Möödunud neljapäeval toimus AIRE klubi, kus meie AI valdkonna juht Martin Rebane ja Nõo Lihatööstuse juht Ragnar Loova rääkisid, kuidas Nõos rakendati tehisaru tootmise efektiivsuse tõstmiseks.
Kõik algas tehisaru nõustamisest:
- Martin ja Ragnar käisid läbi kogu tootmise
- Panid koos kirja mured ja väljakutsed, mille põhjalt Martin sai soovitada konkreetseid tehisaru tehnoloogiaid
- AI nõustamise tulemusel valmis tehniline projekt lahenduse teostamiseks.
Ideid oli mitmeid, kuid valituks osutus idee, mille mõju oli finantsiliselt kõige suurem. Järgmiseks sammuks oli tehnoloogia prototüüpimine ja valideerimine demoprojekti abil. AIRE demoprojekt on omafinantseeringuta, kuid kuluna tuleb siiski arvestada ettevõtte-poolsed tegevused.
Valitud idee oli tehisaru abil kvaliteedikontrolli protsessi parendamine. Nõo Lihatööstuse näitel võib üks väike eksimus tootmises (kuupäev vales kohas, toode kortsus vms) mõjutada suurt partiid (läheb utiili või saadetakse tagasi). Projektiga innustas edasi minema soov pidevalt areneda ja konkurentsis püsida.
AI nõustamisega valmistati ette demoprojekt. Selgitati välja, kuidas protsess tehases töötaks, milliseid tehisaru komponente on tarvis, milliseid mudeleid kasutada ja riistvara valida (sensorite võimekus ja omadused, hinnaklass jms), tehisaru arhitektuur jpm.
Kindlasti tuleb arvestada erinevate ettevõttes kasutuses olevate tarkvaradega, millega tehisaru tuleb liidestada. AI nõustaja aitab vajadusel ka tarkvarapakkujatega läbi rääkida.
Demoprojekt:
Nõustamisele järgnes TÜ ATI poolt süsteemi täpsete komponentide valimine ja arendamine. Süsteem sai üles seatud nii, et mudel oleks iseõppiv, tuvastaks ja kinnitaks kaamera abil liinil liikuvaid tooteid. Ilma Nõo treeningandmeteta klasterdas eeltreenitud mudel tooteid 95% täpsusega. Katsetuste käigus selgus, et kaamera toote tuvastamise täpsus oli ligilähedane 100%-le. Lõplikud tulemused selguvad järgmise aasta alguses.
Nõuanded ja tähelepanekud:
- Tehnoloogia juurutamine sõltub 90% sellest, millised on sinu AI ja IT partnerid nii maja sees kui väljas. Töö sujumiseks soovitab Ragnar eelnevalt kohtuda inimestega, kellega koostööd tegema hakkad.
- Tuleb meeles pidada, et ettevõtte töötajatele ei pruugi muudatused meeldida, mistõttu tuleb neid kaasata ja teha selgitustööd.
- Tartu Ülikooli ettevõtlusjuht Helen Jõesaar mainis, et ATI kogemuste põhjal sõltub projektide edukus sellest, kas maja sees on teadmised ja oskused olemas. Kui ei ole, siis soovitatakse kaasata kolmas isik, muidu tekib ebarealistlik ootuste juhtimine ning ettevõte ei suuda lahendust tööle panna.
- Masin-nägemise puhul ei alusta nullist vaid võetakse baasmudel aluseks, millel on suur treening juba eelnevalt tehtud.
- Kas julgeme lasta AI-d andmetele ligi? – Hirm on ülepaisutatud. AI turvamine ei erine märkimisväärselt teiste tarkvarasüsteemide turvamisest ja alati ei ole tarvidust oma andmeid kolmanda osapoolega jagada (nö väljaspoole maja “AI-le saata”).
- Lisaks tootmisele on tehisaru võimalik rakendada ka kontoris, näiteks automaatsete pakkumiste koostamine, ärianalüüs, raportite koostamine, tootmise planeerimine.
