Hlboké učenie

Hlboké učenie je špecializovaná oblasť strojového učenia, ktorá využíva viacvrstvové umelé neurónové siete na modelovanie a riešenie zložitých, výrazne nelineárnych problémov. Pri klasických algoritmoch strojového učenia musia odborníci často ručne určiť a z nespracovaných dát vybrať relevantné znaky. Architektúry hlbokého učenia sa naopak hierarchické reprezentácie učia automaticky, priamo z neštruktúrovaných vstupov. Systém má viac výpočtových vrstiev nad sebou (odtiaľ „hlboké“) a postupne z nespracovaných dát získava znaky čoraz vyššej úrovne. Matricu pixelov, prúd akustických vibrácií alebo postupnosť údajov zo senzorov tak premení na veľmi presné klasifikácie, predpovede či riadiace zásahy.

V modernej priemyselnej výrobe, logistike a pri technológii digitálneho dvojčaťa funguje hlboké učenie ako kognitívny motor, ktorý obrovské objemy dát z prevádzkových technológií (OT) mení na použiteľné poznatky. S rozšírením priemyselného internetu vecí (IIoT) prudko pribudlo vysokofrekvenčných, viacdruhových dátových tokov z výrobných hál, dodávateľských reťazcov a distribučných sietí. Hlboké učenie je na spracovanie takého objemu dát mimoriadne vhodné. Automatizované systémy vďaka nemu zvládnu úlohy, ktoré predtým vyžadovali ľudské vnímanie, napríklad vizuálnu kontrolu kvality, náročnú akustickú detekciu anomálií alebo spracovanie prirodzeného jazyka v záznamoch o údržbe.

V architektúre digitálneho dvojčaťa, teda virtuálnej reprezentácie fyzického zariadenia, procesu alebo systému, slúžia modely hlbokého učenia ako vysoko presné simulačné nástroje v reálnom čase. Klasické digitálne dvojčatá sa opierajú o fyzikálne rovnice (napríklad metódu konečných prvkov alebo výpočtovú dynamiku tekutín), ktorých výpočet je náročný a pomalý. Modely hlbokého učenia sa dajú natrénovať na historických a aktuálnych prevádzkových dátach, a tak vzniknú „náhradné modely“ (surrogate models). Tie dokážu predpovedať správanie fyzického zariadenia, tepelné namáhanie alebo štrukturálnu degradáciu v priebehu milisekúnd. Vďaka tomu možno v reálnom čase testovať scenáre „čo ak“, riadiť procesy v uzavretej slučke a veľmi presne plánovať prediktívnu údržbu.

Hlavné súčasti

Umelé neurónové siete (ANN) a hlboké architektúry: Sú základným výpočtovým rámcom. Tvorí ho vstupná vrstva, viacero skrytých vrstiev a výstupná vrstva prepojených uzlov (neurónov), ktoré dáta matematicky transformujú pomocou váh, prahových hodnôt (biasov) a nelineárnych aktivačných funkcií. V priemysle vďaka hĺbke týchto sietí možno modelovať zložité fyzikálne javy, napríklad termodynamické správanie chemického reaktora alebo mechanické opotrebenie vretena CNC stroja.

Konvolučné neurónové siete (CNN): Sú to špecializované architektúry hlbokého učenia na spracovanie dát s mriežkovou štruktúrou, ako sú 2D obrázky, videopriebehy alebo 1D spektrálne dáta. CNN pomocou matematických konvolučných operácií automaticky rozpoznávajú priestorové vzory, hrany a textúry, a preto sú štandardom v automatizovanej optickej kontrole, robotickom vyberaní dielov z prepraviek (bin-picking) aj pri sledovaní bezpečnosti v hale.

Rekurentné neurónové siete (RNN) a siete s dlhou krátkodobou pamäťou (LSTM): Tieto architektúry spracúvajú sekvenčné dáta alebo časové rady a vďaka vnútornému stavu pamäte zachytávajú závislosti v čase. Vo výrobe a logistike sa siete LSTM bežne používajú na analýzu nepretržitej telemetrie zo senzorov rotačných strojov, na predpoveď spotreby energií a na odhad dodacích lehôt v dodávateľskom reťazci podľa historických trendov.

