Archívum: Programozás helyett képzés

Bár sokak számára nem egyértelmű, de már hosszabb ideje használjuk a mesterséges intelligenciát a mindennapokban. Így például az útvonaltervező programoknál, amelyek gond nélkül vezetnek minket a megadott célhoz, vagy amikor egy idegen nyelven írt e-mailt másodpercek töredéke alatt fordít anyanyelvünkre egy alkalmazás. A technológiának hosszú története van, hiszen a tudósok már az ötvenes években kutatni kezdték ezt a területet. Hosszú ideig az volt a legnagyobb gond, hogy a számítógépek számítási kapacitása nem volt elégséges az alkalmazáshoz szükséges adatok kezeléséhez. A kutatások ezért hosszabb ideig a tudósok laboratóriumaira korlátozódtak. Az áttörésre a felhőalapú technológia megszületését, illetve a számítógépek számítási kapacitásának ugrásszerű megnövekedését követően került sor. Az olyan technológiai vállalatok, mint a Google és a Microsoft ma már milliárdokat fektetnek az intelligens rendszerek fejlesztésébe.

Ebben a tekintetben a legfontosabb kérdés, hogy mikor válik intelligenssé egy rendszer. A legegyszerűbb megfogalmazás szerint egy rendszert vagy gépet akkor tekinthetünk intelligensnek, ha anélkül képes megtanulni valamit, hogy bármiféle új információt programoztunk volna bele. Röviden, programozás helyett képzés. A gépi tanulás kifejezés az összes mesterséges intelligencia (MI) alkalmazás 95%-ára érvényes. Az MI a meglévő empirikus adatokat használja fel ahhoz, hogy új, korábban ismeretlen adatokat hozzon létre belőlük. Az ilyen algoritmusok minden új adat felhasználásával továbbfejlesztik önmagukat, automatikusan és dinamikusan alkalmazkodnak az új szituációkhoz. Ez jelenti az intralogisztika hatékonyságnövelésének kulcsát.

Szakértők elemzése szerint a következő években a mesterséges intelligenciának jelentős szerepe lehet az ellátási lánc menedzsmentben. A Deutsche Post DHL „Logisztikai Trend Radar 2020” című jelentése szerint a mesterséges intelligencia 5 éven belül jelentős hatással lesz a logisztikai ágazatra. Az előrejelzés szerint ez a hatás nagyobb lesz, mint a 3D nyomtatás vagy a blockchain esetében volt. A mesterséges intelligencia az ipar és a kiskereskedelem területen is fókuszba került. Az Inform 2018-as tanulmánya szerint a megkérdezettek több mint 80%-a a mesterséges intelligenciát a jövő egyik fontos területének nevezte. Ugyanakkor hiányoznak a képességek ahhoz, hogy az MI beépülhessen a szakma mindennapjaiba. A megkérdezettek háromnegyedénél hiányzott a gyakorlati tudás, a beruházásokhoz szükséges finanszírozás vagy a megfelelő informatikai infrastruktúra. Így azt mondhatjuk, bár a technológia még messze van attól, hogy beépüljön a mindennapokba, a logisztika számos területén lehetőség nyílik majd az alkalmazására.

Logisztikai szakértők úgy vélik, különösen azért rejlik nagy lehetőség a mesterséges intelligencia alkalmazásában, mert a logisztikai folyamatok igen sok pontján léteznek látens információk, amelyek felhasználásával jelentősen növelhető a folyamatok hatékonysága. Vonatkozik ez a teljes rendszer működésére éppen úgy, mint ez egyes folyamatokra. A gépi tanulás felhasználásával ugyanis egyes munkafolyamatoknál hatalmas mértékű javulás érhető el. Például a megrendeléseket hiba nélkül és maximális sebességgel lehet felvenni és elküldeni az ügyfelek számára.

A TGW tevékenységének igen sok területén a mesterséges intelligenciát állítja a középpontba. A cég küldetésének tekinti, hogy a lehető legtöbb területen alkalmazza a mesterséges intelligenciát, és ezzel maximalizálja ügyfelei számára a hasznot. Erre sor kerülhet minden olyan munkafolyamatban, ahol kifejezetten nagy adatbázisokat kell azonosítani, illetve munkafolyamatokat szükséges optimalizálni. A TGW alapvetően három aspektusból tekint a gépi tanulásra: a tárgyak, az anyagáramlás és a gépek szempontjából. Gépi tanulás a tárgyak esetében: a TGW olyan új eljárásokat fejlesztett ki, mint például a „Rovolution”, a csúcstechnológiával bíró, többszörösen is díjnyertes, intelligens komissiózó robot, amely képes az önálló tanulásra. Az alapvető kérdés ez esetben is a következő: milyen tulajdonsággal rendelkezik egy adott tárgy – legyen az egy zacskó chips vagy egy csomagolásként használt doboz –, és miként lehet azt begyűjteni?

Gépi tanulás az anyagáramlás szintjén: a kérdés ez esetben az „Hogyan tudja a vállalat úgy kialakítani munkafolyamatait, hogy ne alakuljanak ki szűk keresztmetszetek, ugyanakkor az összes munkaállomás leterheltsége egyenletes legyen?”

Gépi tanulás a gépek szintjén: itt a feladat az egyes alkatrészek állapotának elemzése és megértése, például állapotuk folyamatos monitorozása során vagy a megelőző karbantartás folyamán. Az elérhető előny ebben az esetben az üzemidő csökkentése azáltal, hogy a karbantartás dátumait és időpontjait már a korai szakaszban be lehet ütemezni.

A TGW óriási sikereket ért el a gépi tanulás területén. A Rovolution komissiózó robot teljesen önállóan, emberi beavatkozás nélkül reagál olyan váratlan eseményekre, mint például a megfogási művelet során leeső árucikk. Ki kell emelni, hogy magát a műveletet emberi beavatkozás nélkül korrigálja. Hatalmas előnyt jelent a felhasználó számára, hogy a robot éjjel-nappal megszakítás nélkül képes dolgozni. Egy rendkívül összetett algoritmus vizsgálja az adatokat, hogy megértse és továbbfejlessze a folyamatot, amelynek segítségével lehetővé válik a tevékenység azonosítása és osztályozása. Ennek alapján a robot önálló döntéseket hozhat a kiválasztott árucikk kezelésének módjáról.

A gyorsabb előrelépés érdekében a TGW – amely az automatizálás területén több mint 50 éves tapasztalattal rendelkezik – kutatási projektekbe fektet be, és együttműködik a világ vezető egyetemeivel. A gépi tanulás olyan megoldásokat kínál a felhasználók számára a kihívásokkal szemben, amelyeket a hagyományos automatizálási technológiák alkalmazásával nem lehet elérni.

Dr. Maximilian Beinhofer, TGW kognitív rendszerek fejlesztési vezető

Supply Chain Monitor
2020. december