Barometr AVEVA. Oprogramowanie przemysłowe i sztuczna inteligencja w Wiśle Kraków

Z tego artykułu dowiesz się m.in.:

  • jak powinno podchodzić się do wdrażania algorytmów sztucznej inteligencji (AI) w przemyśle,
  • skąd pomysł na Barometr AVEVA i jakie były cele tego projektu,
  • jakimi wynikami może pochwalić się Barometr AVEVA.

Co łączy sztuczną inteligencję, oprogramowanie przemysłowe i drużynę piłkarską? To „Barometr AVEVA” – wyjątkowy projekt zrealizowany przez specjalistów firmy ASTOR we współpracy z Wisłą Kraków, który pokazał, że nowoczesne technologie informatyczne można wykorzystać nawet do prognozowania frekwencji na stadionie.

Gdy mówimy „sztuczna inteligencja” (ang. Artifical Intelligence – AI), ludziom staje przed oczami… No właśnie, co? To zdumiewiające, jak różne skojarzenia może budzić ta sama technologia. Entuzjasta zobaczy cudowne narzędzie, które z łatwością rozwikła wszelkie problemy, z jakimi boryka się człowiek. Do „czarnej skrzynki” AI wystarczy wrzucić odpowiednio dużo danych, a z drugiej strony wyskoczy gotowe rozwiązanie – i to tak doskonałe, że niemożliwe do wymyślenia ludzkim umysłem.

Sceptyk często również widzi czarną skrzynkę, ale zgoła inaczej ją interpretuje. Ma wątpliwości, czy to zadziała, albo czy to się opłaci. Może też uważać, że lepiej sam policzy to ręcznie.

Czym jest inteligencja?

Zarówno Entuzjasta, jak i Sceptyk mijają się z prawdą. A to dlatego, że „inteligencja” w technologiach AI nie jest tym, co się przez to potocznie rozumie. Komputer nie myśli w „ludzkim” rozumieniu tego słowa i nie ma świadomości. Technologie sztucznej inteligencji to nic więcej niż algorytmy i programy, których zadaniem jest przetwarzanie danych w użyteczne informacje, a na tej podstawie wspieranie w podejmowaniu decyzji. Algorytmy te symulują pewne aspekty inteligencji ludzkiej, ale by uzyskać wymierny efekt, trzeba przejść cały proces budowania systemu AI dedykowanego dla konkretnego problemu, który ma zostać rozwiązany.

Dane są wciąż najważniejsze

Punktem wyjścia są dane, które w fabrykach istniały zawsze, choć dopiero od stosunkowo niedawna dysponujemy narzędziami do ich efektywnego gromadzenia i udostępniania. Dziś, dzięki przemysłowym bazom danych, przedsiębiorstwa dysponują tak ogromnymi ilościami pomiarów, że ich analiza i przekuwanie na przydatną, konstruktywną wiedzę jest bardzo trudne.

W takiej właśnie sytuacji sztuczna inteligencja może okazać się znakomitym wsparciem, zapewniając zupełnie nowe możliwości w zakresie analizy danych i ich dalszego praktycznego wykorzystania. Często pojawia się więc pokusa: mamy dużo danych – wdrażajmy szybko AI! To błąd. Sztuczna inteligencja może dużo, ale to człowiek musi się zastanowić, jak ją wykorzystać.

Krok pierwszy – przygotowanie danych

Pierwszym krokiem musi być przeprowadzenie podstawowej analizy danych, które posiadamy. Taka wstępna analiza może od razu pokazać coś istotnego. Może się okazać, że mimo wszystko jakichś danych nam brakuje, bo np. nie działa jakiś czujnik albo czegoś nie przewidzieliśmy.

Nawet przysłowiowym „gołym okiem” można zobaczyć pewne trendy i przykładowo analizując zużycie prądu zorientujemy się, że klimatyzacja w hali działa całą dobę. Z czego przez pół doby bez sensu.

Krok drugi – określenie celu

Kiedy zakończymy pierwszy etap, kolejnym krokiem powinno być zdefiniowanie celu projektu. Jak już wiemy, AI nie jest magiczną skrzynką, której wystarczy powiedzieć: „zoptymalizuj to wszystko, steruj i nie zawiedź mnie”. Każda aplikacja musi zostać zaprogramowana tak, aby realizować konkretne zadanie. Jak widać, ważny jest pomysł – w czym AI może nam pomóc, albo co zrobi lepiej, niż to jest robione do tej pory.

