Data-analytiikkapilotit teollisuudessa Mitä opimme?

Teollisuusprosesseista kerättävä data luo mahdollisuuksia toiminnan tehostamiseen, uuteen liiketoimintaan sekä uudentyyppiseen vuorovaikutukseen kumppanien sekä asiakkaiden kanssa. Datasta saatava hyöty ei ole kuitenkaan itsestäänselvyys vaan vaatii huolellista suunnittelua. Parhaimmillaan datan avulla voidaan luoda toimintaprosesseista digitaalisia kaksosia, joiden avulla prosesseja voidaan mallintaa koko niiden elinkaaren ajan.

Garbage-in-garbage-out

Usein analytiikkapilottien lähtökohtana on seuraavanlainen yhteydenotto: ”Meillä on kovalevyt täynnä dataa, mutta miten siitä saataisiin päätöksentekoa varten hyödyllistä informaatiota?” Siitä lähtee yleensä liikkeelle selvitystyö, jossa käydään yhdessä kohteen edustajien kanssa läpi datan sisältö ja tutustutaan prosesseihin, joista data on mitattu. Joskus yhteistyökumppanin usko tekoälyyn on sen verran lujaa, että datasta toivotaan saatavan irti hyödyllistä tietoa sitä tarkemmin tut- kimatta. On totta, että erityisesti viime aikoina paljon huomiota saaneet syväoppivat analytiikkamenetelmät pystyvät oppimaan datasta piirteitä ilman yksityiskohtaista lisätietoa datan ominaisuuksista. Sovelluskohteet, joissa tällaisesta ”sokeasta” tekoälystä on oikeasti hyötyä, ovat kuitenkin harvassa. Yleensä huomattavasti parempaan tulokseen päästään, kun lähestytään dataa sen ilmiön kautta, jonka ilmentymä data on.

Seuraava vaihe on datan puhdistus. On pikemminkin sääntö kuin poikkeus, että data sisältää virheitä. Joskus anturi, joka datan on tuottanut, on ollut rikki tai tieto datan sisällöstä on puutteellista. Jos esimerkiksi robotin etäisyys kohteesta on negatiivinen, työstettäväksi siirretty kappale ei poistu koskaan linjalta tai sydämen sykkeen arvoksi saadaan vaikkapa kaksi lyöntiä minuutissa, voidaan olettaa, että datassa on virheitä. Tällöin on turha odottaa järkeviä tuloksia koneoppimismenetelmiltä ja seurauksena voi olla pettymys koko tekoälyn käyttökelpoisuuteen. Ollaan tilanteessa garbage-in-garbage-out. Datassa esiintyvien virheiden selvittäminen vaatii yleensä jatkuvaa vuoropuhelua data-analytiikka-asiantuntijan ja sovelluskohteen edustajan välillä.

Ihminen on usein heikoin lenkki – myös datankeruussa

Kuten niin monesti eri yhteyksissä, myös datankeruussa ihminen on usein heikoin lenkki. Joissakin tapauksissa ihmisen on syötettävä käsin tietty tieto sähköiseen järjestelmään. Tällainen voi olla esimerkiksi kappaleen nostaminen pois linjalta tai käsin tehdyn tarkistusmittauksen tulos. Monesti tällainen merkintä unohtuu tai niissä tapahtuu virheitä. Yksi tapa vähentää ihmisen tekemiä virheitä on automatisoida datankeruu niin pitkälle kuin mahdollista. Jos mittaus on kuitenkin tehtävä käsin, kuten vaikkapa maalipinnan paksuuden mittaus laadunvarmistuksen tarkoituksessa erimuotoisilta kappaleilta sopivista kohdista, voidaan pyrkiä automatisoimaan mittaustuloksen siirtyminen tietokantaan. Tämä tosin edellyttää, että mittalaite pystytään kytkemään tietoverkkoon ja se tukee mittaustuloksen automaattista siirtoa.

