Plánování

Do sekce plánování spadají všechny potřebné kroky k tomu, aby něco mohlo vzniknout. V dnešním moderním světe si pomáháme s různými 3D modelovými programi, ale také s nespočetnou řadou možností umělé inteligence. Proto se spolu pojďme podívat na AI, neboli na umělou inteligenci.

Umělá inteligence se definuje jako schopnost strojů napodobovat lidské schopnosti a to například lidské uvažování, plánování, učení se a také kreativitu.

Počítač přijme data, která sbírá pomocí sensorů a kamer, ty následně vyhodnotí a reaguje na ně. Stejně jako společnost Škoda Auto při kontrole kvality výrobků.

Možná si říkáš, že je umělá inteligence tématem posledních let. Opak je pravdou, o umělé inteligenci se hovoří již více než 50 let. Změnou v posledních letech je fakt, že je k dispozici ohromné množství dat a objevily se nové algoritmy. Tím se vývoj urychlil. Umělá inteligence hraje klíčovou roli v digitální transformaci společnosti a její využití může přinést obrovské změny ve všech částech lidského života.

Teorie

Umělá inteligence – Artificial intelligece (AI) – je schopnost strojů napodobovat lidské schopnosti, jako je uvažování, učení se, plánování nebo kreativita.

Umělá inteligence umožňuje technickým systémům reagovat na vjemy z jejich prostředí, řešit problémy a dosahovat určitých cílů. Zabudovaný počítač přijímá data – která byla již připravena, nebo jsou sbírána pomocí vlastních sensorů a kamer – ty následně vyhodnotí a reaguje na ně.

Systémy umělé inteligence jsou schopné pracovat samostatně a také měnit a přizpůsobovat své jednání na základě vyhodnocení efektů předchozích akcí.

Proč je umělá inteligence důležitá?

Některé z těchto technologií existují už více než 50 let, ale pokrok ve výpočetní technice, přístup k obrovskému množství dat a nové algoritmy v posledních letech vedly k významnému průlomu v této oblasti

Ke své realizaci často využívá kombinaci technik Computer Vision – rozpoznávání obrazu a Pose Detection – detekce polohy

Typy umělé inteligence

Softwarová: virtuální asistenti, software pro analýzu obrazu, vyhledávače, systémy rozpoznávání řeči a obličeje

Zabudovaná umělá inteligence: roboti, autonomní auta, drony, internet věcí

Naše stanoviště

Generování obrazu z Draftu

Jak generování obrázků funguje? Umělá inteligence je schopna převést jednoduše namalovaný obrázek na mistrovské dílo, či dokonce i na fotku! Pro toto je možno využít draftu rozpoznání obrazu, díky čemuž zajistíme přenos obrazu do počítače a neuronových sítí. Jakmile je nakreslený obrázek načten do počítače pomocí kamer, pak přichází na řadu neuronové sítě. Ty vidí obrázek jako shluk několika barev a ke každé barvě má přiřazený nějaký objekt z reálného života. Například červená barva představuje hlínu, zelená stromy a tak dále. Poté pomocí naučených neuronových sítí kombinuje tyto objekty a barvy do smysluplného obrazu, tak aby se nakreslený obrázek přetvořil ve fotografii přírody jako z Instagramu či muzea.

Rozpoznávání obrazu (Computer vision) je primárně využívána na úlohy spojené s rozpoznáváním obrazových dat. Jedná se o velmi široký soubor dovedností spojených s vyhledáváním subjektů, jejich klasifikace, rozpoznávání, lokalizace, zjišťování stavu apod. Tyto úlohy se neomezují pouze na viditelnou část spektra jak je tomu u člověka, ale je možné je použít na obrazové vstupy pořízených např. RTG zařízením nebo termovizí atd.

