Digitalizacja, Big Data i Machine Learning w praktyce branży szklarskiej, okiennej i fasadowej

Szczegóły: Kategoria: Wydanie 06/2018; Opublikowano: 10 lipiec 2018

Na przestrzeni ostatnich lat Big Data oraz uczenie maszynowe stały się elementem naszej codzienności. To właśnie algorytmy uczenia maszynowego, analizujące setki terabajtów danych, odpowiedzialne są za wyświetlane nam reklamy w wyszukiwarkach lub portalach społecznościowych, rekomendacje produktów w sklepach internetowych, czy polecane filmy i seriale.

Uczenie maszynowe, będące częścią szerszej dziedziny zwanej „sztuczną inteligencją”, wykorzystywane jest do budowy robotów oraz autonomicznych pojazdów. Mimo, że w wielu innych branżach techniki te mogą i są z powodzeniem wykorzystywane, fakt ten nie dociera do szerokiego grona odbiorców. Przykładem takich branż są szklarska, okienna oraz fasadowa.

Rys. 1. Rozwój uczenia maszynowego. Źródło: Opracowanie własne.

IoT, Big Data, uczenie maszynowe
„Internet rzeczy” (ang. internet of things, IoT), czyli koncepcja, wedle której jednoznacznie identyfikowalne przedmioty mogą pośrednio albo bezpośrednio gromadzić, przetwarzać lub wymieniać dane, przyczyniła się do gwałtownego wzrostu ilości gromadzonych danych.

W 2000 roku program Sloam Digital Sky Survey zebrał większą ilość danych przez pierwsze tygodnie niż w całej historii astronomii. W ciągu dekady zebranych zostało 140 petabajtów (t.j. milionów gigabajtów) danych.

Obecnie programy astronomiczne potrafią zebrać podobną ilość w ciągu 5 dni [1]. W przemyśle przyrost danych generowanych z sensorów IoT, informacji o kliencie oraz danych operacyjnych szacowany jest na ponad 1 zetabajt (t.j. milion petabajtów) rocznie i w dalszym ciągu podlega tendencji wzrostowej [2].

Nowo napływające dane różnią się od standardowej infrastruktury baz i hurtowni danych ustrukturyzowanych. W zdecydowanej większości dane ery “Big Data” charakteryzują się jedną lub więcej z poniższych cech zwanych potocznie 4V [3]:
- Wielkość (ang. volume) – odnosi się ona zarówno do liczby zebranych obserwacji (liczonych w milionach i miliardach) jak również wielkości pojedynczej obserwacji (na przykład pliki audio/wideo) zebranej z sensorów.
- Tempo (ang. velocity) – odnosi się do danych napływających w sposób ciągły, wymagających nieustannej obróbki i monitorowania. Pozwala to na błyskawiczną reakcję biznesu do zmieniających się warunków.
- Różnorodność (ang. variety) – Zebrane dane są niestrukturyzowane, często w formie języka naturalnego lub strumienia danych audiowizualnych. Tego typu dane wymagają nowatorskich metod przechowywania i analizy.
- Wiarygodność (ang. veracity) – dane nieustrukturyzowane, jak np.: język naturalny lub dane z sensorów, obarczone są marginesem błędu wynikającego z niedoskonałości urządzeń lub ludzi. Nowoczesne metody analizy muszą wziąć pod uwagę ograniczoną wiarygodność pojedynczych obserwacji i odkrywać trendy na podstawie zagregowanych informacji.

Jednocześnie ze wzrostem ilości i dostępności danych nastąpił przyrost możliwości obliczeniowych. Zastosowanie procesorów graficznych (ang. graphical processing unit, GPU), procesorów tensorowych (TPU) oraz równoległe wykorzystywanie setek lub tysięcy procesorów centralnych (CPU) w sposób rozproszony umożliwiło równoległą analizę danych i budowę modeli sztucznej inteligencji na dotychczas niespotykaną skalę [4].

W połączeniu z możliwością przechowywania danych w chmurze (ang. cloud) [5] bariery wejścia do analizy dużych danych zostały obniżone z poziomu międzynarodowych korporacji, takich jak Google, Facebook i Yahoo [6] na poziom dostępności również dla małych i średnich przedsiębiorstw [7].

