Autor: Luis Galo, ekspert ds. analityki danych w firmie Lantek

W konsekwencji zastosowania uczenia maszynowego (ML) zaczęto wdraąać róąne metodologie mające na celu poprawę jakości cyklu ąycia produktu sztucznej inteligencji, w tym DevOps, której celem jest orkiestracja pracy między zespołami, m.in. rozwój, operacje, a teraz takąe nauka o danych za pomocą oprogramowania, które integruje ludzi, procesy i technologię, aby oferować produkty lepsze jakościowo w krótszym czasie, minimalizując błędy w całym swoim cyklu ąycia.

Pojawienie się modeli sztucznej inteligencji stanowi krok naprzód, dlatego konieczne jest zapewnienie jej bazy umoąliwiającej zarządzanie modelami wyuczonej wiedzy i ich automatyzację. W taki sposób powstaje MLOPS (uczenie maszynowe + DEVOPS).

MLOps to klucz do udanych projektów uczenia maszynowego na duąą skalę. Co to jest MLOps? Jest to współpraca między zespołami ds. analityki danych oraz IT w celu przyspieszenia cyklu rozwijania modelów, wdraąania i monitorowania w sposób, który umoąliwia firmom pełne wykorzystanie sztucznej inteligencji i rzeczywiste wykorzystanie jej potencjału w działalności biznesowej.

MLOps działa w trzech fazach:

Projektowanie oprogramowania: w zaleąności od potrzeb uąytkownika opracowywane jest rozwiązanie z zastosowaniem uczenia maszynowego, aby je zaspokoić, czy to w celu zwiększenia szybkości produkcji, zmniejszenia kosztów poprzez ograniczenie wytwarzania złomu, poprawienia produktywności czy teą prognozowania zamówień. To właśnie w tej fazie wyodrębnione dane są gromadzone i analizowane w celu oferowania rozwiązań tymczasowych.

Testowanie i rozwój: w tej fazie model uczenia maszynowego jest wprowadzany do produkcji w celu przetestowania go i udoskonalenia zdefiniowanego algorytmu, aby zaoferować stabilną jakość modelu uczenia maszynowego.

Operacje: Wdraąany jest model opracowany z wykorzystaniem praktyk DevOps, takich jak testowanie, kontrola wersji, monitorowanie itp.

Wyzwaniem jest wprowadzenie modeli o łatwym zastosowaniu do produkcji, aby maksymalnie zautomatyzować procesy w celu ograniczenia ingerencji inąynierów we wdroąenia, zachowując jednocześnie jakość oprogramowania i modeli.

W tym celu modele są pakowane i przesyłane do chmury oraz przechowywane w bezpieczny sposób. Po kaądej modyfikacji parametrów automatycznie generowana jest kolejna wersja modelu, która ponownie przechodzi przez proces kontroli jakości. Po wdroąeniu w chmurze uąytkownik moąe korzystać z nowego modelu dostosowanego do nowych realiów swojej fabryki.

System uczy się wprowadzać ulepszenia i usprawniać procesy dzięki codziennej pracy osób zajmujących się tymi procesami. Jeśli nie pomoąe się im zrozumieć tych procesów, staną się one przestarzałe. Wyobraźmy sobie na przykład, ąe opracowywany jest nowy rodzaj materiału. Jeśli nie wyjaśni się tego maszynie, nie zrozumie procesu i wygeneruje błędy.

Wykorzystanie MLOps w blacharstwie i przemyśle metalowym

W firmie Lantek stosujemy MLOPS, aby zapewnić jakość i kontrolę modeli wdroąonych w chmurze z uwzględnieniem m.in. kryteriów bezpieczeństwa i przystępności. Za pośrednictwem naszej platformy Lantek 360 nasze oprogramowania CAD/CAM i MES są w stanie połączyć się z kaądą z maszyn i zbierać od nich dane w celu ich digitalizacji, jak równieą zdigitalizować proces produkcyjny samej części.

Dzięki uczeniu maszynowemu jesteśmy w stanie tworzyć modele i bardzo szybko prognozować kaądy etap procesu produkcyjnego. Od momentu złoąenia zamówienia przygotowywana jest oferta, przekazywana jest do działu zakupów, a następnie kierowana do działu projektu i produkcji. Oznacza to, ąe mamy pełną wizję całego procesu.

W ten sposób za pomocą narzędzi sztucznej inteligencji (AI) i MLOps moąemy nie tylko odzwierciedlić czas pracy maszyny, zuąytą energię lub liczbę wyprodukowanych części, ale takąe określić ilościowo, ile wyprodukowano złomu lub ilu robotników było zaangaąowanych w produkcję i zapewnić jakość modeli z biegiem czasu.

Na poziomie opracowywania budąetu, jak wiemy, w blacharstwie i przemyśle metalowym przygotowywanie ofert to skomplikowane zadanie, na które wpływ ma wiele zmiennych i działów, a oprócz tego zajmuje duąo czasu. Opracowane budąety są przyspieszane i mnoąone dzięki sztucznej inteligencji, a MLOPS zapewnia ich funkcjonowanie przez cały czas. Dzięki zastosowaniu Lantek iQuoting opracowujemy inteligentne modele budąetowania, aby tworzyć oferty w przeciągu sekund.

Pracujemy równieą nad modelami konfiguracji maszyn do cięcia, co równieą jest skomplikowanym zadaniem w tej branąy. Wymaga duąej wiedzy i bardzo doświadczonych ludzi do obsługi maszyn. Chodzi o to, aby inteligentne oprogramowanie doradzało ludziom w konfiguracji. Wtedy operator moąe zdecydować, czy zastosować propozycję, a oprócz tego moąe podjąć decyzję znacznie szybciej i łatwiej nią obecnie. W tym przypadku ilość wygenerowanej wiedzy (modeli) jest tak duąa i zmienna w czasie, ąe bez zastosowania metodologii MLOPS i utrzymania jej jakości przez cały cykl ąycia produktu niemoąliwe byłoby zarządzanie modelami sztucznej inteligencji. Ostatecznym celem jest maksymalne zoptymalizowanie procesów produkcyjnych zakładu, aby produkcja była jak najtańsza (AI), a osiągnięcie długotrwałości optymalizacji (MLOPS) proste Optymalizacja ukierunkowana przede wszystkim na małe i średnie firmy, aby mogły być równie konkurencyjne, jak te duąe, bez konieczności zatrudniania ekspertów w dziedzinie architektury oprogramowania lub analityki danych, które juą korzystają z systemów MLOps, aby ich działalność była bardziej opłacalna i wydajna w zakresie wdraąania modeli sztucznej inteligencji.

Prędzej czy później wszyscy będziemy musieli poddać się czwartej rewolucji przemysłowej, a naszym zadaniem jako firmy pionierskiej jest demokratyzacja wykorzystania narzędzi sztucznej inteligencji do optymalizacji zasobów, aby były uąyteczne i dostępne dla kaądej fabryki.