Ostatni niezbędny element to wizualizacja pracy naszego „sztucznego mózgu”. Jest ona niezbędna, by móc zobaczyć rezultaty jego działania, a także rozwiać wątpliwości sceptyków i przekonać ich, że to faktycznie działa. A do tego – że jest bezpieczne i nie odbiera nam kontroli nad tym, co się dzieje.

Barometr AVEVA, czyli ile osób przyjdzie na mecz?

Jak wspomniałem wyżej, aby skutecznie wykorzystać technologię AI, kluczowy jest pomysł. W tym przypadku zaczęło się od pytania: jak na meczu piłki nożnej zaprezentować oprogramowanie, w dodatku przemysłowe? Wszak marka AVEVA pojawia się na koszulkach meczowych Wisły Kraków, więc warto byłoby przybliżyć kibicom, czym jest oprogramowanie AVEVA i co potrafi.

I tu właśnie pojawia się POMYSŁ: zróbmy system, który będzie przewidywał, ile osób przyjdzie na następny mecz! To idealny przykład wyzwania dla sztucznej inteligencji: rzecz jest niezwykle trudna z wykorzystaniem klasycznych technologii.

Inżynierowie i programiści z firmy ASTOR udowodnili, że dostępne technologie z zakresu sztucznej inteligencji już dziś są gotowe na prognozowanie przyszłości z niezłym przybliżeniem. Jak do tego podeszli?

Przewiduj przyszłość analizując przeszłość

Fundamentem pomysłu było spostrzeżenie, że frekwencja na meczu zależy w dużej mierze od czynników, które da się jasno zdefiniować i zmierzyć lub opisać. Należą do nich: pora roku, dzień tygodnia, godzina meczu, aktualna sytuacja w tabeli, wyniki poprzednich meczów, a także kto jest przeciwnikiem i jaka jest historia naszej z nim rywalizacji. Gdy już to wiemy, zdajemy sobie sprawę, że analizując w odpowiedni sposób dane historyczne (z minionych sezonów) pod kątem tych czynników, możemy na tej podstawie przewidzieć, jak będzie tym razem.

Nasz Sceptyk wciąż ma wątpliwości: to wszystko pięknie brzmi, ale na pewno nie jest takie proste. Jak np. określić i opisać na użytek algorytmów atrakcyjność rywala? Zobaczmy więc, jak zbudowano Barometr AVEVA.

Właściwe dane to podstawa

Dla modelu AI, przygotowującego predykcję liczby kibiców na stadionie, przygotowane zostały niezbędne dane. Należą do nich:

1. Historyczne informacje o wynikach i frekwencji na stadionie z 10 ostatnich sezonów. Dane te zostały zaczerpnięte jednorazowo z serwisu 90minut.pl i są przechowywane w bazie danych.

2. Informacje o aktualnej sytuacji w tabeli, pobierane przed każdym meczem z tego samego serwisu. Ważnym elementem jest tu tzw. passa, czyli informacja o wynikach Wisły Kraków w kilku ostatnich meczach (czy były to zwycięstwa, remisy czy porażki).

3. Termin meczu (data, dzień tygodnia, godzina).

4. Informacje o frekwencji na trybunach w poprzednich meczach.

5. Informacja o atrakcyjności poszczególnych rywali, oceniana w skali od 0 do 100. Wyjaśnienia wymaga ostatni punkt. Danych o atrakcyjności rywala próżno szukać w piłkarskich serwisach statystycznych. Kibice wiedzą, że jest to kwestia subiektywna. Pewni rywale są zawsze bardzo atrakcyjni, niezależnie od tego, jak wygląda ich sytuacja w tabeli. Skąd wziąć takie informacje?

Gdzie AI spotyka człowieka

Jest to przykład sytuacji, w której sztuczna inteligencja koniecznie potrzebuje wsparcia inteligencji ludzkiej. Na użytek modelu AI twarde dane (pomiarowe, statystyczne) muszą zostać uzupełnione tzw. wiedzą ekspercką. W tym przypadku przeprowadzony został wywiad z kompetentnymi pracownikami Wisły, których poproszono o ocenę o atrakcyjności każdego z rywali. Jednorazową ankietę wypełniło ok. 15 osób, które przyporządkowały każdemu historycznemu i aktualnemu rywalowi Wisły atrakcyjność z zakresu 0 – 100.  Ostateczna wartość była średnią wyliczoną ze wszystkich ankiet.