Spätné šírenie chyby (backpropagation) a optimalizačné algoritmy: Ide o matematický proces trénovania. Predpovede siete sa pomocou stratovej funkcie porovnajú so skutočnými výsledkami (ground truth) a vzniknutá chyba sa šíri späť cez vrstvy siete. Optimalizačné algoritmy, napríklad gradientný zostup, potom systematicky upravujú vnútorné váhy neurónov tak, aby sa chyba minimalizovala. Model si tak počas ďalších trénovacích epoch neustále zlepšuje presnosť predpovedí.

Edge AI a vysokovýkonná výpočtová infraštruktúra: Týmto pojmom sa označuje hardvérové prostredie, od výkonných cloudových grafických procesorov (GPU) na trénovanie zložitých modelov až po úsporné špecializované tenzorové procesory (TPU) a mikrokontroléry nasadené na okraji siete (edge). Vďaka tejto infraštruktúre môžu modely hlbokého učenia vyhodnocovať dáta (inferencia) priamo v hale alebo v logistických centrách. Pre bezpečnostne kritické aplikácie to znamená odozvu v zlomkoch milisekundy bez závislosti od nepretržitého pripojenia do cloudu.

Využitie vo výrobe a logistike

Vo výrobe hlboké učenie výrazne zmenilo automatizovanú kontrolu kvality, a to vďaka pokročilým systémom počítačového videnia. Klasické systémy strojového videnia sa spoliehajú na pevné programovanie podľa pravidiel, ktoré si zle poradí s prirodzenými odchýlkami v materiáloch, osvetlení alebo polohe výrobku. Systémy vizuálnej kontroly založené na hlbokom učení sa trénujú na tisíckach snímok vyhovujúcich aj chybných dielov. Mikroskopické trhliny na povrchu, chyby zvarov a chyby montáže rozpoznajú presnejšie než ľudskí kontrolóri, a to aj pri premenlivom osvetlení v hale. V prediktívnej údržbe zase modely hlbokého učenia analyzujú viacrozmerné dáta zo senzorov, ktoré spájajú vibrácie, teplotu, akustické emisie a elektrický prúd. Zachytia tak jemné, viacrozmerné anomálie, ktoré signalizujú blížiacu sa poruchu komponentu o niekoľko týždňov skôr, než by sa spustil alarm založený na prahovej hodnote.

V logistike a riadení dodávateľského reťazca hlboké učenie optimalizuje zložité a dynamické operácie, ktoré sa tradičnému matematickému programovaniu vzpierajú. Autonómne mobilné roboty (AMR) a automaticky riadené vozidlá (AGV) sa v rušných skladoch pohybujú vďaka vnímaniu založenému na hlbokom učení. V reálnom čase tak rozpoznávajú prekážky, chodcov aj meniace sa zásoby. Pri riadení zásob modely hlbokého učenia spracúvajú rôznorodé súbory dát, napríklad historické predaje, počasie, ekonomické ukazovatele a trendy na sociálnych sieťach, a vytvárajú veľmi presné predpovede dopytu. Logistickým firmám to pomáha optimalizovať úroveň zásob a skracovať dopravné časy. Keď sú tieto modely súčasťou logistického digitálneho dvojčaťa, dokážu simulovať a optimalizovať tok tovaru v globálnych dodávateľských reťazcoch a predpovedať úzke miesta v prístavoch alebo distribučných centrách skôr, než vzniknú.

Prínosy a úskalia

Hlavným prínosom hlbokého učenia v priemysle je schopnosť získať hodnotu z neštruktúrovaných a mnohorozmerných dát, ktoré tradičné analytické metódy nespracujú. Automatické získavanie znakov skracuje čas, ktorý inžinieri potrebujú na vývoj prediktívnych modelov, a dokáže odhaliť skryté súvislosti medzi stovkami rôznych dátových tokov zo senzorov. Prejaví sa to citeľným zlepšením prevádzky: menej neplánovaných odstávok, vyšší výťažok z výroby, nižšia spotreba energií a hladšie logistické procesy. Modely hlbokého učenia sú navyše dobre škálovateľné. Keď je architektúra modelu hotová, dá sa znova natrénovať a nasadiť na viacerých rovnakých zariadeniach alebo výrobných linkách po celom svete.

