DS: Představte, prosím, stručně Neuron Soundware. Vím, že používáte zvuk pro prediktivní údržbu strojů a předvídání jejich poruch. Ale jak přesně to funguje?

PK: Používáme metody umělé inteligence, abychom naučili neuronové sítě rozpoznávat standardní strojové zvuky. Máme databázi zvuků a různých poruch, které zaznamenáváme přímo u klientů. Tato databáze záznamů nám umožňuje rozpoznat některé problémy mnohem efektivnějším způsobem. Například pomocí zvuků z podobných zařízení stejného charakteru. Algoritmy nám umožňují dopředu rozpoznat, kdy k nějaké poruše dojde a o jaký druh závady se jedná. S rostoucím výpočetním výkonem jsme schopni algoritmus vtěsnat do relativně malého mikropočítače. Nedávno jsme také vyvinuli verzi, která nám umožňuje plně zpracovat signál v rámci nBoxu, naší hlavní hardwarové jednotky. To znamená, že do budoucna budeme u všech nových instalací schopni zpracovat celý signál přímo na místě a dvojnásobně zvýšit počet kanálů, abychom nemuseli přesouvat terabajty dat mezi zařízením a cloudem. Jedná se o spolehlivé a robustní řešení, které je navíc z dlouhodobého hlediska levnější.

DS: A co se přesně děje mezi vámi a zákazníkem? Existuje nějaký hardware, který zvuk nahraje a pošle vám ho ke zpracování?

PK: Používáme různé typy mikrofonů, nejčastěji piezoelektrický kontaktní mikrofon, který je připojen k nBoxu; signál z mikrofonu pak přechází do digitalizační platformy v boxu. Následně signál odesíláme do cloudu ke zpracování nebo jej můžeme analyzovat přímo na místě v našem zařízení.

DS: Používáte pro hluboké učení neuronové sítě nebo něco jiného?

PK: Používáme různé algoritmy, nejen hluboké neuronové sítě. Opravdu záleží na jednotlivých projektech a na tom, jaké jsou na ně kladeny požadavky a jaká je situace s daty. Jsou případy, kdy máme hodně dat, a v takovém případě používáme algoritmus hlubokého učení. Když máme méně dat, což je častější, používáme k řešení problému jiné techniky. Co není tak běžné, ale co ve skutečnosti děláme velmi dobře, je řešení závažného nedostatku dat. Technika, kterou používáme k řešení těchto situací, tvoří jádro naší technologie a jsme schopni velmi rychle kalibrovat algoritmus pro konkrétní stroj. Máme předtrénované modely pro různé typy zařízení a v posledním kroku je kalibrujeme pro konkrétní práci konkrétního stroje.

DS: Jak přesně probíhá samotná detekce? Abych to přirovnal k reálnému příkladu, je to jako poslouchat pevný disk a slyšet jeho cvakání, kdy v tu chvíli vím, že je na cestě ven?

PK: To je pravda, to by se dalo říct. Často se zmiňujeme o "příběhu", kterým to vlastně všechno začalo, pokud jde o naše podnikání a způsob, jakým přemýšlíme o práci, kterou děláme. Můj kamarád jel autem, když najednou uslyšel problém někde v motoru - motor zněl jinak; auto bylo roky staré a on jasně věděl, že je něco špatně. Zajel k mechanikovi, ale ten nedokázal najít, kde je skutečný problém. Podívali se na přístrojovou desku a řekli, že nevidí žádný zjevný problém. Odešel tedy od mechanika a pokračoval v jízdě. A ejhle, po 100 kilometrech na dálnici praskl válec a zničil celý motor. Tehdy mi řekl, že měl velké štěstí, že byl 2 dny před koncem záruky, jinak by ho celá věc stála nehorázné peníze. Když klienti přijdou s novým případem, který jsme ještě neřešili, ptáme se jich, jestli mají na místě zkušeného technika, který dokáže díky bohatým zkušenostem odhalit problém pouhým poslechem daných strojů. Často nám tito technici pomáhají data skutečně pochopit a označit. Již znají zvuk zařízení a vědí, o jaký problém se jedná: právě to nám často poskytuje základní vstupní informace pro sestavení algoritmu. Naše základní filozofie odvozená od toho je, že když se to může naučit člověk, může se to naučit i počítač. Ve skutečnosti existují akustické jevy, kde je algoritmus lepší než člověk - máme širší frekvenční senzory, které jsou citlivější než lidské ucho a dokáží detekovat i zvuky, které bychom fyzicky nikdy neslyšeli a které mohou například signalizovat blížící se poruchu stroje.