Konieczne jest też drugie wyjaśnienie. Do modelu trafiły dane historyczne z ostatnich 10 sezonów, ale pominięto okres trwania pandemii COVID-19, kiedy stadiony były zamknięte. Stało się to w rezultacie decyzji projektantów aplikacji, którzy zdawali sobie sprawę, że dane z tego okresu w istotnym stopniu wypaczyłyby rezultaty jej działania. To również jest element wiedzy eksperckiej: dane należy odpowiednio dobrać, zweryfikować i oczyścić. Ważna jest też odpowiednia ilość danych, która musi być optymalnie dobrana do stopnia skomplikowania modelu. Wszystkie te czynniki są optymalizowane już podczas działania aplikacji. Do tego aspektu wrócimy później.

Deweloperzy wkraczają do akcji

Gdy niezbędne dane były już zebrane i przygotowane, można było zbudować i zaprogramować model AI, który będzie je analizował i na ich podstawie wyliczy predykcję liczby kibiców w kolejnym meczu. Innymi słowy – aplikacja AI na podstawie dostarczonych danych „produkuje” wynik w postaci jednej liczby: przewidywanej frekwencji na stadionie.

Ostatnim etapem było odpowiednie zaprezentowanie tej informacji. Na potrzeby Barometru AVEVA przygotowano wizualizację wykorzystującą Platformę Systemową AVEVA i oprogramowanie wizualizacyjne AVEVA InTouch HMI. Predykcja była prezentowana w postaci graficznej – pokazywano ją również kibicom przed rozpoczęciem meczu.

To naprawdę działa

Zaraz po uruchomieniu aplikacji system był gotowy do pierwszych predykcji. Na tym jednak prace się nie zakończyły, bo algorytm w trakcie testów był dopracowywany i optymalizowany. W efekcie udało się osiągnąć bardzo dużą dokładność przewidywań – średni błąd wyniósł ok. 5 %. Procentowa dokładność nie robi takiego wrażenia, jak spojrzenie na liczby bezwzględne. Poniżej pokazujemy przykładowe zestawienia predykcji i rzeczywistych frekwencji na niektórych meczach.

Zestawienie wyników predykcji z rzeczywistą frekwencją na meczach. Źródło: ASTOR

Jeszcze lepiej efekty działania sztucznej inteligencji widać, gdy zestawimy błędy predykcji AI z rezultatami osiąganymi przez prosty algorytm „przewidujący” frekwencję na podstawie tylko średnich z ostatnich lat.  Możemy to zobaczyć na poniższym wykresie – algorytm AI generuje znacznie mniejsze błędy niż prosty model.

Górny wykres – rozkład błędów prostego modelu bazującego na średnich.
Górny wykres – rozkład błędu modelu AI. Źródło: ASTOR

Jak widać – to naprawdę działa!

Działa, ale po co?

Nasz przyjaciel Sceptyk mógłby jednak dalej mnożyć wątpliwości: Barometr działa, ale to tylko ciekawostka. Czy płyną z tego jakiekolwiek wymierne korzyści?

Projekt Barometru został zrealizowany po to, aby pokazać, czym może być sztuczna inteligencja i jakie daje możliwości. Chcieliśmy to pokazać na prostym przykładzie, zrozumiałym i możliwym do oceny dla każdego, nawet dla laika w temacie automatyki i informatyki.

Najważniejszy wniosek z tego projektu jest taki: skoro dało się to zrobić w piłce nożnej, która jest tak nieprzewidywalna, to tym bardziej da się w przemyśle, gdzie dominuje konkret (urządzenia, procesy, procedury), a danych jest jeszcze więcej – i są to najczęściej „twarde”, obiektywne dane.

Zestawienie predykcji z rzeczywistą frekwencją wyświetlaną na stadionie. Źródło: ASTOR

Barometr AVEVA pokazuje również, że modele AI mogą wspomagać człowieka w prognozowaniu przyszłości. Zwykle z danymi jest tak, że nawet jeżeli gromadzimy ich bardzo dużo, to są one dostępne po zakończeniu procesu, który jest ich źródłem. W przypadku klubu piłkarskiego dopiero po meczu wiemy, ile było osób na stadionie. Ta informacja ma radykalnie większą wartość, jeżeli jest znana przed meczem. Czyli – kiedy potrafimy frekwencję przewidzieć. Możemy wtedy przykładowo oszacować zapotrzebowanie na catering. Możemy też podjąć działania (np. promocyjne), aby na stadion przyszło więcej osób.