Příklady z praxe

Optimalizace

K čemu slouží optimalizace? Optimalizace je matematická úloha, která slouží k nalezení optimálního řešení ve velkém množství dat za daných omezení. Každodenní život nám přináší více optimalizací, než si dovede jeden superhrdina představit. Už jen samostatný rozvrh do školy je optimalizační úloha. Úloha je být ve škole co nejkratší dobu, tak aby se student zúčastnil všech předmětů. Optimální je přijít do školy v 8:00 a odejít ve 13:30. Neoptimální je přijít do školy v 5:30 odejít v 8:45, přijít poté znova v 12:45 a odejít ve 20:00. Tuto optimalizaci lze využít i v souboji s Mind Strikem a to tak, že úlohou je vyrobit zbraň, která ho oslabí, v co nejkratším čase za co nejméně peněz a zároveň dodržení určitých kvalitativních parametrů.

Optimalizace ve ŠA

Jeden příklad si ale lze vyzkoušet. Kostičky na stole v reálném využití představují velké množství (cca 500) typů palet. Reálná optimalizace nakládky kontejnerů k přepravě pro oddělení logistiky hledá optimální rozložení palet v kontejneru v přibližně 1x10exp40 možných kombinací – tedy např. jako počet atomů helia na Slunci. Navíc je nutno zajistit splnění podmínek nakládky jako jsou vyváženost, manévrovatelnost, stohovatelnost a zároveň zajistit, aby byl prostor maximálně vytížen, a to vše je nutno stihnout do 30 vteřin! V roce 2020 se díky této aplikaci ušetřilo 840 tisíc eur.

Rozpoznání obrazu ve Škoda Auto

Typickým využitím techniky Rozpoznání obrazu ve Škoda Auto je jeho využití pro kontrolu kvality výrobků a jejich kompletnost, nebo ke sledování výrobních zařízení a jejich opotřebení. Detekce polohy je samostatnou doménou rozpoznávání obrazu kde je cílem určit polohu těla člověka, jeho končetin, prstů, natočení kloubů, úhly sevření prstů, natočení hlavy atd. Techniky, které spadají do stejné kategorie, jsou např. rozpoznání obličeje, nálady/úsměvu, výšky osob apod.

Využití umělé inteligence v logistice – naskladňování kamiónů. Jde o kombinaci technik umělé inteligence „rozpoznání obrazu“ a optimalizačních algoritmů. Postup je takový, že nejdříve přichází na řadu rozpoznávání obrazu, kdy kamera ze stolu načte hrací kostky. Tyto kostky kamera rozpoznává na základě jejich barev. V reálném čase si algoritmus vypočítává, kolik pixelů obrázku představuje třeba žlutá barva, tento počet se poté vydělí průměrným počtem pixelů na kostičku a dostaneme, kolik kostiček žluté barvy se na stole nachází. Tyto informace o počtu kostiček jsou potom vstupem pro optimalizační algoritmy. Algoritmus tedy dostane informaci, kolik a jakých hracích kostek optimálně naskládat do kamionu daných rozměrů.

Po zjištění počtu hracích prvků zahájí výpočet optimalizační algoritmus, který v tomto případě, během 1 vteřiny dokáže nalézt nejoptimálnější zaplnění kamionu ze všech cca 10exp3 možných kombinací naložení kamiónu. Po nalezení správného řešení to ukážeme hráči na monitoru a jsme schopni porovnat strojové a uživatelské řešení.

Neuronové sítě

Zjednodušeně řečeno se snažíme pomocí neuronových sítí simulovat procesy, které se dějí v lidském mozku. Lidský mozek se učí vykonávat různé aktivity pomocí metody pokus/omyl. Stejně se učí vykonávat úlohu neuronová síť, postupem času se učí a zaznamenává si správná řešení, a jak na ně přišel. Po naučení je neuronová síť již schopna rychle vyhodnotit problém a navrhnout řešení.

Neuronové Sítě ve ŠA

Škoda Auto využívá neuronové sítě v designu, aerodynamice a technických návrzích automobilů. Pomocí neuronových sítí máme možnost generovat designové a technické prvky do automobilů, které potom slouží designérům jako inspirace pro vznik nových prvků a modelů, které vídáme na silnicích.

