En teknologisk (r)evolusjon står på trappene til produksjons- og prosessindustrien. Med seg bringer den blant annet en langt mer effektiv håndtering av data enn man noen gang tidligere har hatt muligheten til. Dette er maskinlæring i praksis.  

Fremveksten av automasjonsteknologi på 1970-tallet gjorde det mulig for produksjonsbedrifter å automatisere ensformige oppgaver lite egnet for mennesker. Resultatet ble økt effektivitet og økt kvalitet i vareproduksjonen. Siden den gang har vi ikke sett en lignende industriell eller teknologisk revolusjon, men heller en evolusjon i form av en kraftig videreutvikling av eksisterende teknologi. Datamaskinene har blitt kraftigere, nettverk gjør det mulig å overføre store datamengder raskt, og internett har muliggjort kommunikasjon på tvers av landegrenser.

Og, ikke minst, har vi sett fremveksten av maskinlæring, en teknologi som har vist seg å gi mer eller mindre revolusjonerende effekter, både i hverdagslivet vårt og innen industrien. Teslas selvkjørende biler drives av maskinlæring. Det samme gjør anbefalingene du får fra Amazon og Netflix. Og hver gang du søker etter noe på Google ligger maskinlæringen i bakgrunnen og analyserer aktiviteten du utfører, for å gi deg så nyttige og relevante søkeresultater som mulig i fremtiden.

 
Maskinlæring: En kort introduksjon

Maskinlæring er et fagfelt og en metode som bruker statistiske teknikker for å gi datasystemer og maskiner muligheten til å «lære» på egen hånd. Det er en metode hvor maskiner lærer seg å gjenkjenne mønstre i data innsamlet fra maskiner, enheter og utstyr for å forbedre ytelsen på en gitt oppgave uten å bli eksplisitt programmert til det. Som en gren av kunstig intelligens (AI) og med beina godt plantet innen fagfeltene informatikk, matematikk og statistikk, gir maskinlæring maskiner muligheten til å treffe selvstendige beslutninger basert på tilsvarende eller lignende situasjoner. På den måten kan maskinene selv optimalisere ytelsen sin

En forutsetning for maskinlæring er tilgang til data, og store mengder data som sådan. Tesla, for eksempel, har lenge samlet inn data fra bilene sine og utnytter nå disse dataene i sin nye autopilottjeneste. Takket være maskinlæringsalgoritmer, bilens trådløse tilkobling og en detaljert kartlegging av sensordata, utvikler og optimaliserer tjenesten seg selv til det bedre på tvers av alle biler. Det geniale er at bilene er samlet i et enhetlig nettverk, og når én bil lærer noe nytt, lærer også alle bilene i nettverket det samme.

Selv om maskinlæring har fått mye oppmerksomhet de siste årene, er det ingen ny teknologi; dens røtter strekker seg tilbake til 1980-tallet. Men teknologien får ny anvendelse som en følge av en radikal utvikling av en rekke andre teknologier, som muliggjør rimelige og nye anvendelsesmetoder i det daglige livet vårt. Og det er først de senere årene at datalagring og datakraft har blitt så rimelig og tilgjengelig at vi kan lagre og analysere data nærmest hvor og når som helst.

Og det er ikke bare forbrukermarkedet maskinlæring er i ferd med å revolusjonere. Tilgjengeliggjøringen av datakraft har også preget produksjons- og prosessindustrien og vil åpne dørene for den neste industrielle revolusjonen (eller rettere sagt, evolusjonen), som kalles Industri 4.0. Om maskinlæring kombineres med gjenstander og enheter tilkoblet internett, det såkalte «tingenes internett», vil det åpnes en helt ny verden av muligheter for radikale forbedrings-, effektiviserings- og produktivitetsmuligheter innen produksjons- og prosessindustrien.

Maskinlæring i produksjons- og prosessindustrien

Ifølge Joshua Bloom, visepresident for data og analyse i GE Digital, kan maskinlæring ha en enda større effekt på menneskers liv når det knyttes opp mot det såkalte industrielle Internet of Things (IIoT) enn når det kobles opp mot forbrukerapplikasjoner. Og, det er i de komplekse prosessene og operasjonene der maskinlæring virkelig er i sitt ess; det er her teknologien skaper verdi.

Egentlig er det kun fantasien som setter grenser for hvor og hvordan maskinlæring kan benyttes til å skape verdi. Innen produksjonsindustrien er det imidlertid noen konkrete områder som har fått spesielt fokus:

• Prediktivt vedlikehold: Maskinlæring kan forutsi når maskiner er i ferd med å gå i stykker, og tilpasse produksjonene sin og automatisk generere en vedlikeholdsordre. På denne måten unngås unødige stans i produksjonen og effektiviteten øker.

• Prosessoptimalisering: I prosesser der omgivelsene i produksjonen eller råvarene hele tiden forandrer seg, vil maskinene og datasystemene fange opp mønstre i dataene og se på lignende scenarier hvor produksjonen hadde best ytelse, og søke å optimalisere prosessen. Jo mer data som mates inn, desto mer vil prosessen optimaliseres.

• Sammenstilling av data på tvers av geografiske områder: For globale produksjonsbedrifter med tilnærmet like produksjonsprosesser spredt rundt omkring i verden, kan data fra de ulike produksjonsanleggene samles og utnyttes som innmatingsdata for maskinlæring. På den måten kan produksjonsanleggene inngå i et nettverk, og når ett produksjonsanlegg lærer noe nytt, lærer alle de øvrige produksjonsanleggene det samme – omtrent på samme måte som Teslas autopilottjeneste.

• Digitale tvillinger: Bruken av såkalte digitale tvillinger er en økende trend innen produksjons- og prosessindustrien. I praksis går det ut på å lage en digital modell av en produksjonsprosess eller fabrikk og bruke denne digitale tvillingen til å simulere en produksjon, generere data og trene opp et system for hvordan man skal agere i ulike situasjoner ved å fremprovosere uønskede situasjoner. På den måten kan operatører effektivt feilsøke i den digitale versjonen fremfor den fysiske. Maskinlæring kan effektivt støtte oppunder denne treningen.

En nøkkelkomponent innen Industri 4.0

Maskinlæring spiller også en helt sentral rolle i utviklingen av fremtidens produksjonsbedrifter og fabrikker og den fjerde industrielle revolusjonen, eller Industri 4.0. Her vil cyber-fysiske systemer, mekanismer som kontrolleres eller overvåkes av databaserte algoritmer, og maskinlæring forenes for å la maskiner ta selvstendige beslutninger om hvordan de produserer, uten menneskelig inngripen.

Som jeg skrev i en tidligere publisert artikkel, er det imidlertid en del ting som må være på plass for å kunne høste gevinstene maskinlæring lover oss. Maskinlæring forutsetter at underliggende teknologier, som muliggjør innsamling av store datamengder, er implementert i bedriftene. Men når det er på plass vil maskinlæring kunne fungere som et «overbygg» på teknologien og la maskinene ta selvstendige beslutninger og forbedre ytelsen sin.

Maskinlæring har kommet for å bli. Men det er ikke til å legge under en stol at maskinlæring også blir sett på som en trussel. Både Stephen Hawking, Elon Musk og Bill Gates frykter alle at kunstig intelligens og maskiner skal skape superintelligente cyber-fysiske maskiner som skaper en vilje som avviker fra menneskenes. Det er et eksempel på kraften i teknologien. Men denne kraften vil komme norske produksjons- og prosessbedrifter til gode – om de evner å utnytte den.