Kunstig intelligens
Ny software forbinder maskinlæring med maskiner og anlæg
”Vi har tilpasset en række DevOps-værktøjer til udviklere, der vil bruge maskinlæring i et fabriksproduktionsmiljø. FactoryML er en slags digital adapter, der gør det muligt for industrimaskinerne og maskinlæringsmodellerne at snakke sammen.” Sådan lyder det fra vores Principal Cloud Architect, PhD Jakob Langdal Jensen, der har været med til at udvikle værktøjet FactoryML.
”Desuden trækker vores software på centrale elementer fra MLOps, som er en standardmetode til at arbejde med ML på,” siger han. “MLOps omfatter alle de processer, du skal igennem, når du skal gentræne, versionere eller evaluere en maskinlæringsmodel.”
Maskiner og maskinlæring taler ikke samme sprog
Udfordringen er, at produktionsmaskiner bliver programmeret på en helt anden måde end traditionel software, der bruges til maskinlæring. ”De maskiner, der kontrollerer en produktionslinje, har deres eget økosystem, deres egne protokoller og deres egen måde at virke på,” fortæller Jakob. ”De er typisk ikke kompatible med standardsoftware til maskinlæring.”
”Industriens digitale verden egner sig til her-og-nu-data, ikke historiske data eller beregninger på data,” forklarer han. “Så det gør man med almindelig software, og så får man brug for at knytte de to digitale verdener sammen.”
Der findes allerede MLOps-værktøjer, der hjælper udviklere med at bygge, installere og drifte maskinlæringsmodeller. Problemet er dog, at de fleste eksisterende løsninger er skabt til et generisk og traditionelt softwaremiljø, fortæller Jakob.
Derimod er FactoryML en softwareinfrastruktur, der er bygget oven på open source-komponenter og specialiseret på fremstillingsindustrien. ”Det gør det nemt at udnytte machine learning i produktionslinjen,” siger han. ”Vores software forbinder maskinlæring med maskiner og anlæg gennem bl.a. OPC UA, som er en standardprotokol i fremstillingsindustrien.”
Selvhjulpen uden en softwareudviklingsafdeling
”Produktionsvirksomheder har typisk procesingeniører, der ikke kan lave maskinlæringssoftware, mens matematikere og statistikere omvendt har svært ved at implementere maskinlæring på industrimaskiner,” fortæller Jakob. ”For at lykkes med maskinlæring i produktionen er der brug for tre typer eksperter: en domæneekspert, en data scientist og en softwareudvikler til at bygge løsningen.”
”I en produktionsvirksomhed med AI-ambitioner forventer jeg, at der udover domæneeksperter også vil være data scientists. De er dygtige til dataanalyse og modeller, men har tit brug for hjælp til at få ML i drift, og de fleste små og mellemstore virksomheder har ikke en dedikeret softwareudviklingsafdeling. Det er så dér, vi sætter ind: Vi har automatiseret softwareudviklingen, så domæneeksperter og data scientists kan blive selvhjulpne.”
”FactoryML er en enabler-teknologi, som gør det lettere at bruge maskinlæring i produktionslinjen,” opsummerer han. ”Vi fjerner bare et besværligt skridt, som kræver noget specialviden, fremstillingsvirksomhederne typisk ikke har.”
