Kako digitalizacija i automatizacija napreduju, integracija veštačke inteligencije (AI) postaje važan korak za industriju ravnog stakla kako bi optimizovala procese, smanjila potrošnju energije i emisiju CO2 i povećala međunarodnu konkurentnost. Kada se analiziraju greške u proizvodnim procesima, upotreba AI, a naročito tehnologija dubokog učenja, omogućava brzu i preciznu analizu i interpretaciju sve složenijih i obimnijih skupova podataka. Ciljevi su manje grešaka i manje zastoja, kao i proizvodnja istog proizvoda za kraće vreme uz manju potrošnju energije i resursa. Tema „AI u mašinskoj tehnologiji“ je takođe važna tema na Glasstec 2024, vodećem sajmu ne samo za proizvođače stakla već i za proizvođače mašina koji su uključeni u industriju. U ime Messe Düsseldorf, autor je razgovarao sa VDMA-ovim Forumu za tehnologiju stakla i poznatim igračima u industriji uoči sajma.
VDMA takođe istražuje temu veštačke inteligencije u okviru upravljanja inovacijama. Gesine Bergmann (Šef VDMA Foruma za tehnologiju stakla) navodi:
„Prilagodljivost proizvođača mašina i opreme pokreće inovacije i omogućava našoj industriji da ostane konkurentna. U ovom kontekstu zajedničko istraživanje za naše članice igra ključnu ulogu.“
Veštačka inteligencija generalno označava sposobnost mašine ili računarskog sistema da obavlja zadatke koji bi obično zahtevali ljudsku inteligenciju kao što su učenje i rešavanje problema, prepoznavanje i reprodukciju jezika, prepoznavanje slika i, u budućnosti, možda čak i nešto poput „intuicije“ iz iskustva. Kako je moguće dodeliti ovu vrstu inteligencije mašini već je istraživao britanski matematičar i IT stručnjak Alan Turing još 1950-ih godina. Njegov „Turingov test“ ima za cilj da proceni sposobnost mašine da pokaže ponašanje nalik ljudskom ili da demonstrira ljudsku inteligenciju. Osnovna ideja je interakcija između čoveka i mašine putem teksta iz odvojenih prostorija, a čovek ne zna da li komunicira sa mašinom ili sa drugom ljudskom osobom. Ako čovek ne može pouzdano da odluči, Turingov test se smatra uspešno položenim. Ovaj test i danas služi kao stvarni kriterijum za procenu interakcije mašina nalik ljudskoj, i kao osnova za brojne diskusije o razvoju AI sistema i njihovim etičkim implikacijama.
Upotreba AI u industriji ravnog stakla
Savremeni AI algoritmi često se zasnivaju na mašinskom učenju ili takozvanom dubokom učenju. Mašinsko učenje, kao podsegment veštačke inteligencije, fokusira se na razvoj algoritama koji mogu da uče iz podataka bez da su eksplicitno programirani za to. Ovi algoritmi identifikuju obrasce i odnose između podataka, prave prognoze ili donose odluke na osnovu njih. Duboko učenje, s druge strane, je metoda mašinskog učenja koja koristi višeslojne, duboke neuronske mreže. Ove mreže su izuzetno efikasne u obradi podataka jer prepoznaju složene strukture u velikim količinama podataka i sposobne su da izvode apstraktne karakteristike iz njih.
„Ovo je upravo ‘veliki potencijal koji industrija ravnog stakla još uvek može da iskoristi’, navodi Peter Seidl, šef odeljenja za upravljanje proizvodima u proizvođaču mašina Grenzebach.
Ovaj tehnološki inovator pruža industriji ravnog stakla prilagođena rešenja za automatizaciju u proizvodnji i obradi industrijskog ravnog stakla. Seidl kaže:
“Za mnoge procese u tim visoko automatizovanim fabrikama iskustvo pokazuje da ništa nije važnije od prisustva iskusnog operatera na svim ključnim pozicijama, od jedinice za topljenje pa do nadzora svih procesa u IT centrima. Ovde su industrija i moderni pogoni već vrlo napredni i efikasnost proizvodnje stakla i kvalitet stakla korišćenjem konvencionalnih metoda su skoro dostigli granice optimizacije. Upotreba AI sa dubokim učenjem još uvek nudi mnogo potencijala, naročito za detekciju i procenu grešaka.”
Oni koji posmatraju napredak postignut u industriji ravnog stakla biće iznenađeni:
“Dok su pre nekoliko decenija kamere korišćene u proizvodnji mogle samo da razlikuju dobre od loših staklenih ploča, današnji sistemi su toliko efikasni da je stalno dostupno mnoštvo podataka za analizu grešaka.
