A gépészmérnök végzettségű programozókat is foglalkoztató fejlesztőcég, a Lexunit elsősorban hazai ügyfeleknek fejleszt MI-alapú megoldásokat, méghozzá leginkább a gyártás területén, Horváth Dávid alapítót kérdeztük az MI hazai és globális kilátásairól.

Nem korai még a mesterséges intelligenciára fókuszált szolgáltatásra alapozni céges szinten, különösen Magyarországon?

Nagyságrendileg 800 olyan cég van itthon, amelyeknek az árbevétele eléri azt a szintet, ami lehetővé teszi, hogy költsenek innovációra ipar 4.0 területen. Ez nem sok, de már nem is kevés. Ezek többsége B2B működik, tehát a nehézség inkább abban van, hogy megismerjenek minket és átjussunk a küszöbön. Ha bent vagyunk, akkor bent is tudunk maradni, egyelőre ez a tapasztalatunk szerencsére.

A Lexunit egész koncepciójának lényege az, hogy MI-megoldásokkal segítsünk az ügyfeleink működésének hatékonyabbá tételében, elsősorban ipari területen. Ebben pedig sokat segít, hogy gépészmérnökök vagyunk, mert úgy tudunk egyeztetni, ötletelni, együtt tervezni az ügyféllel, mintha kollégák lennénk. Manapság, ahol mérnökök vannak, ott van informatika is, minden szektorban, a fémipartól a vegyiparon át a megújuló energiáig. Ahol tömeggyártanak egyféle terméket, ott az a cél, hogy a leállási időket minimalizálják. Ahol gyakran kell átkonfigurálni a gépsort, mert sokféle terméket gyártanak, ott ennek az átállásnak a gyorsítása a cél. Persze nem csak gyártásnál dolgoznak mérnökök, vannak fejlesztők is, ahol kemény elméleti mérnöki munka zajlik. Ezt a fejlesztési folyamatot is lehet optimalizálni, ezzel pedig rövidíteni a piacra juttatáshoz szükséges időket.

Hogyan képes ezekben a folyamatokban segíteni a mesterséges intelligencia? Miért jobb vagy más, mint bármilyen más szoftver?

Az egyik tipikus felhasználási terület a gyártási leállások csökkentése prediktív karbantartással, amikor az adatokból előre lehet következtetni a hibás működés valószínűségének növekedésére, mielőtt még az megtörténne. A szenzoradatok segítségével a szoftvernek megtanítjuk, milyen értékeket produkál egy gép, amikor például egy alkatrész kezd a megfelelő szint alatt teljesíteni. Ekkor azt ki lehet cserélni. Vagyis nem kell feleslegesen (túl korán) karbantartási munkát végezni, és nem is kell megvárni, amíg futás közben tönkremegy valami. Csak akkor avatkozunk be, amikor éppen szükséges, ahol szükséges. Ezt a technológiát folyamatosan futó gyártósorokon tudjuk jó eredményekkel használni.

Egy másik lehetőség a komplex döntések előkészítése. Például egy ipari fúrókat gyártó ügyfelünk gépsorait heti vagy akár napi szinten kell módosítani, és ez számtalan paramétertől függ, az aktuális megrendelések összetételétől kezdve az éppen az üzemben tartózkodó alkalmazottak képesítésein és minősítésein át az aktuális elrendezésig. Kulcsfontosságú, hogy az átállás minél gyorsabban létrejöjjön, de úgy, hogy az elrendezés a lehető leghatékonyabb is legyen. Erre az MI tud javaslatokat tenni, amelyekből a vezetés választhat, leegyszerűsítve a folyamatot, ahol sok pénz folyhat el, ha lett volna jobb megoldás.