Przyrost dostępnych danych i ewolucja infrastruktury obliczeniowej przyczyniła się do wzmożonych badań nad algorytmami mogącymi wykorzystać je w pełni.

W 2012 roku metody uczenia głębokiego (ang. deep learning) doprowadziły do przełomu w analizie i klasyfikacji obrazu [8]. Od tego czasu algorytmy uczenia głębokiego zostały zastosowane m.in. do następujących zadań.:
- przetwarzanie języka naturalnego – translacja (np.: Google Tłumacz), rozumienie tekstu, odpowiadanie na pytania (komputer IBM Watson wygrał popularny turniej Jeopardy);
- przetwarzanie obrazu – w 2015 roku algorytmy uczenia głębokiego osiągnęły średnią dokładność na poziomie ludzkim. Obecnie są stosowane do automatycznej klasyfikacji np.: obrazów satelitarnych (NASA, DSTL), obrazów medycznych (DeepMind, Veturai), czy wspomagania autonomicznych samochodów (Waymo, Uber);
- przetwarzanie dźwięku – automatyczna transkrypcja, tłumaczenie w czasie rzeczywistym (np.: Skype), asystenci głosowi (np.: Siri, Cortana, Google Now), generacja dźwięku

Metody uczenia głębokiego są obecnie szeroko wdrażane zarówno w urządzeniach konsumenckich (smartphony, urządzenia peryferyjne tzw. wearables, „inteligentne” budynki), procesach biznesowych (kampanie marketingowe, prognozowanie sprzedaży, wykrywanie nadużyć), jak również w procesach produkcyjnych (Przemysł 4.0) czy badaniach naukowych.

Korzyści ze stosowania metod głębokiego uczenia nad standardowymi metodami uczenia maszynowego wynikają z ich możliwości uczenia się cech analizowanych danych bez konieczności manualnej ekstrakcji i selekcji. Dzięki temu nadają się do analizy danych wielowymiarowych oraz pozwalają na modelowanie bardziej złożonych, nieliniowych zależności w stosunku do płytkich architektur klasycznych metod. Różnicę między głębokim i standardowym uczeniem maszynowym przedstawia rys. 2.

Rys. 2. Porównanie głębokiego i standardowego uczenia maszynowego: a) tradycyjne uczenie maszynowe, b) głębokie uczenie maszynowe. Źródło: opracowanie własne na podstawie Wang i in. (2018) [9].

Inteligentne budynki
W ostatnich latach popularność inteligentnych budynków drastycznie wzrosła. 26% mieszkańców USA posiada co najmniej jedno urządzenie “smart home” [10]. Już sam fakt zainstalowania takich urządzeń ułatwia życie domowników czy pracowników biura dzięki zdalnemu sterowaniu przez urządzenia mobilne lub możliwości definiowania reguł, których urządzenia mają przestrzegać (np. „wyłącz światła po godzinie 22”).

Jednakże pełne wykorzystanie możliwości tych urządzeń wymaga znacznie więcej niż kilku prostych reguł. W niedużym domu jednorodzinnym liczba kombinacji otwarcia/zamknięcia okien, odsłonięcia/zasłonięcia żaluzji, mocy termostatu czy ustawienia innych urządzeń może być tak duża, że nikt nie byłby w stanie ich bezpośrednio zaprogramować. Nie wspominając już o doborze optymalnych z punktu widzenia oszczędności energii lub komfortu
parametrów.

W tej kwestii z pomocą przychodzi uczenie maszynowe. Odpowiednio stworzony system informatyczny jest w stanie przetworzyć dane pochodzące ze wszystkich czujników w budynku i w czasie rzeczywistym sterować urządzeniami tak, aby maksymalizować komfort użytkowników, zużycie energii oraz bezpieczeństwo. Przykładowo, system może wykorzystywać metody uczenia ze wzmocnieniem (ang. reinforcement learning) aby znaleźć optymalną kombinację otwarcia/zamknięcia okien, przyciemnienia szyb o zmiennej przezierności, zasłonięcia/odsłonięcia żaluzji.

