Generatívna AI

Generatívna umelá inteligencia (generatívna AI) je skupina algoritmov umelej inteligencie, ktoré vedia na základe vzorov z trénovacích dát vytvárať nový obsah, nové dáta alebo návrhy. Diskriminačná AI klasifikuje alebo predpovedá na základe existujúcich dát. Generatívna AI naopak využíva modely hlbokého učenia, napríklad veľké jazykové modely (LLM), generatívne kontradiktórne siete (GAN) a variačné autoenkodéry (VAE), a vytvára nové výstupy, ktoré napodobňujú diela vytvorené človekom alebo prírodné procesy.

V priemyselnej výrobe, logistike a pri digitálnych dvojčatách znamená generatívna AI posun od analytických modelov, ktoré len reagujú, k proaktívnym systémom schopným vytvárať nové riešenia. Čoraz častejšie sa prepája s fyzikálnymi simuláciami a so systémami na plánovanie podnikových zdrojov (ERP). Vytvára syntetické prevádzkové dáta, optimalizuje návrhy výrobkov, pripravuje návrhy postupov údržby a simuluje zložité scenáre v dodávateľskom reťazci. Neštruktúrované prevádzkové dáta mení na použiteľné poznatky, a tak premosťuje priepasť medzi surovými údajmi z priemyselných zariadení a rozhodovaním ľudí.

V spojení s digitálnymi dvojčatami, teda virtuálnymi modelmi fyzických zariadení, procesov alebo systémov, funguje generatívna AI ako inteligentná riadiaca vrstva. Dokáže automaticky vytvárať simulačné scenáre typu „čo by bolo, keby“, písať kód pre programovateľné logické automaty (PLC) alebo syntetizovať realistické dáta zo senzorov na trénovanie modelov prediktívnej údržby, keď je historických dát o poruchách málo. Vďaka tomu sa digitálne dvojčatá rýchlejšie posúvajú od statických popisných modelov k samostatným preskriptívnym systémom.

Hlavné súčasti

Základné modely a transformery: ide o rozsiahle architektúry hlbokého učenia, natrénované na obrovských a rôznorodých súboroch dát. Slúžia ako jadro, ktoré vytvára text, kód alebo štruktúrované dáta podobné ľudským. V priemysle sa tieto modely často dotrénovávajú na odborných textoch, napríklad na návodoch k zariadeniam, inžinierskych normách a záznamoch z údržby, aby boli technicky presné.

Generatívne kontradiktórne siete (GAN): architektúra pozostáva z dvoch neurónových sietí, generátora a diskriminátora, ktoré spolu súťažia a vytvárajú veľmi realistické syntetické dáta. Vo výrobe sa GAN často používajú na tvorbu syntetických údajov zo senzorov alebo snímok chýb na trénovanie systémov kontroly kvality, keď je skutočných príkladov porúch málo.

Generovanie s podporou vyhľadávania (RAG): tento postup zlepšuje výstupy generatívnych modelov tak, že pred vytvorením odpovede model vyhľadá informácie v spoľahlivých externých zdrojoch znalostí, napríklad vo vnútorných pracovných postupoch alebo v databázach CAD. V priemysle je RAG nevyhnutný na to, aby model nevymýšľal („halucinácie“) a aby vygenerované pokyny či postupy riešenia porúch presne zodpovedali bezpečnostným a inžinierskym normám.

Difúzne modely: modely vytvárajú dáta tak, že z náhodného východiskového stavu systematicky odstraňujú šum. Postup je veľmi účinný pri tvorbe vysoko detailných 2D a 3D vizuálnych podkladov. V prostredí digitálnych dvojčiat sa difúzne modely dajú použiť na tvorbu realistických syntetických snímok výrobných hál alebo rozloženia skladov, na ktorých sa trénujú systémy počítačového videnia pre bezpečnosť a sledovanie logistiky.

Využitie vo výrobe a logistike

Generatívna AI mení priemyselný dizajn pomocou algoritmov generatívneho dizajnu. Inžinieri zadajú konkrétne parametre, napríklad obmedzenia materiálu, hmotnostné limity, únosnosť a výrobné metódy, a AI vytvorí tisíce optimalizovaných návrhov v systémoch CAD. Výsledkom sú často organické, ľahké konštrukcie, ktoré spotrebujú menej materiálu a zachovajú pevnosť. Vo výrobe sa generatívna AI používa na automatické písanie a ladenie kódu pre PLC, na prípravu návrhov pracovných postupov pre pracovníkov na montážnej linke a na tvorbu syntetických trénovacích dát pre systémy automatizovanej optickej kontroly (AOI). Z historických záznamov o údržbe a dát zo senzorov digitálnych dvojčiat vie navyše pripraviť podrobné návody na riešenie porúch pre technikov, čím skracuje priemerný čas opravy (MTTR) kritických strojov.

V logistike a v riadení dodávateľského reťazca generatívna AI optimalizuje trasy, využitie skladových plôch a riadenie zásob. Simuluje tisíce rušivých udalostí, napríklad zlé počasie alebo nedostatok pracovníkov, a navrhuje najlepšie spôsoby, ako ich zmierniť. Vie automaticky vytvárať colné dokumenty, pripravovať návrhy komunikácie s dodávateľmi a spracovať zložité logistické zmluvy, čím zjednodušuje nákup. Ak je zapojená do digitálnych dvojčiat skladov, dokáže simulovať a navrhovať optimálne rozloženie slottingu a trasy vychystávania. Dynamicky sa prispôsobuje sezónnym výkyvom dopytu aj zmenám zásob, aby sa priepustnosť čo najviac zvýšila a náklady na prácu čo najviac znížili.