Ihminen on usein heikko lenkki myös uusien toimintatapojen jalkauttamisessa. Jopa melko pitkälle automatisoitu datankeruu vaatii ihmisen mukanaoloa vaikkapa mittausjärjestelmän toimintakunnon valvonnan osalta. Jos datankeruun kanssa tekemisissä olevat eivät koskaan näe, mihin dataa käytetään (puhumattakaan siitä, jos sitä ei käytetäkään mihinkään!), motivaatio huolehtia järjestelmän toimivuudesta (ja samalla datan laatu) heikkenee. Tämä koskee usein yllättäviäkin tahoja organisaatiossa: millilleen paikalleen viritetystä mittausjärjestelmästä voi olla vain vähän iloa, jos siivooja siirtää varhaisilla aamutunneilla laitteet pois mopin tiel- tä. Asia on erityisen arkaluontoinen tapauksissa, joissa data-analytiikka tuo tavalla tai toisella ilmi työntekijöiden oman työn laadun tai tehokkuuden. On siis tärkeää, että päätös alkaa hyödyntää dataa on strateginen, viestitetty koko organisaatioon ja että datankeruusta saatavat tulokset ja hyöty ovat myös kaikkien tiedossa.

Kun data herää henkiin…

Lopulta kun datankeruu on järjestetty luotettavalla tavalla, alkaa mielenkiintoisin osa projektia – analytiikan ja koneoppimismenetelmien kehittäminen. On ehkä kuvaavaa, että toteuttamissamme data-analytiikkaprojekteissa päästiin vain hyvin alustavasti kurkistamaan tähän vaiheeseen, koska käytettävissämme ollut kohtuullisen lyhyt toteutusaika meni usein datan ymmärtämiseen, visualisointiin ja virheiden korjaamiseen. On palkitsevaa, kun data herää henkiin: kun katsoessa numerosarjoja, taulukoita, käppyröitä tai graafeja silmien eteen muodostuu kuvaa prosessilinjasta. tai kun sormella käppyrää seuratessa käydään keskustelua tyyliin ”tässähän tuo robotti väisti estettä” tai ”tuossa automatiikka ohjasi kappaleen uudelle käsittelykierrokselle”.

Digitaaliset kaksoset ja ekosysteemien dataavaruudet

Yllä kuvatut toimenpiteet ovat vain alkusoittoa datan täysimääräiselle hyödyntämiselle ja esittävät lähinnä kuvaavaa analytiikkaa. Analytiikan seuraavat tasot ovat ennustava analytiikka ja ohjaava analytiikka. Näitä varten tarvi- taan malleja tuotantoprosesseista. Mallit luodaan usein olemassa olevan datan pohjalta, mutta niitä käytetään tulevien tapahtumien (esimerkiksi toiminnan häiriöt ja vikatilanteet) ennustamiseen ja eri skenaarioiden tarkasteluun. Jos malli käsittää tuotantoprosessin tietyn aspektin tai ominaisuuden kokonaan ja kykenee ottamaan huomioon myös sen elinkaaren eri vaiheissa tapahtuvat muutokset, voidaan puhua digitaalisista kaksosista. Esimerkiksi metallikappaleiden työstökoneen digitaalisella kaksosella voidaan optimoida toiminta niin, että riippuen työstettävän kappaleen laatuvaatimuksista käytetään aina sopivanikäisiä leikkuu- tai poranteriä. Myös vikatilanteiden ennustaminen onnistuu digitaalisen kaksosen avulla ja mahdollistaa koneiden huoltamisen ennen kuin kone rikkoutuu.

Vielä askel eteenpäin digitaalisesta kaksosesta ovat tuotantoekosysteemien data-avaruudet. Näistä ollaan parhaillaan EU-tasolla kehittämässä referenssiratkaisuja ja esimerkkitoteutuksia. Tällaiseen data-avaruuteen voidaan kytkeä tuotantoprosessiin liittyvät komponenttitoimittajat sekä asiakkaat. Loppuun asti vietynä järjestelmä ohjaa autonomisesti tuotantolinjaa sen mukaan, miten asiakkaalta tulee järjestelmän kautta tilauksia. Järjestelmä tilaa myös tarvittavat komponentit. Kaikki toimii siis automaattisesti ja ihmisen tehtäväksi jää vain monitoroida tapahtumien kulkua. Kotitaloudessa tämä voisi tarkoittaa kutakuinkin sitä, että jääkaappi tilaa aina valmiiksi itseensä lempiruokaani kulloisenkin mielihaluni mukaan. Syömisen tosin jättäisimme vielä omaksi tehtäväksemme.