Wybór odpowiedniej kombinacji może uwzględniać z kolei takie czynniki jak nasłonecznienie, temperaturę na zewnątrz, opady (lub prognoza pogody), czy nawet godzinę lub obecność domowników (przy braku domowników system może nie otwierać żaluzji nawet jeżeli pomogło by to zaoszczędzić energię).

“Inteligencja” budynku nie musi dotyczyć jedynie zarządzania energią oraz komfortu użytkowników. Pojęcie to możemy rozszerzyć o interakcję budynku z otoczeniem, m.in. poprzez witryny reklamowe umieszczone w fasadzie, w szczególności w lokalach usługowych i handlowych na parterze budynku.

Interaktywne ekrany informacyjne zatopione w szkle wystawowym mogą wyświetlać spersonalizowane reklamy. Do personalizacji reklam wystarczy prosta kamera oraz odpowiednio skonstruowany algorytm oparty o sieci neuronowe. Wiele prac, m.in. Levi i Hassner (2015) [11], pokazuje, że sztuczne sieci neuronowe bardzo dobrze sprawdzają się w ocenie wieku oraz płci przechodniów.

Reklamy spersonalizowane mają znacznie większą szansę przyciągnąć uwagę przechodniów, co więcej, algorytm może ocenić, którzy z przechodniów zatrzymali się, żeby przyjrzeć się reklamie i jak długo ją oglądali. Te informacje mogą z kolei być zbierane i użyte do zwiększenia skuteczności algorytmu.

Przemysł 4.0
Czwarta rewolucja przemysłowa, korzyści z niej płynące oraz jej ograniczenia zostały gruntownie omówione w artykule “Przemysł szklarski 4.0 czyli czwarta rewolucja przemysłowa” opublikowanym w „Świecie Szkła” w lutym 2018 r. [18]. Omówiona w artykule komunikacja między urządzeniami, oprogramowanie nadzorujące oraz wszechstronne maszyny przyczyniają się do usprawniania procesów, obniżania kosztów i zwiększania jakości.

Kolejnym krokiem ku fabrykom przyszłości jest zastosowanie uczenia maszynowego. Wiele z etapów produkcyjnych obecnie wykonywanych przez ludzi może być zautomatyzowane przy zastosowaniu najnowszych technik wizji komputerowej i sztucznej inteligencji. Co więcej, algorytmy predykcyjne mogą przyczynić się do obniżenia kosztów.

Przede wszystkim głębokie sieci neuronowe (rodzaj algorytmu uczenia maszynowego), doskonale sprawdzające się w przetwarzaniu obrazu są już w wielu fabrykach wdrażane w celu kontroli jakości produktów.

(...)

Ich skuteczność często przewyższa ludzką. Ponadto, czas potrzebny na inspekcję produktu w wielu przypadkach może być skrócony do ułamków sekund. Rozwiązania tego typu dostosowane do inspekcji szkła mogą być z powodzeniem wdrażane na liniach produkcyjnych.

Połączenie kontroli jakości z wykorzystaniem wizji komputerowej oraz metod sztucznej inteligencji proponuje firma Tetracom [12] w rozwiązaniu optymalizującym cięcie szkła. Zaproponowane rozwiązanie w czasie rzeczywistym wybiera regiony na powierzchni tafli szkła spełniające kryteria jakości, a następnie w taki sposób optymalizuje wycięcie zamówień dostępnych w bazie danych, aby zminimalizować odpad szkła oraz dokonać obliczeń wystarczająco szybko, aby produkcja nie została wstrzymana. Autorzy algorytmu pokazują, że stosując zaproponowaną technikę możliwe jest zmniejszenie odpadu o 21-41%, a firma w której wdrożono rozwiązanie oszczędza około 150 000 euro rocznie.

Dodatkowo, mając na uwadze wzrost popularności urządzeń IoT w zakładach produkcyjnych, zbierane przez nie dane mogą być wykorzystane do poprawy zarządzania pracami konserwacyjnymi oraz ograniczania ryzyka przestojów produkcji spowodowanych awariami urządzeń lub zużyciem komponentów. Wu i in. (2017) [13] pokazują, że modele sekwencyjnych sieci neuronowych charakteryzują się wysoką skutecznością w prognozowaniu pozostałego czasu zdolności do użytkowania komponentów złożonych systemów technicznych.