Prínosy a úskalia

Hlavným prínosom generatívnej AI v priemysle je výrazné skrátenie času uvedenia na trh a zníženie réžie na inžinierske práce. Keď sa opakujúce sa úlohy, ako programovanie, písanie dokumentov a návrhy, zautomatizujú, inžinieri sa môžu sústrediť na optimalizáciu systému ako celku. Schopnosť vytvárať vysoko detailné syntetické dáta navyše rieši problém „studeného štartu“ pri strojovom učení. Výrobcovia tak môžu trénovať spoľahlivé prediktívne modely a systémy počítačového videnia bez toho, aby čakali na zriedkavé poruchy v reálnej prevádzke. V spojení s digitálnymi dvojčatami sprístupňuje dáta o zložitých systémoch aj bežným operátorom, ktorí sa môžu digitálneho dvojčaťa v prirodzenom jazyku spýtať na aktuálny stav prevádzky alebo na historické ukazovatele výkonu.

Napriek svojmu potenciálu prináša generatívna AI značné úskalia a najväčším z nich je riziko „halucinácií“, keď model vytvorí informácie, ktoré znejú presvedčivo, ale sú vecne nesprávne alebo nebezpečné. V ťažkom priemysle môže nesprávny pokyn k údržbe alebo neoverená úprava kódu PLC viesť k ťažkej havárii zariadenia alebo k vážnemu ohrozeniu bezpečnosti. Trénovanie a prevádzka veľkých modelov si navyše vyžaduje obrovský výpočtový výkon, a tým aj vysokú spotrebu energie a náklady na infraštruktúru. Kritickou otázkou zostáva aj ochrana duševného vlastníctva a bezpečnosť dát. Ak sa do verejných modelov alebo modelov tretích strán vložia firemné návrhy CAD či citlivé prevádzkové údaje, môže to odhaliť obchodné tajomstvo a porušiť prísne priemyselné predpisy.

Súvisiace pojmy

Aby ste lepšie pochopili úlohu generatívnej AI v moderných priemyselných ekosystémoch, pozrite sa aj na súvisiace pojmy. Generovanie syntetických dát je tvorba umelých dát, ktoré napodobňujú skutočné údaje z prevádzky a slúžia na trénovanie modelov. Preskriptívna analytika nekončí pri predpovedi výsledkov, ale odporúča konkrétne kroky. Kognitívne digitálne dvojčatá dopĺňajú do virtuálnych modelov fyzických zariadení pokročilé uvažovanie, učenie a rozhrania v prirodzenom jazyku.

Časté otázky

Čím sa generatívna AI líši od tradičnej prediktívnej AI vo výrobe? Tradičná prediktívna AI analyzuje historické dáta, hľadá v nich vzory a predpovedá budúce udalosti, napríklad kedy sa pokazí súčasť stroja alebo aký bude dopyt po zásobách. Generatívna AI naopak dáta nielen analyzuje a predpovedá, ale vytvára úplne nový obsah. Môže ním byť nový návrh CAD, kód pre PLC, syntetické dáta zo senzorov alebo podrobný návod na údržbu zostavený z neštruktúrovaných prevádzkových dát.

Dá sa generatívnej AI dôverovať pri písaní kódu pre priemyselné riadiace systémy, ako sú PLC? Generatívna AI vie rýchlo pripraviť návrh kódu pre PLC alebo v skriptovacích jazykoch (napríklad structured text či Python) a urýchliť vývoj, no slepo sa na ňu spoliehať nemožno. Pre riziko halucinácií a pre bezpečnostne kritické prostredie priemyslu musí každý kód vytvorený AI prejsť dôslednou kontrolou človekom, simuláciou v prostredí digitálneho dvojčaťa a fyzickým testovaním, až potom sa nasadí na stroje v ostrej prevádzke.

Akú úlohu zohráva generatívna AI pri trénovaní systémov počítačového videnia na kontrolu kvality? Systémy počítačového videnia potrebujú tisíce snímok chybných dielov, aby sa naučili rozpoznať anomálie na montážnej linke. Kvalitné výrobné linky však chyby vyrábajú len zriedka, a tak sa dát nedostáva. Generatívna AI, najmä GAN alebo difúzne modely, dokáže na virtuálnych dieloch vytvoriť tisíce veľmi realistických syntetických snímok rôznych chýb, napríklad trhlín, škrabancov alebo zmeny farby. Výrobcovia tak môžu natrénovať veľmi presné modely kontroly kvality bez toho, aby museli skutočné výrobky fyzicky poškodzovať.

Ako generovanie s podporou vyhľadávania (RAG) zvyšuje bezpečnosť generatívnej AI v priemyselných závodoch? Generovanie s podporou vyhľadávania (RAG) bráni generatívnym modelom, aby si vymýšľali nesprávne bezpečnostné alebo prevádzkové postupy. Model sa nespolieha len na vnútorné váhy, ktoré získal pri trénovaní. Najprv musí prehľadať overené vnútorné úložisko firemných dokumentov, ako sú oficiálne návody k zariadeniam, bezpečnostné normy a inžinierske smernice, a z týchto konkrétnych, vecných informácií vytvoriť odpoveď. Výstup je tak presný, v súlade s predpismi a bezpečný pre priemyselnú prevádzku.