Seidl objašnjava:
„Zahvaljujući analizi slika i informacijama prikupljenim pomoću senzora, modeli dubokog učenja mogu brzo i precizno identifikovati najmanje greške, kompletne obrasce grešaka ili nepravilnosti u proizvodnom procesu, prepoznati obrasce u podacima i iz njih izvući potencijalne uzroke. AI može zatim pretvoriti ove procene u preporučene akcije za odgovarajućeg operatera kako bi se optimizovala proizvodnja ‘u hodu’. AI ne može zameniti iskusne članove osoblja, ali može pružiti i podržati ih sve boljim informacijama.“
Slično tome, kompleksnost celokupnog procesa proizvodnje stakla, od vrućeg do hladnog kraja, predstavlja idealno polje primene AI: serija, topljenje stakla, grejanje, hlađenje, oblikovanje, složena interakcija mnogih delova proizvodne linije i stotina parametara i stanja koji često međusobno utiču. Ovo je teško razumeti i teško upravljati čak i za najiskusnije operatere. Poremećaji se javljaju iznenada ili se već pojavljuju kao trendovi. Međutim, sistemi koji koriste AI mogu ih predvideti na osnovu najmanjih indikatora i sprečiti ih ako se pojave putem ranih upozorenja. Seidl objašnjava:
„To podrazumeva da je znanje o svim procesnim koracima digitalizovano i prethodno obrađeno kako bi se obučio AI da identifikuje korelacije na kraju. U ovom procesu, AI stalno uči o promenama debljine, klimatskim uslovima, svim faktorima uticaja i pre ili kasnije, AI će biti sposoban da prikupi i proceni sve faktore.“
ISRA Vision GmbH već koristi AI sisteme. Kompanija nudi rešenja za inspekciju u industriji stakla, koja, prema njihovim tvrdnjama, detektuju 100% grešaka u ravnom staklu i obrađenim proizvodima, pri punoj brzini proizvodnje i sa pouzdanim klasifikacijama u realnom vremenu. ISRA sistemi nadgledaju ceo proces kako bi optimizovali prinos stakla na način koji štedi resurse i energiju. Konkretan primer upotrebe AI je rešenje EPROMI, kako zna Florian Sterzing, lider tima za istraživanje i razvoj u oblasti analitike podataka u ISRA Surface Vision.
„Ovo rešenje čini potencijal skriven u proizvodnim podacima vidljivim i pomaže u donošenju odluka duž lanca vrednosti. U tu svrhu, prikuplja podatke iz sistema za inspekciju i drugih dostupnih izvora, obrađuje ih i prikazuje u intuitivnim kontrolnim panelima. Najvažnija i najviše raspravljana oblast razvoja trenutno je prediktivna analitika, gde sistemi podržani AI analiziraju istorijske trendove, identifikuju obrasce i predviđaju uska grla i neučinkovitosti, čime podstiču kontinuirana poboljšanja procesa.”
U početku, ovi sistemi uče na osnovu datih podataka, a zatim i iz svakog stečenog iskustva. Specijalizovani AI za donošenje odluka mogu se obučiti za svaku primenu i svaki proizvodni deo koji generiše podatke. Ovo pomaže u skraćivanju vremena održavanja, izbegavanju zastoja i, stoga, smanjenju emisije CO2: isti proizvod, proizveden za kraće vreme uz manju potrošnju resursa i energije.
Učenje sa digitalnim proizvodnim dvojnicima
Tobias Wachtmann, šef odeljenja za vertikalno staklo i solarne tehnologije u Siemens Digital Industries, bavi se digitalizacijom duž celokupnog lanca vrednosti proizvodnje stakla. Kada su ga pitali o mogućnostima veštačke inteligencije u ovoj oblasti, odgovorio je kontrapitanjem:
„Za koji cilj? Za dekarbonizaciju? Za štednju resursa? Za poboljšanje radnih uslova? Za povećanje energetske efikasnosti?”
Mnoga Siemensova rešenja, koja se koriste i u proizvodnji ravnog stakla, već koriste veštačku inteligenciju, ugrađenu u sisteme i usluge, često u saradnji sa partnerima poput Grenzebach-a. Prema Wachtmannu, jedan od problema je:
„Povezivanje različitih sistema međusobno: podaci o seriji, topljenju i o celokupnom ‘putovanju’ stakla od vrućeg do hladnog kraja proizvodnih procesa. Cilj je i dalje stabilan proizvodni proces sa najvećim prinosom, dok se identifikuju i realizuju potencijali za dalju optimizaciju.“
Zbog toga Wachtmann smatra da su digitalni dvojnici pametno dugoročno rešenje za testiranje i optimizaciju AI rešenja:
„Tačan digitalni dvojnik celokupnih proizvodnih linija i uslova može nam omogućiti da simuliramo, izračunamo i ponovo optimizujemo rešenja sa AI virtuelno. Uvidi i pristupi koji se pronađu mogu se zatim primeniti u stvarnosti, kako bi se kontinuirano smanjio otpad ili optimizovala potrošnja energije. Na ovoj osnovi, čak se i mašine mogu prvobitno izgraditi virtuelno, a AI može biti obučen za razne modele.“
Etičke posledice disruptivnih tehnologija
Svaka disruptivna tehnologija nosi sa sobom etičke posledice: železnice, automobili, Internet, mobilna komunikacija. Gde god se pojave nove tehnologije, uvek postoji nesigurnost da li će poznate strukture pasti u zaborav. Stoga se čini ključnim da se AI sistemi razvijaju i koriste na fer, transparentan i etički odgovoran način, uz procenu posledica na svet rada u ranoj fazi, sa ciljem da se on preoblikuje na duže staze i pažnju u interesu čoveka. Možete se radovati ovogodišnjem Glasstec-u, gde će tema veštačke inteligencije takođe biti raspravljana kao jedna od glavnih tema na pozornicama Glasstec konferencije.
O autoru
Marc Everling je studirao medijsku edukaciju na Tehničkom univerzitetu u Brunswicku, radio je kao konsultant u PR i marketinškim agencijama 14 godina, a zatim kao direktor marketinga u jednom od globalnih proizvođača ravnog stakla šest godina. U februaru 2021. godine osnovao je svoju agenciju za umrežavanje specijalizovanu za komunikacijsko savetovanje i odnose s javnošću za proizvođače građevinskih materijala, inicijative, asocijacije, sajmove i arhitekte koji rade i proizvode na održiv način u interesu ekološke transformacije građevinskog sektora.
Autor originalnog članka: Marc Everling, Nachhaltige Kommunikation
Izvor: www.glasstec-online.com
