Průmysl

Kontextová revoluce

Andrea Cejnarová
0

Umělá inteligence se dostala do bodu, kdy může být nastavena tak, aby spustila další vlnu technologického průlomu. Techniky hlubokého učení, na kterých to celé stojí, jsou ale silně omezeny vlastní neschopností poskytnout kontext. Tyto mezery vyplňují tzv. znalostní grafy, čili grafické znázornění vztahů. Výsledkem může být svět nových aplikací.

Každý z nás používá denně některý z internetových vyhledávačů. Tyto systémy jsou schopny okamžitě zodpovědět položený dotaz, aniž by musely nahlížet do slovníků, encyklopedií a pátrat v knihovnách. Zvykli jsme si i na to, že tato technologie má čím dál tím více tváří. Například je úplně normální, že nám vyhledávač nabídne různé typy informací, a dokonce i v různých formátech – jako text, obrázky nebo videa.

Mona Lisa..., ale která?

Vezměme si následující příklad: do Googlu zadáte pojem „Mona Lisa“. Výsledky vám řeknou, že Mona Lisa je obraz od Leonarda da Vinciho, který je vystaven v muzeu v pařížském Louvre. Dozvíte se rovněž, že Francouzi jí říkají „La Joconde“. Zobrazí se vám rovněž fotografie tohoto slavného plátna a odkazy na videa, například film „Tajemství Mony Lisy“. To vše doplní okno Google Maps, které vám zobrazí hotely v okolí s názvem „Mona Lisa“. Jinými slovy, jediné, co výsledky našeho hledání neobsahují, je obsah, avšak čím dál tím častěji dodávají také kontext. Není za tím žádná magie. Vše toto je možné díky digitálním znalostním grafům. Graf je definován jako grafické vyjádření vztahu, například ve formě vyznačených vrcholů (uzlů nebo bodů) a spojovacích čar (hran). Digitální znalostní grafy fungují úplně stejně: grafy extrahují data ze svých datových sil, tj. různých zdrojů, jako jsou 3D modely, schémata a historie (životního cyklu stroje apod.), a následně identifikují vzájemné vztahy mezi těmito daty. To jim umožňuje dávat takové typy odpovědí, jakých systémy umělé inteligence s učícími se neuronovými sítěmi (hluboké učení) dříve nebyly schopny.

Neuronová síť

„Poskytovat kontext, nejen obsah: Znalostní grafy extrahují data z datových sil a následně identifikují jejich vzájemné vztahy.“

Znalostní grafy v energetice

Znalostní grafy lze použít úplně na všechno. Společnost Siemens se vzhledem ke svému zaměření pochopitelně specializuje na průmyslové znalostní grafy, které dávají konceptu Průmyslu 4.0 zcela nový rozměr. Základem jsou obrovské znalostní domény, jimiž Siemens disponuje. Tyto domény se procházejí krok za krokem a pomocí znalostních grafů dochází k postupné digitální automatizaci jednotlivých odborných znalostí. Siemens využívá digitální znalostní grafy například v energetice, konkrétně u paroplynových turbín. Zatímco AI algoritmy jsou schopny využívat big data analýzu k vytváření pravidel pro dané aplikace, třeba že určitá komponenta se za určitou dobu porouchá, systémy pracující se znalostními grafy formulují předpovědi na základě mnohem komplexnějších informací – o místě, kde byla komponenta vyrobena, o teplotě, za které se používá, o podmínkách okolního prostředí apod. Díky tomu jsou takto generované předpovědi mnohem přesnější.

„Siemens se zaměřuje na znalostní grafy průmyslu, které pozvednou Průmysl 4.0 na vyšší úroveň.“

… a v technologii budov

Jiným příkladem je technologie řízení budov. Společnost Siemens BT v současné době využívá znalostní graf vyvinutý ve spolupráci s Corporate Technology pro správu systémů v sídle skupiny na Wittelsbacherplatz v Mnichově. Budova, která byla otevřena před dvěma lety, může být označena za vysoce „inteligentní“.

Je vybavena až 50 typy různých senzorů! Digitálních znalostní grafy dokážou vyextrahovat i informace, které byly dříve zcela nepřístupné. Například je nyní možné mnohem přesněji definovat způsoby, jakými se využívají jednotlivé prostory. Setkáváme se tu „naživo“ s integrací znalostí na nejvyšší úrovni, která je sama založena na integraci tří digitálních dvojčat do jednoho znalostního grafu. Jedno dvojče má znalosti o čidlech, tedy o počtu čidel a jejich měrných jednotkách. Druhé dvojče zná do detailů schémata celé šestipodlažní budovy. Třetí dvojče okamžitě odesílá data z čidel prostřednictvím cloudové platformy MindSphere. Tato kombinace historických a současných dat pak poskytuje přehled o provozu budovy, který dříve nebylo možné získat. Znalosti v této formě jsou cenné pro uživatele budov, pronajímatele i řídicí pracovníky, poněvadž jim umožňují nejen minimalizovat spotřebu energie, ale také šetřit a vydělávat peníze. Jedním z příkladů jsou nové modely platby za využití pro úklidové služby a klimatizační systémy v budovách. Tyto informace jsou ale i klíčové například pro plánování evakuace. Digitální dvojčata umožňují zohlednit všechny tyto faktory již ve fázi plánování budov, což je vlastně nová služba, kterou teď Siemens BT může nabízet svým zákazníkům.

Nové obchodní příležitosti

Tento typ datové integrace a analýzy umožňuje vytvářet širokou škálu nových služeb ve všech odvětvích podnikání. Továrny řízené AI systémy, autonomní vlaky, inteligentní řízení měst a jejich energetických potřeb i spolupráce mezi lidmi a roboty – to vše se brzy stane realitou. Znalostní grafy jsou novými nástroji pro uživatele - lidi. Jejich inteligence přesahuje inteligenci lidí v tom, že mohou integrovat a pracovat i se znalostmi druhých (třetích atd.) stran, což žádný lidský mozek nedokáže. I tak jsou ale navrhovány tak, aby především pomáhaly lidem. Proto nejdůležitější věcí, kterou je třeba při vytváření grafu zohledňovat, je, jak lidé, kteří ho chtějí využívat, vidí okolní svět. Jaké mají otázky, jaké mají zdroje dat a jaký druh zkušeností mají jako odborníci? Takový přístup pak umožní každému, aby se učil ze vzpomínek druhých, protože tyto vzpomínky pro něj začnou být dostupné. Cílem tvůrců znalostních grafů je vytvářet digitální společníky, kteří budou lidem pomáhat lépe se rozhodovat. Nicméně, konečné slovo budou mít vždy lidé.

Zdroje: BIGSTOCK, Siemens

Diskuze k článku

Pro přidání komentáře je nutné se přihlásit přes facebook. Přihlásit se

Vaše komentáře

Zatím nebyl přidán žádný příspěvek. Buďte první.

Mohlo by vás zajímat

 
Galerie