További példa a gépi látás, a képfelismerés használata. Egy kameraképet sokféle szempontból tud automatikusan elemezni, majd az elemzés alapján döntést hozni egy öntanuló szoftver. Tegyük fel, hogy a munakfolyamat során kábelgöngyölegeket helyeznek egy raklapra. Például a kamerakép alapján a szoftver képes azonosítani a göngyöleg típusát, és ennek megfelelő parancsot ad a raklapszállító robotnak, hogy hová vigye a megtelt raklapot. A másik lehetőség a minőségellenőrzés: ha a legyártott elem bármiben eltér vizuálisan a meghatározott paraméterektől, akkor a rendszer jelez, és kiszűrik a hibás terméket. Vagy például kamerákkal lehet automata járművek útvonalait figyelni: szabad az út, vagy nem? Elfér a szállítórobot vagy nem? Ennek megfelelően adhat "zöldet" vagy "pirosat" a rendszer a gépnek, amelynek az adott folyosószakaszon kell áthaladnia. Nagyobb logisztikai központokban a célgépszerűen működő, a fenti példákban szereplő specializált robotok már most is jelen vannak, akár Magyarországon is, e robotok működésének hatékonyságán pedig folyamatosan lehet javítani mesterséges intelligenciához kötődő megoldásokkal.

A gépi látáshoz hasonlóan a dokumentumok szkennelésére alapozva is lehet érdekes megoldásokat alkalmazni. Az egyik projektünk során sikeresen tanítottuk be a szoftvert arra, hogy a beszkennelt számlák adatait a megfelelő kategóriák szerint rögzítse, amit a könyvelő felügyel, jóváhagy, vagy kijavít. Ezzel rengeteget lehet gyorsítani egy alacsony hozzáadott értékű munkafolyamaton, és több idő marad a könyvelő valódi szakmai munkájára. Egy másik projektben interneten fellelhető írásokat kellett nagy tömegben gyűjtenie a cégnek, és kategorizálni azokat, tartalmi alapon. Ezt alapból nem tudja megoldani egy szoftver, de a természetes nyelvfeldolgozás (Natural Language Processing) és a gépi tanulás legalábbis be tud segíteni.

Mennyire széles körben ismertek ezek a lehetőségek? Nyitottak rá a cégek?

Két dolog kell ahhoz, hogy egy cég nyitott legyen arra, amit kínálunk: forrás és motiváció. Ez utóbbi jellemzően két irányból jöhet, vagy az üzemvezetés keresi aktívan a további optimalizálás lehetőségeit, vagy a cég küldetésében hangsúlyosan szerepel ez mint célkitűzés, ez utóbbi esetben a menedzsment felől érkezik a nyomás arra, hogy a cég tegyen lépéseket az MI, a robotika, az automatizáció felé. Még nem általános, sok tényezőtől függ, hogy egy cég keresi-e az ilyen innovatív megoldásokat. Emiatt van természetesen egy edukációs feladatunk, ezért is írunk blogot a mesterséges intelligencia üzleti felhasználási lehetőségeiről.
Az új üzleti kapcsolatok létesítése során nagyon gyakran már az első megbeszélés során azonnal egyértelmű ötletei támadnak a cégvezetőnek arról, hogy mire lehetne náluk ezeket a megoldásokat használni, saját rendszerének ismeretében. De ehhez persze el kell jutni a megbeszélésig.

Mi a jövőkép? Számítani lehet arra, hogy egyre szélesebb körben alkalmaznak a cégek algoritmusokat?

Mi úgy látjuk, hogy a közeljövőben ebbe az irányba tolódik el a gyártás. A komplex rendszerekben nélkülözhetetlenné válnak az öntanuló algoritmusok. Mi az első fecskék között érkezve szolgáltatócégként jelentünk meg. A célcsoportunkon belül nagyon különböző még a digitalizáltság szintje. Van akinek az a probléma, hogy Excel-táblázatokból kinyert adatokat vigyen át felhőadatbázisba és felhőben futó szoftverre: mi nekik is tudunk segíteni, és most még ők vannak többen. De egyre többen már most tudják alkalmazni az ipar 4.0 megoldásokat. Mi ezeket az ügyfélköröket párhuzamosan tudjuk kezelni, és készen állunk az arány lassú eltolódására a mérnöki alapú cutting edge ipari megoldások felé, ami a követlező 10 év fejleménye lesz. Egyre több cégnek kell majd MI fejlesztés, és aki akkor még mindig az Excel-táblájának a felhősítésén gondolkodna, az már valószínűleg végleg kiesett a játékból.