i budować zaufanie między Tobą a użytkownikami końcowymi. Jest to również ważne dla debugowania modelu, co może pomóc w szybkim wyizolowaniu problemów i naprawieniu ich przed wdrożeniem modelu w produkcji.

Wyjaśnienie modelu jest przydatne również wtedy, gdy nie będziesz korzystać z aktualnej wersji modelu - umożliwiając zbudowanie prostszej alternatywy lub poszerzając wiedzę ludzkich ekspertów i poprawiając ich decyzje. 

Wreszcie, jeśli przechodzisz przez kontrole zgodności z przepisami, posiadanie interpretowalnej wersji modelu znacznie ułatwi te procedury.

Mam nadzieję, że ten artykuł okazał się przydatny w Twojej podróży do nauki o danych. Więcej artykułów znajdziesz na naszym blogu!

Projekt ma na celu opracowanie zaawansowanego systemu, który umożliwia wykrywanie usterek, zakłócenia i inne kwestie związane z infrastrukturą elektryczną, poprawiając w ten sposób jej bezpieczeństwo i wydajność.

Cele projektu:

• Monitorowanie infrastruktury elektrycznej w czasie rzeczywistym...
• Identyfikacja potencjalnych zagrożeń, takich jak uszkodzenia linii przesyłowych, wkraczanie roślinności na linie, uszkodzenia izolatorów i zanieczyszczenia linii.
• Generowanie raportów z monitorowania sieci energetycznej.

Postęp projektu:

1. Gromadzenie danych z kamer:

Nagrał setki godzin materiału wideo z dronów, koncentrując się na elektrycznych liniach przesyłowych.

2. Etykietowanie danych:

Adnotatorzy oznaczyli dane, zaznaczając różne obszary do monitorowania, w tym:

• Widoczne usterki w liniach przesyłowych,
• Roślinność wkraczająca na linie,
• Uszkodzenia izolatora,
• Zanieczyszczenia na liniach.

3. Wykorzystanie wstępnie wyszkolonych algorytmów AI:

Zastosowano wstępnie wytrenowane modele oparte na głębokim uczeniu i konwolucyjnych sieciach neuronowych (CNN).

4. Dostrajanie algorytmu:

Algorytmy zostały dostrojone do przewidywania zakłóceń w infrastrukturze elektrycznej poprzez szkolenie na oznaczonych danych.

5. Eksperymenty offline na danych historycznych:

Osiągnięto dokładność 92% na danych historycznych, służącą jako punkt wyjścia do dalszych ulepszeń.

6. Gromadzenie danych i walidacja algorytmów:

Zebrano dodatkowe dane i wykorzystano je do oceny algorytmu, osiągając dokładność 89,5%.

7. Iteracje w celu ulepszenia algorytmu:

Zastosowano techniki Ensemble, łącząc wyniki z różnych modeli, uzyskując dokładność 94%.

8. Praca nad redukcją rozmiaru modelu AI:

Aby umożliwić wdrożenie na urządzeniach docelowych, model został zoptymalizowany przy jednoczesnym zachowaniu jego skuteczności.

9. Pilotaż - wdrożenie algorytmu w dwóch lokalizacjach testowych:

Algorytm został przetestowany w warunkach rzeczywistych w dwóch lokalizacjach, umożliwiając ocenę i dostosowanie do różnych warunków terenowych.

10. Generowanie raportów z lotu drona:

Algorytm został zintegrowany z dronami, umożliwiając generowanie raportów z wynikami monitorowania po każdym locie drona.

Inwestycje i alokacja zasobów:

Całkowity koszt projektu wyniósł 800 000 PLN i został podzielony w następujący sposób:

• Zbieranie danych, przygotowanie i etykietowanie: 50 000 PLN.
• Wstępny rozwój modelu (Proof of Concept): 150 000 PLN.
• Testowanie: 80 000 PLN.
• Poprawki i opracowanie ostatecznego modelu: 420 000 PLN.
• Wdrożenie, dokumentacja, generowanie raportów: 100 000 PLN.

Wyniki i korzyści:

• Redukcja kosztów operacyjnych: Dzięki zastosowaniu algorytmów sztucznej inteligencji w monitorowaniu infrastruktury elektrycznej, koszty operacyjne zostały zmniejszone o 15%, w tym inspekcje terenowe i czasochłonne analizy.
• Redukcja kosztów awarii: Wczesne wykrywanie usterek doprowadziło do 18% redukcji kosztów związanych z awariami, unikając katastrofalnych uszkodzeń i przedłużających się przestojów.
• Roczne oszczędności finansowe: Zakładając stałą redukcję kosztów operacyjnych i unikanie kosztów związanych z awariami, szacowane roczne oszczędności wynoszą 2,5 mln zł.
• Skrócony czas reakcji na incydenty: Średni czas reakcji na incydenty elektryczne skrócił się o 70%, co doprowadziło do szybszego rozwiązywania problemów i zminimalizowania wpływu incydentów.

Jesteś zainteresowany podobnym rozwiązaniem?