W przedsiębiorstwach branży szklarskiej, okiennej i fasadowej modele sekwencyjnych sieci mogłyby być stosowane do przewidywania żywotności komponentów linii produkcyjnych w zależności od intensywności ich eksploatacji oraz czynników wewnętrznych/zewnętrznych. Stosowanie takich modeli predykcyjnych pozwoliłoby przewidzieć możliwość wystąpienia awarii na skutek ponadprzeciętnego obciążenia lub w odpowiednim czasie zamówić komponenty wymagające wymiany.

Zarządzanie materiałami, w szczególności taflami szklanymi, również może być usprawnione. W przypadku urządzeń takich, jak inteligentny magazyn Remaster firmy HEGLA, pozostałe po cięciu tafle odkładane są do magazynu i mogą być ponownie wykorzystane. Z zastosowaniem technik prognostycznych opartych o historię sprzedaży możliwe jest przewidywanie, z bardzo wysoką skutecznością, popytu na tafle szkła o poszczególnych parametrach i wymiarach. Dzięki tym prognozom możliwe jest bardziej efektywne zarządzanie magazynowanym szkłem.

Dla każdego rodzaju szkła w sposób dynamiczny może zostać wyznaczona granica, po przekroczeniu której pozostałego fragmentu szkła nie opłaca się magazynować, gdyż prawdopodobieństwo na zamówienie tafli szkła o zadanych wymiarach jest bardzo niskie. Co więcej, tafle szkła mogą być odkładane na odpowiednie miejsca w magazynie tak, aby zminimalizować czas i koszty ich wykorzystywania. Ustawienie to może być dynamicznie zmieniane na podstawie przewidywanego popytu lub efektów sezonowych.

Na koniec, w przemyśle szklarskim uczenie maszynowe może być również wykorzystywane na etapie wczesnych faz projektowania. W numerze „Świata Szkła” z lutego 2018 r. opisany został algorytm uczenia maszynowego, który przewiduje minimalną grubość tafli szkła o zadanych wymiarach, na którą działa równomierna siła nacisku (Applied Machine Learning in Structural Glass Design, Świat Szkła 2/2018 [18]). Zdaniem autorów skuteczność algorytmu jest na tyle wysoka, iż mógłby on usprawnić wczesną fazę projektowania i przyspieszyć dokładną ocenę szkła pod kątem czynników istotnych z punktu widzenia projektowania.

Rys. 3. Schemat modelu opisującego zależność pomiędzy parametrami charakteryzującymi szkło, a jego właściwościami antybakteryjnymi. Źródło: Echezarreta-Lopez i Landin (2013) [15]

Transport i magazynowanie
Kluczowym elementem branż związanych z budownictwem jest terminowa dostawa. Wszelkie opóźnienia mogą wiązać się z bardzo wysokimi karami.

Obecne rozwiązania optymalizacyjne w transporcie obejmują optymalizację przestrzeni magazynowej (maksymalizacja używanej przestrzeni, rozmieszczenia elementów w celu szybkiego pakowania), optymalizację trasy (minimalizacja czasu i kosztu transportu), optymalizację zamawiania materiałów (minimalizacja opóźnień ze względu na brak materiałów w połączeniu), jak również wykorzystanie robotyki i pojazdów autonomicznych w zautomatyzowanych magazynach.

Zanim rozwiązania oparte o uczenie maszynowe i wizję komputerową umożliwią pełne wykorzystywanie autonomicznych pojazdów, które powinny okazać się nie tylko tańsze ale również bardziej niezawodne w stosunku do kierowców, upłynie jeszcze dużo czasu.