DS: Takže tuto technologii lze mimo auto vašeho přítele a automobilový průmysl využít prakticky u všechn strojů, které vydávají zvuk?

PK: Hardware přímo do vozů neinstalujeme, i když jsme v minulosti analyzovali i taková data. Místo toho se nyní zaměřujeme na datové sady pro stroje, které mají pro klienta vysokou přidanou hodnotu: to může znamenat například různé kompresory ve výrobě, velké dieselové motory, jeřáby, turbíny a podobně. Na místě se také podílíme na nastavení kvalitativních procesů, například se zabýváme úkoly, jako je kontrola kvality, nebo pomáháme organizovat pracovníky a jejich směny v závislosti na tom, jaké stroje kdy běží. Je to široká škála toho, co děláme a můžeme dělat.

DS: Takže hodně pracujete v průmyslové výrobě?

PK: Ano, to je naše hlavní činnost; uvnitř továren kde je vlastně cokoli mechanického. Nyní se připravujeme na monitorování skladů, ložisek, podavačů, které se občas rozbijí, atd. V současné době mají podniky problém s logistikou a my můžeme pomoci tento problém vyřešit. Naše technologie se dá vlastně použít pro cokoli, co má mechanické části. Podnik pak může získané poznatky strategicky využít.

DS: Co přesně máte na mysli, pokud jde o monitorování pracovníků? Pomáháte je organizovat?

PK: Ano, měli jsme takový projekt. Lidé kontrolují funkci výrobků tím, zda slyší, že fungují, jak mají: například klimatizace nebo servomotory a tak dále. Člověk stojí na konci výrobní linky a kontroluje, zda vše funguje, jak má; jinými slovy provádí kontrolu kvality - například u domácích spotřebičů, jako jsou ledničky. Ta se někdy neprojevuje jako výslovná závada výrobku (že by lednička nemrzla), ale například podivným zvukem, který přístroj vydává, aniž by byl jako takový rozbitý. Lidé pak výrobek vrátí, protože se jim nezdá a obávají se, že si koupili rozbitou ledničku. Jako lidé jsme nastaveni tak, že když něco skřípe nebo vrzá, máte pocit, že je to rozbité, protože jste to už zažili někde jinde a vytváříte si tuto psychologickou asociaci. Společnosti se chtějí těmto reklamacím a vracení výrobků vyhnout; a právě zde vstupujeme do hry my. Je to příklad toho, co můžeme dělat.

DS: Takže vlastně nahrazujete lidi, kteří plnili roli vaší technologie před vaším příchodem?

PK: Spíše než abychom je nahradili, je podporujeme. Samozřejmě nejsou schopni poslouchat všechno, poslouchají vybrané vzorky, když jdou vedle stroje. Nebo dělají pravidelné kontroly. Společnosti mají nyní zájem proces plně automatizovat a skutečně vše kontrolovat a vše poslouchat. Proto poskytujeme spíše poradenský systém, kdy dokážeme identifikovat výrobek, u kterého je vysoká pravděpodobnost vady. Stroj samozřejmě stále může kontrolovat "skutečný člověk". Druhý případ použití, který nyní testujeme v praxi, je, když lidé něco montují - posloucháme, jak to montují, zda provedli všechny nutné úkony a pokud ne, mohou například znovu hledat správný počet šroubů. Když je součástka správně namontována do některých strojů, je to slyšet, vydává to charakteristický zvuk - a pokud ne, nebude správně namontována. To jsme schopni zjistit pomocí algoritmu, který je užitečný při montáži.

DS: Je akustický monitoring nepřetržitý, nebo se občas zapíná a vypíná?

PK: Záleží na stroji. U kontroly kvality je to kontinuální, u některých zařízení sbíráme data jednou za minutu po dobu několika sekund. Je to různé.

DS: Pokud jde o vaše firemní zákazníky, jsou to velké a střední podniky? Nebo obecně ty menší?

PK: Řekl bych, že obecně větší společnosti, výrobci automobilů nebo práce pro společnosti jako Airbus. Máme projekty u velkých výrobců, v energetice, poptávka je i v chemických továrnách nebo rafineriích, které jsou zajímavými případy použití. Myslím, že o tuto oblast se zajímá celý průmysl, který se zabývá digitalizací infrastruktury. Jsou místa, kde se již řeší selhání senzorů; v těchto případech přinášíme lepší algoritmy. Pak jsou místa, kde díky tomu, že svět IoT je levnější, lze naše řešení instalovat na mnohem větší počet zařízení.