OPTIKON – Aplikace Škoda Auto

Aplikace OPTIKON AI vypočítá nejlepší způsob umístění a optimální množství různých typů palet, čímž maximalizuje nakládkovou kapacitu kontejneru. Jen za prvních šest měsíců roku 2020 vedlo použití nové aplikace  ve společnosti Škoda Auto k úspoře 151 kontejnerových zásilek, což odpovídá 80 tunám emisí CO2.

Sound analyser

Oddělení After Sales společnosti Škoda Auto a Škoda Auto Digilab  také  nově testují aplikaci Sound Analyser (aplikace analyzující zvuk). Ta pomáhá v rychlé a precizní identifikaci potřeby servisní údržby pomocí umělé inteligence. Program nahraje zvuk auta a porovná jej s již dostupnými akustickými vzory. Dojde-li přitom k nesrovnalostem, aplikace pomocí algoritmu zjistí, čím by tyto odchylky mohly být způsobeny a jak je možné je odstranit. Sound Analyser přispívá ke zvyšování efektivity v oblasti servisu, ke zkrácení doby, kterou vůz stráví v dílně a k vyšší spokojenosti zákazníků.

MAGIC EYE

Montážní linka v hale M13 v závodě Škoda Auto v Mladé Boleslavi patří k těm vůbec nejvytíženějším v automobilce. Vyrábí se tu nejprodávanější model značky Škoda OCTAVIA a zároveň tu vzniká elektrické SUV Škoda ENYAQ iV. Každá minuta odstávky této linky znamená ztráty v podobě nevyrobených vozů a ušlého zisku.

Předcházení těmto prodlevám je více než žádoucí. Způsob jejich předejití je tak zvanou prediktivní údržbou. Jedním z prvních projektů na tomto poli je právě nasazení metody prediktivní údržby v hale M13.
Řešení zvané MAGIC EYE tu slouží ke sledování stavu a detekci závad u pojezdových nosníků závěsů, ve kterých se po lince pohybují vyráběné vozy, a také k témuž u takzvaných šín, což je v podstatě napájecí a datové rozhraní pro zařízení na lince. Systém se skládá z potřebného hardwaru, jenž je instalován na jednom z rámů, které tu po lince s karoseriemi cestují, a samozřejmě z pokročilého softwaru. Ten intenzivně využívá umělou inteligenci. Na rámu je osazeno šest kamer, které monitorují stav sledovaných prvků. Sedmá kamera slouží ke čtení QR kódů, s jejichž pomocí systém určuje, kde se právě čtecí zařízení nachází. Kamery jsou přímo napojeny na výkonný počítač na rámu, na kterém paralelně analýzu nasbíraných fotografií provádí deset umělých neuronových sítí.

Škoda Auto využívá umělou inteligenci pro ochranu svých zaměstnanců při BOZP.

Umělá inteligence ušetří jen v logistice více než 840 tisíc Eur.

Kvalita vyrobených vozů

Typickým využitím techniky Rozpoznání obrazu ve Škoda Auto je jeho využití pro kontrolu kvality výrobků a jejich kompletnost, nebo ke sledování výrobních zařízení a jejich opotřebení.

Bezpečnost při práci

Detekce polohy je samostatnou doménou rozpoznávání obrazu kde je cílem určit polohu těla člověka, jeho končetin, prstů, natočení kloubů, úhly sevření prstů, natočení hlavy atd. Kamera je tedy schopna poznat, že pracovník strká ruku kam nemá a automaticky zastavit linku.

Rozpoznání emocí

Umělá inteligence je za pomoci neuronových sítí schopna identifikovat lidské emoce a to jak radost, vzrušení, překvapení, tak i strach, smutek, agresi aj. Tohoto dosahuje AI za pomoci kamery a stejně, jako rozezná předmět v oblasti stroje (ruka v přístroji), pozná pocity sledovaného. Toto v budoucnu nalezne uplatnění například při pohovorech, kdy náboráři poznají, jak se doopravdy uchazeč o práci cítí.

Překlad znakové řeči

Rozpoznávání obrazu nachází uplatnění i v oblasti překladu znakové řeč, kdy slouží jako prostředník pro překonávání bariér. AI sleduje pohyb rukou a úst znakujícího a to překládá simultánně do textu.