Nie mniej jednak, już teraz istnieją rozwiązania oparte o uczenie maszynowe, które mogą pomóc przedsiębiorstwom ograniczyć koszty związane z transportem oraz ryzyko kolizji. Floty samochodowe mogą być wspomagane przez urządzenia monitorujące kierowców (jak “Distracted Driver” opracowanego przez firmę Veturai [14]) i w automatyczny sposób rozpoznające czy podejmują oni czynności zwiększające ryzyko kolizji (np. pisanie SMS, czy rozmawianie przez telefon). Poza mniejszą kolizyjnością, dodatkowym zyskiem z wykorzystania takiego urządzenia we flotach samochodowych mogą być też obniżone składki u ubezpieczycieli na podstawie telemetrii, szczególnie w wypadku zatrudniania kierowców poniżej 25 roku życia.

Prace badawczo-rozwojowe

Uczenie maszynowe może być bardzo przydatnym narzędziem wspierającym prace badawczo-rozwojowe w przedsiębiorstwie. Badania naukowe dowodzą, że algorytmy uczenia maszynowego mogą przyspieszyć proces badawczy, zwiększyć jego efektywność i obniżyć koszty.

ednym z przykładów pokazującym, jak uczenie może być wykorzystane w pracach badawczorozwojowych w przedsiębiorstwie z branży szklarskiej, jest artykuł Echezarreta-Lopez i Landin (2013) [15]. Autorzy artykułu analizują liczne przykłady szkieł o właściwościach antybakteryjnych i szukają zależności pomiędzy charakterystykami poszczególnych rodzajów szkła, takimi jak skład czy sposób produkcji, a właściwościami antybakteryjnymi.

Autorzy biorą pod uwagę m.in. procentową zawartość substancji (SiO₂, CaO, Na₂O, P₂O₅, MgO, K₂O, Al₂O₃, B₂O₃, Ag₂O, CuO), jej koncentrację (mg/ml) oraz średnią wielkość cząsteczki. Dla każdego rodzaju szkła, na podstawie rozwoju wielu rodzajów bakterii na powierzchni, oceniana jest zdolność antybakteryjna. Zastosowana sztuczna sieć neuronowa (patrz rys. 3) jest w stanie odwzorować występujące w danych zależności i zidentyfikować determinanty właściwości.

Tak opracowany model mógłby być również zastosowany do przewidywania własności antybakteryjnych poszczególnych kombinacji parametrów i selekcji jedynie tych, które mają największe szanse powodzenia.

Takie właśnie podejście zastosowali Ren i in. (2018) [16] w analizie szkła metalicznego, które można uzyskać łącząc w odpowiednich warunkach kilka metali. Takie szkło może być lżejsze i wytrzymalsze od najlepszej stali. Niestety, poszukiwanie kombinacji i czynników wytwarzania jest procesem bardzo kosztownym i dotychczas jedynie kilka tysięcy z milionów możliwych kombinacji zostało sprawdzonych.

Autorzy artykułu proponują metodę opartą o uczenie maszynowe, która jest w stanie skrócić proces badawczy i obniżyć jego koszty. Na podstawie dotychczas przebadanych 6 tys. różnych kombinacji metali opracowany został model oparty o techniki uczenia maszynowego, na podstawie którego generowane mogą być możliwe kombinacje pozwalające otrzymać szkło metaliczne.

Po sprawdzeniu zaproponowanych kombinacji mogą one być dodawane do bazy danych algorytmu i posłużyć do poprawy jego skuteczności. Według autorów zastosowanie algorytmu pozwala poprawić skuteczność badań, zmniejszając liczbę 300-400 prób potrzebnych do uzyskania jednego pozytywnego rezultatu do 2-3 prób.

Podsumowanie
Algorytmy uczenia maszynowego mogą przynieść wymierne korzyści zarówno dużym zakładom produkcyjnym, jak i średnim przedsiębiorstwom. Pozwalają one w pełni wykorzystać potencjał ery Big Data poprzez włączenie do procesu decyzyjnego informacji dotychczas niedostępnych, jak również poprzez usprawnienie i przyspieszenie wielu procesów biznesowych.

