AI World magazine nedávno hovořil s CEO a spoluzakladatelem úspěšné české firmy zaměřené na údržbu strojů pomocí poslechu.

David Slouka (DS): Představte nám prosím stručně Neuron soundware – vím, že pomocí zvuků děláte prediktivní diagnostiku případných poruch strojů. Jak to přesně funguje?

Pavel Konečný (PK): Používáme metody umělé inteligence, pomocí kterých jsme naučili neuronové sítě rozpoznávat standardní zvuky strojů. Máme databázi zvuků a různých poruch, které přímo u klientů zaznamenáváme. Databáze nahrávek nám umožňuje některé problémy rozpoznat třeba díky zvukům z podobných zařízení stejného charakteru. Algoritmy učíme rozpoznávat standardní běh zařízení a to, když se vyskytne anomálie – a případně o jakou vadu jde. Díky tomu, že narůstá výpočetní výkon, jsme schopni algoritmus vtěsnat i do relativně malého mikropočítače. Nedávno jsme vyvinuli verzi, která nám dovoluje signál zpracovat kompletně v koncové jednotce, teď u nových instalací budeme schopni zpracovat na místě celý signál a zvýšit počet kanálů, tak, abychom nemuseli terabajty dat z každého zařízení přesouvat do cloudu. Je to spolehlivé, ale dlouhodobě levnější.

DS: A jak přesně probíhá ten proces? Je tam nějaký hardware, který zaznamená zvuk a pošle vám ho ke zpracování?

PK: Používáme různé typy mikrofonů, nejčastější je kontaktní piezo mikrofon, ten je připojen do takovéhle krabičky a signál z mikrofonů putuje do digitalizační platformy v krabičce. Dále pak signál posíláme na zpracování do cloudu, případně jsme schopni signál analyzovat přímo na našem edge zařízení.

DS: Využíváte tedy neuronové sítě hlubokého učení, nebo i něco jiného?

PK: Používáme různé algoritmy, nejen hluboké neuronové sítě. Je to projekt od projektu, jsou situace, kdy máme dat hodně, tam se dá přímo trénovat deep learning algoritmus. Tam, kde je těch dat méně, což bývá častěji, tak tam používáme jiné techniky, jak problém řešit. To, co není běžné a co děláme velmi dobře, je právě poradit si s tím, když máme velký nedostatek dat. Ta technika kolem, to je to, co tvoří jádro technologie a my 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: Detekce samotná probíhá jak? Když to přirovnám, tak je to jako když poslouchám pevný disk a slyším, jak cvaká, tak vím, že odchází?

PK: Přesně tak, dalo by se říct. Uvádíme často příběh, kterým to celé začalo. Kamarád jel v autě, slyšel problém někde v motoru – zněl jinak, poznal to, řídil, auto měl léta. Byl v servisu, ale tam neodhalili, kde je problém. Koukli na palubní počítač, řekli, že žádnou chybu nevidí. Tak jel dál a o 100 kilometrů později na dálnici mu praskl válec a zničilo to celý motor. On tehdy říkal, že měl velké štěstí, že to bylo 2 dny před koncem záruky. My se ptáme klientů, když přijdou s nějakým novým případem, který jsme ještě neřešili, jestli mají zkušeného technika, který pozná problém sám po sluchu a těm zařízením rozumí. Často nám pak tito technici pomáhají data popisovat. Už ten zvuk zařízení znají a poznají i problém: To je to, co nám často dodává základní vstup pro algoritmus. Víme, že když to pozná člověk, tak to umíme naučit i počítač. Poté jsou akustické jevy, kde je algoritmus lepší než člověk – máme širší frekvenční senzorů, je větší než u lidského ucha.

DS: Takže příklady využití mimo automobilů jsou prakticky jakýkoliv stroj, který vydává zvuk?

PK: Přímo v osobních automobilech instalaci nemáme, i když jsme nějaká taková data také analyzovali. Spíše se nyní zaměřujeme na datasety pro stroje, které mají pro klienta vysokou přidanou hodnotu: takže různé kompresory ve výrobě, velké dieselové motory, teď připravujeme jeřáby, turbíny a podobně. Monitorujeme také práci lidí, část úloh řešíme jako kontrolu kvality nebo supervizi chování pracovníků. Je to velká paleta.

DS: Takže i průmyslová výroba?

PK: To je náš hlavní byznys, uvnitř ve fabrikách, cokoliv mechanického. Připravujeme teď monitorování skladů, ložisek, podavačů, které se občas rozbijí – v tu chvíli mají podniky třeba v logistice problém. Naše technologie jde používat vlastně na cokoliv, co má mechanické části.

DS: S těmi lidmi, jak to myslíte, že je kontrolujete?

PK: Měli jsme takový projekt. Lidé kontrolují funkci výrobků sluchem, jestli fungují, jak mají: Klimatizační jednotky nebo servomotory a tak. Člověk stojí na konci výrobní linky a kontroluje, jestli vše funguje, třeba u domácích spotřebičů. Kontrola kvality. To se někdy neprojevuje ani tak nefunkčností výrobku, že by třeba lednice nemrazila, ale jde o estetiku zvuku: lidé výrobek vrátí, protože jim nesedí zvuk. Máme také takovou zkušenost, že když něco skřípe, vrzá, tak máte pocit, že je to rozbité, protože už jste to zažili někde jinde. Firmy se chtějí vyvarovat těmto reklamacím. Tak to je jeden příklad, co děláme.

DS: Takže vlastně nahrazujete lidi, co to předtím dělali?

