Již poměrně dlouhou dobu se pohybujete ve světě softwaru, PLM a inovací. Když se ohlédnete zpět, jaká byla cesta softwaru v průmyslu? Spatřujete na této cestě nějaké jasné milníky?
Zkušenost ze společnosti Siemens, o kterou bych se s vámi rád podělil, jasně ukazuje, že změny, které se v průmyslu historicky děly lineárně, se nyní odehrávají exponenciálně. Příkladem je exponenciální nárůst množství dat, výpočetní síly, dostupnosti dat pro vytváření AI modelů a komplexních simulací, vytváření realistických 3D modelů, které se nazývají digitální dvojčata apod. Jasným indikátorem, který jistě všechny přesvědčí, je, že Čína je dnes schopná s pomocí AI identifikovat na základě rozpoznávání obličejů každého ze svých 1,4 miliardy obyvatel během dvou sekund, což je naprosto neuvěřitelné. Intel umí místit více než 7 miliard tranzistorů na jediný čip. Přitom to trvalo v podstatě 30 let, než se v 50. letech podařilo postoupit od dvou tranzistorů k tisícovce. A pak, během krátké chvíle, jsme se dostali na číslo 7 miliard.
Stejně tak se zrychluje přijetí technologií. Například u televize, která byla vynalezena v r. 1925, trvalo 25 let, než se dostala do každé čtvrté americké domácnosti. Teď si to porovnejme s chytrým telefonem, který byl vynalezen v r. 2007: trvalo to pouhé dva roky, než ho vlastnilo 25 % všech Američanů.
Tato exponenciálně se měnící rychlost, s jakou dochází ke změnám a s jakou se přijímají nové technologie, nám říká, že stejně rychle musíme postupovat v případě vývoje, výroby i vytváření nových obchodních modelů. Zákazníci dnes již rychlé změny očekávají, a to se pochopitelně odráží i ve využívání softwaru v průmyslu. Stále více například vyžadují rozsáhlejší vizualizace, kolaborace a simulace, které jim umožní pracovat na dálku a s různými aplikacemi. Stále více se také rozšiřuje pojetí softwaru jako servisu, tzv. SAS, které se rozšiřuje především z důvodu snadného přístupu, škálovatelnosti a integrace. Tyto rychlé změny jsou pro nás v Siemens velkou výzvou, abychom dokázali vyhovět novým požadavkům trhu.
„Chytrý telefon byl vynalezen v r. 2007: trvalo to pouhé dva roky, než ho vlastnilo 25 % všech Američanů.“
Vraťme se ale k softwaru. Kontroverzním tématem je využívání open source softwaru. Se současnou generací mladých lidí, kteří si nedělají starosti s autorskými právy, sdílením apod., někteří sympatizují, jiní naopak. Jak se na to díváte vy v kontextu AI?
Já jsem upřímně a opravdu přesvědčen o tom, že open source software byl v minulém desetiletí právě jedním z hnacích motorů těchto exponenciálních změn, o kterých jsem hovořil. Ani můj vlastní tým by nemohl zrealizovat tolik studií proveditelnosti, které jsme vypracovali v posledních třech letech, pokud bychom nemohli využívat open source software pro AI a strojové učení (ML).
V Siemens máme zkušenosti s open source softwarem, ale měli bychom se víc snažit i v rámci PLM. A mohli bychom z toho profitovat my i naši zákazníci. Vezměme si například JT Open Program, průmyslový 3D modelový formát (open CAD file), který jsme vytvořili v roce 2003 a nabídli celé komunitě uživatelů CAD softwaru. Podle mě by ale bylo ještě lepší, kdybychom měli celý open source JT2 kit. Tím by se obrovským způsobem rozšířilo používání našich nástrojů. To samé musíme udělat s našimi produkty, které využívají AI. Nakonec to bude Siemens, kdo zvítězí, protože my rozumíme potřebám průmyslu lépe než kdokoliv jiný.
Chápu, že nemůžeme otevřít všechno, že duševní vlastnictví je potřeba chránit. Strategicky bychom se ale měli snažit dostat do win-win situace. Když Google a Facebook mohou vyřešit využívání open source v B2C kontextu a profitovat z něj, a dokonce se to stalo základem prostředí, ve kterém fungují, jsem si jistý, že my v Siemens dokážeme s PLM to samé v prostředí B2B.
Kde vidíte největší potenciál AI v Siemens softwaru a v PLM? Můžete se s námi podělit o některé příklady použití, které vás nejvíce zaujaly?