Producenci szkła, okien czy fasad mogą wdrażać najnowsze osiągnięcia z dziedziny sztucznej inteligencji w celu poprawy jakości i obniżenia kosztów. Kluczem do pomyślnego wdrożenia systemu opartego o uczenie maszynowe są: jasne zdefiniowanie problemu biznesowego, analiza jakości posiadanych danych (lub budowa systemu ich zbierania) oraz wybór i wdrożenie odpowiedniego algorytmu.

Co więcej, warto uwzględniać w produktach końcowych możliwość ich integracji z systemami sztucznej inteligencji w budynkach. Inteligentne okna i fasady współpracujące ze złożonymi systemami zarządzającymi mogą dostarczyć ich użytkownikom wielu nowych funkcjonalności oraz przyczynić się do oszczędności energii.

Konrad Kostrzewa VETURAI

Konrad Słoniewski VETURAI

http://veturai.com/

Artykuł powstał na podstawie referatu wygłoszonego przez Autorów w dn. 12.04.2018 r. na Konferencji Technicznej „Świata Szkła” – „Digitalizacja, globalizacja i harmonizacja przepisów – to wyzwania czy szanse dla branży?”

Zobacz fotoreportaz i relację z tej Konferencji Technicznej.

Literatura
[1] Data, data everywhere, Economist 2010 (https://www.economist.com/node/15557443)
[2] Bailly M., Manyika J.: Is manufacturing „cool” again?. McKinsey GlobalInst. 2013.
[3] http://www.ibmbigdatahub.com/sites/default/files/infographic_file/4-Vs-of-big-data.jpg
[4] https://www.analyticsvidhya.com/blog/2014/05/hadoop-simplified/
[5] http://bigdata-madesimple.com/5-advantages-and-disadvantagesof-cloud-storage/
[6] How Yahoo Spawned Hadoop, The Future of Big Data. Wired 2011 (https://www.wired.com/2011/10/how-yahoo-spawned-hadoop/)
[7] Big Data Analytics Adoption in Small and Medium Enterprises (SMEs).„Analytics India Magazine” 2017 (https://analyticsindiamag.com/bigdata-analytics-bda-adoption-small-medium-enterprises-smes/)
[8] Krizhevsky A., Sutskever I., Hinton G. E.: Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (2012) (pp. 1097-1105).
[9] Wang, J., Ma, Y., Zhang, L., Gao, R.X. and Wu, D.: Deep learning for smart manufacturing: Methods and applications. „Journal of Manufacturing Systems” 2018.
[10] Smart home, seamless life Unlocking a culture of convenience. Consumer Intelligence Series January 2017, PwC 2017.
[11] Levi Gil, Tal Hassner: Age and gender classification using convolutional neural networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, 2015.
[12] https://www.tetracom.eu/project/optiglass-application-artificialintelligence-based-techniques-optimizing-continuous-glass
[13] Wu Y., Yuan M., Dong S., Lin L., Liu Y.: Remaining useful life estimation of engineered systems using vanilla LSTM neural networks. „Neurocomputing” 2017; 226(5): 853–60.
[14] http://veturai.com/distracted_driver.html
[15] Echezarreta-Lopez M. M., Landin M.: Using machine learning for improving knowledge on antibacterial effect of bioactive glass. „International journal of pharmaceutics” 453.2 (2013): 641-647
[16] Ren F., Ward L., Williams T., Laws K. J., Wolverton C., Hattrick-Simpers J., Mehta, A.: Accelerated discovery of metallic glasses through iteration of machine learning and high-throughput experiments. Science advances, 4(4), eaaq1566 (2018).
[17] Fischer M.: Przemysł szklarski 4.0 czyli czwarta rewolucja przemysłowa. „Świat Szkła” 2/2018
[18] Griffith J., Marinov V., Antonutto G.: Applied Machine Learning in Structural Glass Design. „Świat Szkła” 2/2018
[19] Krauß D., Küppers B.: Przemysł szklarski 4.0: automatyzacja i inteligentna technika sterowania. „Świat Szkła” 10/2016
[20] Krauß D., Küppers B.: Automatyka i cyfryzacja zmniejszają koszty produkcji i serwisu. „Świat Szkła” 12/2016
[21] Saftig B.: The Advantages of Digitalization, in the Glass Industry, „Świat Szkła” 3/2018