Autor: Luis Galo, ekspert ds. analityki danych w firmie Lantek
W konsekwencji zastosowania uczenia maszynowego (ML) zaczęto wdrażać różne metodologie mające na celu poprawę jakości cyklu życia produktu sztucznej inteligencji, w tym DevOps, której celem jest orkiestracja pracy między zespołami, m.in. rozwój, operacje, a teraz także 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 życia.
Pojawienie się modeli sztucznej inteligencji stanowi krok naprzód, dlatego konieczne jest zapewnienie jej bazy umożliwiającej zarządzanie modelami wyuczonej wiedzy i ich automatyzację. W taki sposób powstaje MLOPS (uczenie maszynowe + DEVOPS).
MLOps to klucz do udanych projektów uczenia maszynowego na dużą skalę. Co to jest MLOps? Jest to współpraca między zespołami ds. analityki danych oraz IT w celu przyspieszenia cyklu rozwijania modelów, wdrażania i monitorowania w sposób, który umożliwia firmom pełne wykorzystanie sztucznej inteligencji i rzeczywiste wykorzystanie jej potencjału w działalności biznesowej.
MLOps działa w trzech fazach:
Projektowanie oprogramowania: w zależności od potrzeb użytkownika 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 też 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: Wdrażany 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 inżynierów we wdrożenia, zachowując jednocześnie jakość oprogramowania i modeli.
W tym celu modele są pakowane i przesyłane do chmury oraz przechowywane w bezpieczny sposób. Po każdej modyfikacji parametrów automatycznie generowana jest kolejna wersja modelu, która ponownie przechodzi przez proces kontroli jakości. Po wdrożeniu w chmurze użytkownik może 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 pomoże się im zrozumieć tych procesów, staną się one przestarzałe. Wyobraźmy sobie na przykład, że 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 wdrożonych 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 każdą z maszyn i zbierać od nich dane w celu ich digitalizacji, jak również zdigitalizować proces produkcyjny samej części.
Dzięki uczeniu maszynowemu jesteśmy w stanie tworzyć modele i bardzo szybko prognozować każdy etap procesu produkcyjnego. Od momentu złożenia zamówienia przygotowywana jest oferta, przekazywana jest do działu zakupów, a następnie kierowana do działu projektu i produkcji. Oznacza to, że mamy pełną wizję całego procesu.
W ten sposób za pomocą narzędzi sztucznej inteligencji (AI) i MLOps możemy nie tylko odzwierciedlić czas pracy maszyny, zużytą energię lub liczbę wyprodukowanych części, ale także określić ilościowo, ile wyprodukowano złomu lub ilu robotników było zaangażowanych w produkcję i zapewnić jakość modeli z biegiem czasu.
Na poziomie opracowywania budżetu, jak wiemy, w blacharstwie i przemyśle metalowym przygotowywanie ofert to skomplikowane zadanie, na które wpływ ma wiele zmiennych i działów, a oprócz tego zajmuje dużo czasu. Opracowane budżety są przyspieszane i mnożone dzięki sztucznej inteligencji, a MLOPS zapewnia ich funkcjonowanie przez cały czas. Dzięki zastosowaniu Lantek iQuoting opracowujemy inteligentne modele budżetowania, aby tworzyć oferty w przeciągu sekund.
Pracujemy również nad modelami konfiguracji maszyn do cięcia, co również jest skomplikowanym zadaniem w tej branży. Wymaga dużej wiedzy i bardzo doświadczonych ludzi do obsługi maszyn. Chodzi o to, aby inteligentne oprogramowanie doradzało ludziom w konfiguracji. Wtedy operator może zdecydować, czy zastosować propozycję, a oprócz tego może podjąć decyzję znacznie szybciej i łatwiej niż obecnie. W tym przypadku ilość wygenerowanej wiedzy (modeli) jest tak duża i zmienna w czasie, że bez zastosowania metodologii MLOPS i utrzymania jej jakości przez cały cykl życia produktu niemożliwe 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 duże, bez konieczności zatrudniania ekspertów w dziedzinie architektury oprogramowania lub analityki danych, które już korzystają z systemów MLOps, aby ich działalność była bardziej opłacalna i wydajna w zakresie wdrażania 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 użyteczne i dostępne dla każdej fabryki.