PK: Spíše, než že bychom je nahrazovali, je podporujeme. Samozřejmě nestíhají poslouchat vše, vybírají se namátkově jednotlivé kusy. Firmy mají nyní zájem proces plně automatizovat a kontrolovat opravdu všechno. Je to spíše takový poradní systém, dokážeme identifikovat výrobek, kde s vysokou pravděpodobností bude nějaká vada. Samozřejmě ho pak může zkontrolovat ještě živý člověk. Druhý případ je, když lidé něco montují, to teď v praxi testujeme – posloucháme, jak to montují, zda splnili všechny úkony, které na daném výrobku měli, a když ne, tak to musí znovu obhlédnout, jestli je tam třeba správný počet šroubků. Když se do některých strojů dá správně součástka, tak to udělá zvuk, cvakne to – a pokud ne, tak to zvuk neudělá, a to jsme schopni to algoritmem detekovat, což je při montáži užitečné.

DS: Ten monitoring akustiky je kontinuální nebo to občas sepne a zase se vypne?

PK: Záleží na stroji. U kontroly kvality je to kontinuální, u některých zařízení data sbíráme třeba jednou za minutu na pár vteřin, je to variabilní.

DS: Co se týká vašich firemních zákazníků, jsou to velikostí předpokládám velké a střední firmy? Nebo i menší?

PK: Spíše bych řekl ty větší firmy, automobilky nebo třeba analýzy pro Airbus. Těch věcí u velkých výrobců je hodně, zajímavá je třeba energetika nebo poptávka u chemických továren či rafinérií. Myslím, že celý průmysl, který řeší digitalizaci infrastruktury, má o tuto oblast zájem. Jsou místa, kde už se poruchovost snímači kdysi řešila, tam my přinášíme lepší algoritmy a pak jsou místa, kde díky tomu, že svět IoT zlevňuje, tak se dá naše řešení nainstalovat na daleko větší počet zařízení.

DS: Takže takové uplatnění u kritické infrastruktury, řekněme větrné elektrárny, to je možné?

PK: Ano, máme to ve výběrovém řízení, v této oblasti je zájmu hodně. Minulý měsíc zrovna přišla žádost z Číny od technology brokera. Mají výkon 120 gigawattů z větrných a vodních elektráren, a i takoví velcí zákazníci nám píšou a zajímají se. Samozřejmě to může trvat roky, Čína je přeci jen daleko, ale ten trh je enormní a my jsme si spočítali, kolik zařízení z 20 nejběžnějších typů můžeme monitorovat – kolik jich je po světě. Nechali jsem si zpracovat studii od společnosti pro výzkum trhu a jde celosvětově potenciálně o 65 miliard euro v obratu, který představuje náš typ prediktivního monitoringu. Samozřejmě to zahrnuje i stroje menšího rozsahu než turbína v elektrárně, třeba klimatizační jednotky nebo obráběcí stroje, ale ten počet je vysoký a postupně z těch prvních instalací připravujeme standardizovaná řešení. Zatím ho nabízíme pro ty jednodušší stroje typu elektromotor, pumpa, kompresor a podobně. Tam jsme schopni řešení přímo instalovat a ihned spustit. U složitějších nebo zajímavějších úloh nejprve s klientem sbíráme specifické datasety, diskutovali jsme teď třeba o těžbě tunelu: Poslouchat, jak ty stroje pracují. Nebo tavící pece na železo, lidé slyší, že najednou taví jinak a chtějí proces automatizovat, aby zkrátili proces tavení a ušetřili čas, těch aplikací je skutečně hodně. Pracujeme s klienty, co mají zájem si technologii otestovat a zároveň ji připravujeme k prodeji. Zvyšujeme počet lidí v prodejním oddělení, abychom byli schopni přeprodávat řešení z oněch prvních projektů, které s klienty připravujeme.

DS: A vidíte, to by mě zajímalo: kolik máte v současné době lidí?

PK: Máme přes 20 lidí v týmu, část lidí dělá instalace, navrhuje hardware, část lidí píše software, trénuje modely, dělá vizualizaci, a část lidí je v machine learning týmu, který vyvíjí umělou inteligenci a zbytek je support.

DS: Chystáte se rozšiřovat?

PK: Chystáme se nabírat, máme hodně pozic otevřených, je to na našich stránkách na startupjobs.

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

PK: Hlásí se nám hodně kandidátů na pozice, třeba AI láká spoustu lidí, ale myslím, že část z nich trpí trošku na iluze o tom, jak to funguje a jsou potom zklamaní, že jen rvou data do blackboxů, které někdo postavil. Je to velmi pečlivá práce, spousta věcí kolem. Nouze o kandidáty není, na druhou stranu: Těch lidí, kteří mají opravdu dlouhodobou zkušenost nebo jsou schopni vzít vědecký článek a zpracovat ho do formy nějaké implementace zase není tolik. A druhá věc, která je náročná, to je spousta lidí, kteří mají zájem pracovat v bance, vystudovali třeba statistické modely nebo ekonomiku řízení. Máme ale během přijímacího procesu testovací úlohu, a někteří z kandidátů ji vzdají: Mají zvyk, že mají lidi a jejich příjmy a věk a údaje jsou v tabulce. Náš styl je jiný, je to vlastně nekonečný stream zdánlivě chaotických dat a je potřeba se v tom zorientovat. A pak jsou jiné pozice, o které by lidi měli zájem a kde kandidáti mají třeba velmi vysoké nároky – grafici nebo front-​end vývojáři namátkou. To ale není do naší firmy úplně ideální, protože podobné věci raději outsourcujeme někomu, kdo má tyto lidi k dispozici. Stejně tak vývoj mobilní aplikace – to jsme si zkrátka koupili na trhu.