Nasadenie hlbokého učenia v priemysle však prináša aj značné úskalia, predovšetkým veľkú závislosť od obrovských, kvalitných a označených dátových súborov. Poruchy strojov sú vo výrobe pomerne zriedkavé, a preto je ťažké získať vyvážené súbory dát o „režimoch porúch“, ktoré treba na trénovanie spoľahlivých prediktívnych modelov. Modely hlbokého učenia sa tiež často kritizujú ako „čierne skrinky“, pretože ich vnútorné rozhodovanie je veľmi zložité a operátori mu len ťažko rozumejú. V bezpečnostne kritických prevádzkach môže táto nevysvetliteľnosť brzdiť nasadenie, lebo inžinieri musia chápať, prečo model odporúča odstaviť turbínu alebo zmeniť chemickú receptúru. Modely hlbokého učenia sú napokon náchylné na „koncepčný drift“ (concept drift): zmeny fyzikálnych prevádzkových podmienok, kalibrácie senzorov alebo vlastností suroviny časom znižujú presnosť modelu, a preto treba model nepretržite monitorovať a pretrénovávať.

Súvisiace pojmy

Na pochopenie hlbokého učenia v priemyselných digitálnych dvojčatách treba poznať aj súvisiace pojmy: strojové učenie je širšia kategória algoritmov, ktoré sa učia z dát. Počítačové videnie je odbor, ktorý učí počítače vidieť a interpretovať vizuálne dáta. Prediktívna údržba je prevádzková stratégia, pri ktorej sa údržba plánuje podľa predpovedí o stave zariadenia. A priemyselný internet vecí (IIoT) je sieť fyzických objektov so senzormi a softvérom, ktorá poskytuje surové dátové toky na trénovanie a prevádzku modelov hlbokého učenia.

Časté otázky

Aký je v priemysle rozdiel medzi strojovým učením a hlbokým učením? Strojové učenie zahŕňa široké spektrum algoritmov (napríklad náhodné lesy alebo metódu podporných vektorov), pri ktorých musia inžinieri pred trénovaním ručne vybrať, vyčistiť a upraviť relevantné znaky zo surových dát. Hlboké učenie je jeho špecializovaná podmnožina. Využíva viacvrstvové neurónové siete, ktoré sa tieto znaky učia a získavajú automaticky priamo zo surových, neštruktúrovaných dát. Pri zložitých vstupoch, ako sú video, surový zvuk a vysokofrekvenčné dátové toky zo senzorov, je preto oveľa účinnejšie, no za cenu vyšších nárokov na výpočtový výkon.

Ako sa model hlbokého učenia zapája do fyzického digitálneho dvojčaťa? V rámci digitálneho dvojčaťa model hlbokého učenia slúži ako analytický a prediktívny motor. Softvér dvojčaťa spravuje dátové toky, 3D vizualizácie a štrukturálne vzťahy fyzického zariadenia. Zabudovaný model hlbokého učenia spracúva telemetriu z IoT v reálnom čase, predpovedá budúce stavy, simuluje zmeny v prevádzke a zisťuje anomálie. Poskytuje tak „inteligenciu“, vďaka ktorej môže digitálne dvojča odporúčať optimálne prevádzkové rozhodnutia.

Môžu modely hlbokého učenia bežať priamo na hardvéri v hale, alebo potrebujú cloud? Trénovanie modelov hlbokého učenia je výpočtovo náročné a zvyčajne vyžaduje cloudové klastre s GPU alebo vlastné dátové centrá. Hotový natrénovaný model sa však dá zmenšiť a optimalizovať tak, aby bežal priamo na edge hardvéri. Pomocou špecializovaných procesorov edge AI, priemyselných PC alebo inteligentných kamier modely vyhodnocujú dáta v reálnom čase priamo v hale. Zaručujú tak nízku latenciu, nižšie náklady na dátový prenos a nepretržitú prevádzku aj pri výpadku siete.

Ako prevádzkovatelia v priemysle riešia problém „čiernej skrinky“ pri hlbokom učení? Na prekonanie nedostatočnej transparentnosti modelov hlbokého učenia priemysel čoraz častejšie využíva techniky vysvetliteľnej umelej inteligencie (XAI). Tie vytvárajú vizuálne heatmapy alebo skóre dôležitosti znakov, aby operátori videli, ktoré konkrétne vstupy ovplyvnili rozhodnutie modelu. Inžinieri okrem toho často nasadzujú hybridné alebo „fyzikálne informované“ neurónové siete, ktoré priamo do architektúry hlbokého učenia zabudujú známe fyzikálne zákony (napríklad zachovanie energie alebo hmotnosti). Predpovede modelu tak ostanú v bezpečných a fyzikálne reálnych medziach.