Pomysły rodzą pomysły

Barometr AVEVA może stanowić inspirację dla wdrożeń w zupełnie innych branżach, w tym w przemyśle. Tu przewidujemy liczbę osób na meczu – a co, gdybyśmy np. przewidywali zapotrzebowanie na surowce? Albo koniunkturę rynkową dla naszych produktów? Może dysponujemy danymi, które by na to pozwoliły? A co z procesem regulacji pomp? Co z innymi procesami przemysłowymi?

Etapy przebiegu procesu wdrożenia modelu AI. Źródło: ASTOR

Powstające aktualnie wdrożenia w przemyśle realizowane są w podobny sposób co Barometr – podobnie przebiegają, w analogicznych etapach i takimi samymi metodami. Na jego przykładzie widzimy też, że możliwe jest zwizualizowanie skomplikowanego projektu w bardzo prosty sposób – w tym przypadku wręcz jedną liczbą. i każdy dokładnie wie, co ta liczba oznacza.

Dane i algorytmy to wymierna wartość

Barometr udowadnia też, że to nie magia, to algorytm. A każdy algorytm wymyśla człowiek, więc AI to nie jest tak naprawdę „sztuczna” inteligencja, tylko fragment inteligencji ludzkiej – wiedzy, doświadczenia i myślenia abstrakcyjnego – zapisany w postaci programu komputerowego. Są osoby (w tym gronie również specjaliści z firmy ASTOR), które to potrafią, które pomagają przejść przez tego rodzaju wdrożenie i pokazać, gdzie jest jego wymierna wartość. Nie jest nią sam algorytm, ale to, jaki wynik pozwala osiągnąć.

Ludzie często obawiają się aplikowania nowych technologii, takich jak sztuczna inteligencja, w zastosowaniach przemysłowych. Chodzi oczywiście o niezawodność, bezpieczeństwo i stabilność. Gdy nie rozumiemy, jak taki model działa, pojawia się wątpliwość: lepiej tego nie robić, nie potrzebujemy tego, niech zostanie tak, jak jest. Dzięki projektom takim, jak Barometr AVEVA, każdy może przekonać się, w jaki sposób to działa i że jest to całkowicie bezpieczna i sprawdzona technologia. To tylko narzędzie, którego zadaniem jest wspomaganie procesu, nad którym człowiek dalej ma kontrolę. Wspomaganie w każdej chwili może być wyłączone, a wszystkie standardowe zabezpieczenia nadal działają.

Co jest w czarnej skrzynce?

Uważny Czytelnik z pewnością zauważył, że w tym artykule czegoś istotnego brakuje.

Nie powiedzieliśmy najważniejszego. Wciąż nie wiadomo, jak to dokładnie zostało zrobione? Jak naprawdę działa ta słynna sztuczna inteligencja i dlaczego jest taka skuteczna?

W drugiej części naszego artykułu pokażemy Barometr AVEVA od środka i od kuchni. Ujawnimy, jaka jest architektura aplikacji, jaki algorytm został wykorzystany i jak on działa, oraz jak zintegrowano model AI z Platformą Systemową AVEVA.

Zapraszamy już wkrótce.

Czy ten artykuł był dla Ciebie przydatny?

Średnia ocena artykułu: 5 / 5. Ilość ocen: 1

Ten artykuł nie był jeszcze oceniony.

Mateusz Zajchowski
Mateusz ZajchowskiAbsolwent Akademii Górniczo-Hutniczej w Krakowie, na Wydziale Inżynierii Mechanicznej i Robotyki, kierunek Automatyka i Robotyka.

Z firmą ASTOR związany od 2014 roku, od początku pracując nad rozwojem rozwiązań dedykowanych do monitoringu, analizy i optymalizacji wykorzystania mediów produkcyjnych.
Specjalista ds. Wsparcia Sprzedaży w firmie ASTOR, w szczególności systemów monitoringu mediów produkcyjnych EnVidis.

Opublikuj

Twój adres e-mail nie zostanie opublikowany.

Czytaj więcej