DS: Je tedy použitelné pro kritickou energetickou infrastrukturu, například větrné elektrárny?

PK: Ano, účastníme se ve výběrového řízení, o tuto oblast je velký zájem. Minulý měsíc přišla žádost od technologického makléře z Číny. Mají výkon 120 gigawattů větrných a vodních elektráren, i takoví velcí zákazníci nám píší a zajímají se o nás. Samozřejmě to může trvat roky, Čína je daleko, ale trh je obrovský a my jsme spočítali, kolik zařízení z 20 nejběžnějších typů lze monitorovat - kolik jich je po celém světě. Nechal jsem si vypracovat studii od společnosti zabývající se průzkumem trhu a potenciálně se jedná o celosvětový obrat 65 miliard eur, který vyžaduje náš typ prediktivního monitorování. Samozřejmě to zahrnuje i stroje menších rozměrů, než je turbína v elektrárně. Jsou to klimatizační jednotky nebo obráběcí stroje, ale počet je vysoký a my připravujeme standardizovaná řešení pro první z těchto instalací. Zatím jej nabízíme pro jednodušší typy strojů, jako jsou elektromotory, čerpadla, kompresory a podobně. Tam jsme schopni řešení přímo nainstalovat a okamžitě začít zaznamenávat a předpovídat poruchy. U složitějších nebo nestandardních úloh shromažďujeme s klientem konkrétní soubory dat. Diskutovali jsme například o potřebě tunelování. U zakázkových projektů posloucháme, jak stroje pracují. Zájem projevily i hutě; lidé slyší, že kovy se najednou taví jinak, a chtějí proces automatizovat, aby zkrátili proces tavení a ušetřili čas a peníze. Spolupracujeme s klienty, kteří mají zájem technologii otestovat a zároveň ji připravit k prodeji. Zvyšujeme počet lidí v obchodním oddělení, abychom mohli prodávat řešení z prvních projektů, které s klienty připravujeme.

DS: Zajímavé! A kolik lidí máte v současné době ve vaší společnosti?

PK: V týmu máme přes 20 lidí, někteří instalují, navrhují hardware, někteří píší software, trénují modely, vizualizují výsledky, někteří pracují v týmu strojového učení, který vyvíjí umělou inteligenci, a zbytek je marketing, account management, projektový management, provoz a finance.

DS: Chystáte expandovat?

PK: Chystáme se zvýšit tempo náboru, máme spoustu volných pozic, najdete je na našich stránkách Startupjobs.

DS: A pokud o tom chcete mluvit, máte problém s naplněním kapacity? Jste schopni najít dostatek lidí?

PK: Přichází k nám spousta zájemců; umělá inteligence přitahuje spoustu lidí, ale myslím, že někteří z nich trpí určitou iluzí o tom, jak to vlastně funguje v praxi, a nakonec jsou zklamaní, že jen tahají data do černých skříněk, které vytvořil někdo jiný. Je to velmi detailní, mravenčí práce. Spousta drobností, které je třeba neustále dělat a přemýšlet o nich. O kandidáty nemáme nouzi, ale není tolik lidí, kteří mají opravdu dlouhodobé zkušenosti nebo jsou schopni vzít vědecký článek a zpracovat ho do podoby implementace umělé inteligence. A druhá věc, která je náročná, je, že spousta lidí má zájem pracovat ve fin-tech sektoru, protože na univerzitě studovali například statistické modely nebo manažerskou ekonomii. Co se týče náboru jako takového, při přijímacím řízení zadáváme testovací případ a někteří uchazeči to vzdají a nedokončí ho; nemáme čistá, označená data, na která by mohli být zvyklí, spíše nekonečný proud zdánlivě nepřehledných dat, ve kterých se musíte orientovat. A pak jsou tu další pozice, o které by lidé měli zájem a hlásí se na ně a kde mají uchazeči obecně velmi vysoké nároky - například grafici nebo front-end vývojáři. To ale pro naši společnost není ideální, protože takové věci raději zadáváme někomu, kdo má tyto lidi k dispozici. Například naše mobilní aplikace - tu jsme právě koupili na trhu.