Zcela obecně, AI rozšiřuje schopnosti strojů, softwaru i lidí. AI umožňuje strojům, aby dělaly to, co dělají nejlépe – analýzu velkých objemů dat, různé alternativy designu, opakované úkony, rutinní činnosti apod. Na druhou stranu i lidé dělají to, v čem jsou oni nejlepší. Řeší nejednoznačné situace, provádějí jemné manipulace, rozhodují se mezi různými alternativami, sledují estetické a marketingové cíle, jsou kreativní a dokážou „lidsky“ komunikovat se zákazníky.
Máme spoustu příkladů z aplikací Mendix a MindSphere, z Teamcenter a z kalibrací a simulací procesů. Uvedu zde tři příklady nasazení AI, kterým nejlépe rozumím.
První aplikací, se kterou již zákazníci pracují, je adaptivní „view eye“ zabudované v našich end produktech – v 3D modelovacím systému. To je velmi komplikovaný produkt, který obsahuje stovky, možná tisíce menu a submenu. To, co umíme, je s vysokou pravděpodobností předpovědět, jaký další krok bude uživatel potřebovat, a ten mu nabídnout, aby ho nemusel sám hledat. Naši zákazníci tuto funkci doslova milují. O čem teď aktuálně uvažujeme, je přejít na systém s ikonami.
Další věcí, na které teď pracujeme, je využití znalostních grafů k integraci Teamcenter a MindSphere. V praxi už umíme nechat uživatele v jednom prostředí a v jednom prohlížeči sledovat celou továrnu, detekovat poruchy na zařízeních, z čidel zjišťovat, která součást dělá problémy. Následně z této součásti získat metadata, objednat novou, a jakmile dorazí, v tom samém prohlížeči vydat instrukce k výměně a pokračovat v monitoringu. To je fantastická věc a to vše umožňují AI a znalostní grafy.
Třetím příkladem je digitální asistence. Ta se používá v různých aplikacích, nicméně já bych zde chtěl zmínit výrobu velmi složitých produktů, která nikdy nebude moct být automatizována. Tyto produkty budou vždy muset vyrábět lidé. A lidé pochopitelně chybují a chyby stojí spoustu peněz. Objevit ale chybu například mezi stovkami drátů v autě, lodi či v letadle, jakmile dojde k poruše, je v podstatě nemožné. Bylo nám řečeno, že kdybychom dokázali zredukovat chybovost o pouhé 1 %, pak bychom jisté konkrétní firmě ušetřili 10 milionů USD ročně. Používáme Google glass, Hololens a kamery, a to nejenom proto, abychom uživatelům zprostředkovali informace, ale také proto, abychom je monitorovali při práci podle předepsaných instrukcí. Díky tomu, když udělají jakoukoliv chybu anebo zapomenou na některý krok, můžeme je na to ihned upozornit a nechat je to opravit. Tento přístup je mnohem efektivnější než hledat, kde se stala chyba, až když dojde k poruše. To se totiž velmi podobá hledání jehly v kupce sena.
Kritickým nástrojem, který dokáže včlenit do chytrého systému i složité poznatky, jsou znalostní grafy (KG). V případě KG se znalosti kódují do struktury grafů, kde uzly reprezentují entity reálného světa, zatímco hrany definují mnohočetné vztahy mezi těmito entitami. KG dávají možnost, jak zachytit, organizovat a zpracovávat velké množství dat s mnohočetnými vzájemnými vztahy. S jejich pomocí lze řídit strukturu výroby, poskytují na sémantice založenou perspektivu a umožňují sémantické vyhledávání napříč různými aplikacemi.
„To, co umíme, je s vysokou pravděpodobností předpovědět, jaký další krok bude uživatel potřebovat, a ten mu nabídnout, aby ho nemusel sám hledat. Naši zákazníci tuto funkci doslova milují.“
Mohson Rezayat
Chief Solutions Architect v Siemens Digital Industries Software a profesor na University of Cincinnati v Ohiu.
Narodil se v Iránu a do USA přišel v 17 letech, kdy začal studovat na University of California. Doktorské studium absolvoval na University of Kentucky v oboru strojírenství. Po studiích nastoupil do firmy, kterou bezprostředně poté koupil Siemens, pro který již tedy v současnosti pracuje celých 36 let. Aktuálně má na starosti R&D v celé divizi Digital Industries Software. Mohson Rezayat založil před 12 lety neziskovou organizaci, která pomáhá chudým farmářům prostřednictvím zpřístupňování cenově dostupných a udržitelných řešení.
