Syksyn 2019 teknologiakartoitus osa 4/5: Tekoäly ja koneoppiminen

Syksyn 2019 teknologiakartoitus osa 4/5: Tekoäly ja koneoppiminen

Syksyn 2019 aikana Digi-Salama-hankkeessa tehtiin viisi teknologiaselvitystä, joissa teemavastaavien johdolla 15 oppilasryhmää tutki hankkeen eri teknologioita. Tavoitteena ryhmillä oli selvittää mitä valitut teknologiat tarkoittavat pintaa syvemmältä raaputettuna, vertailla eri tuotteita ja tapoja soveltaa teknologioita sekä rakentaa demo annettuun teknologiaan liittyen.

Lue osa 1: Cobotiikka
Lue osa 2: Autonomiset robotit
Lue osa 3: Digital twin

Teknologiaselvitys

Alunperin tässä projektissa oli tarkoitus selvittää Omronin, Beckhoffin ja Siemensin PLC-koneoppimismoduuleita. Viime vuosina useat automaatiotoimittajat ovat alkaneet mainostaa ohjelmoitavien logiikkojen lisämoduuleiksi tulevia koneoppimisominaisuuksia. Näitä halutiin selvittää osana Digi-Salamaa. Toimittajista tavattiin Beckhoff, Omron ja Siemens.

Tässä vaiheessa projektia huomattiin, että ko. tuotteiden lanseeraukset olivat viivästyneet ja olimme myös ajatelleet niiden toiminnallisuudet hieman erilailla. Beckhoff TwinCATin koneoppimismoduulit julkaistaneen 2020-21 ja toivomus olisi, että vielä Digi-Salaman aikana niihin päästäisiin käsiksi, mutta syksyllä 2019 näiltä osin ei vielä päästy liikkeelle. Siemensin TIA-moduulien kanssa kävi myös samoin. Omronin tuote olisi ollut käytettävissä, mutta se ei ollut ns. all-around koneoppimismoduuli, jota olisi voinut rajoituksetta käyttää eri käyttötapauksiin ja itse ohjelmoida, se on tässä vaiheessa profiloitu muutamaan kunnossapidon sovellukseen ja sen ohjelmointi tapahtuu Omronin toimesta.

Heikosta tekoälystä vahvaan ja koneoppimiseen

Tekoäly eli keinoäly on tietokone tai tietokoneohjelma, joka kykenee tekemään älykkäinä pidettäviä toimintoja. Tekoälyn tarkempi määrittely on avoin, koska älykkyyttä itsessään on vaikea määritellä.

Heikko tekoäly perustuu siihen, että saadaan laitteet/ohjelmat käyttäytymään älykkäästi. Heikosta tekoälystä hyvä esimerkki on shakkiohjelma. Shakkiohjelman jokainen siirto perustuu pelkästään ennalta syötettyihin käskyihin, jonka mukaan ohjelma tekee siirtonsa. Heikko tekoäly ei siis tiedä itse shakista sinänsä mitään. Se ei osaa arvioida itsenäisesti mikä on hyvä ja mikä huono siirto. Käytännössä se vain analysoi tilanteen sen logiikan mukaan, mitä sille on ohjelmoitu ja tekee siirrot sen perusteella.

Vahvan ja heikon tekoälyn erona on se, että kun heikko tekoäly kykenee suorittamaan vain ennalta määrättyjä tehtäviä siihen ohjelmoidun logiikan perusteella. Vahva tekoäly on kykenevä itsenäiseen ajatteluun, samoin kuin ihminen. Heikko tekoäly ei siis saavuta tietoisuutta, mihin vahva tekoäly pystyy. Vahvaa tekoälyä ei olla vielä pystytty luomaan.

Koneoppiminen on tekoälyn osa-alue, jonka tarkoituksena on saada ohjelmiston toimimaan paremmin pohjatiedon ja käyttäjän toiminnan perusteella. Koneoppimisen voidaan ajatella olevan hyvin konkreettinen ja laiteläheinen älykäs algoritmi, jossa kerätyn datan perusteella opetetaan algoritmi, joka liitetään osaksi esim. ohjelmoitavan logiikan ohjelmistoa.

Koneoppimisdemot

Mitä siis, kun ajatellut tuotteet eivät olleetkaan vielä valmiita? Koneoppimisen ja tekoälyn osa-aluetta päätettiin suunnata eri lailla, alkuun selvitettiin erilaisia pilvipalvelualustoja ja vertailtiin niitä, loppullinen kisa käytiin Azuren ja Siemensin MindSpheren välillä. Tässä vaaka kääntyi MindSpheren puolelle, joka hankittiin Metropolian sekä Digi-Salaman projekti- ja tutkimuskäyttöön kolmeksi vuodeksi.

Seuraavaksi esteeksi tulikin mistä saataisiin dataa uuteen IoT-järjestelmään. Teollista dataa on niukasti saatavilla ja koulun prosessit ja linjat eivät ole 24/7 käynnissä. Alakerran Business Avenuelle oli auennut Garagen kaveriksi Urbanfarmlab, sisäruokakasvatuksen living lab, sinne siis. Sieltä löytyikin kaksi prosessia ja yritystä. Yksi Redono Oy:n tuotteista on vesiviljelytekniikalla kasvatetut humalakasvit. Toiseksi testiprosessiksi saatiin Siukkula Oy:n ilmaperunat.

Redonon humalakasveja. Kuva Metropolian kuvapankki / Tuula Palaste

Näiden yhteydessä päätettiin kokeilla kolmea erilaista tapaa datan keräämiseen. Järjestelmiksi valokoituivat Beckhoffin CX8190 PLC, Siemensin älykäs hajautettu ET200SP ja lisäksi päätettiin kokeilla Raspberry Pi -laitetta datankeruussa. Prosesseille valittiin soveltuvat anturit ja logiikoille IO-kortit. Järjestelmät kytkettiin MindSphere IoT-järjestelmään Siemensin MindConnect Nano liityntämoduulilla.

Siukkulan ilmaperunoiden juuria. Kuva Metropolian kuvapankki / Tuula Palaste

Data saatiin kerättyä pilveen ja sirrettyä sieltä ulos edelleen jalostamista varten, työkaluksi valikoitui Python koneoppimiskirjastoilla höystettynä. Tässä vaiheessa alkoikin lupaavasti näyttää, että data saadaan jalostettua koneoppimisalgoritmiksi. Varsinaisia valmistajien koneoppimismoduuleita odotellessa lopullinen toteutus PLC:n yhteyteen olisi varmasti ST-kielellä tehty algoritmi tai Python-ohjelman linkitys PLC-ohjelman muuttujiin. Joissakin logiikoissa on myös mahdollisuus tehdä omia C++ kirjastoja varsinaisen ohjelman lisäksi. Elokussa 2021, kun Digi-Salama on ollut näiden kimpussa jo 1,5-vuotta olemme varmasti viisaampia.