Tekoälyprojektimme Raisioaquan kanssa etenee, ja on tullut taas aika päivittää tunnelmia matkan varrelta. Trilogian ensimmäisessä osassa kerroin, miten polkaisimme käyntiin hankkeen, jonka tavoitteena on vähentää kalanrehun hävikkiä tekoälyä hyödyntämällä. Kerroin, miten hahmottelimme lopullisen ratkaisun ulkonäköä ja toimintaperiaatteita. Tässä blogissa kerron, miten speksin mukainen hahmotelma alkaa muuttua toiminnalliseksi.

Kädet saveen

Elokuu 2022: Toteutusvaihe starttasi viimekertaisen Raision reissun 4.8.2022 tulosten purkamisella ja tulevien töiden ryhmittelyllä. Nyt meillä oli raamit valmiina, miltä sovellus tulisi näyttämään ja miten se toimisi. Tämä auttaa nyt, kun projekti siirtyy suunnittelupöydältä koodaukseen. Karkeasti ottaen kehitystyö voidaan jakaa kahteen osakokonaisuuteen: käyttöliittymään ja taustalaskentoihin (mm. tekoälymalli, data, rajapinnat).

Elokuu kuluikin rattoisasti tekoälykehityksen merkeissä. Työtä kiihdytti tosin projektin aikaisemmissa vaiheissa tehdyt analyysit. Data-analyytikon arkinen työ on tämän projektin – ja miksei muidenkin vastaavanlaisten – osalta karkeasti ottaen seuraava:

Käsitellään raakadata analysoitavaan muotoon. Malliin tarvitaan kahdentyyppistä dataa: 1) prosessidataa tehtaan tuotantolinjojen sadoista sensoreista ja 2) tuotantoeräkohtaista dataa mm. tuotteista, resepteistä ja laadusta. Tapauksessamme datan aikaväli on toista vuotta yhden minuutin resoluutiolla. Kokonaismääräksi tulee muutama satamiljoonaa tietokantariviä, joten mallille on kyllä opetusdataa, mutta suorituskykyyn on syytä kiinnittää huomiota.
Opetetaan tekoälymalli. Kun data on ajettu oikeaan asentoon, niin luodaan malli, joka oppii toistuvat kuviot: mitkä asiat teollisessa prosessissa ovat yhteydessä hyvään ja huonoon laatuun?
Jalostetaan malli antamaan vastauksia eri näkökulmiin reaaliaikaisella datalla. Projektissamme oli alusta asti selvää, että meille ei riitä ennustus hävikin syntymisestä vaan haluamme antaa operaattoreille konkreettiset toimenpidesuositukset hävikin välttämiseksi tilanteissa, joissa hävikkiä ennustetaan tulevan. Siksi on ensiarvoisen tärkeää puhua laatuavustimesta eikä laatuennustimesta. Tämä johtaa siis siihen, että edellisessä vaiheessa luodusta mallista jalostetaan vastauksia esimerkiksi ”mikä arvo milläkin suureella kannattaisi olla vs. mitä sen asetusarvo nyt on koneessa” ja ”jos teemme ehdotetut muutokset, niin mikä on parannuspotentiaali”.

Käyttöliittymää pystyttiin kehittämään myös rinnan tekoälymoottorin kanssa. Tässäkin tahtotila oli hyvin selvillä, että haluamme melko karsitun näkymän, jossa oleelliset asiat ovat selkeästi esillä emmekä halua hukuttaa käyttäjiä lisävalintojen viidakkoon. Viimein käyttöliittymä pultattiin kiinni tekoälymoottoriin rajapintoja käyttäen. Kasassa on nyt siis niin sanottu MVP (minimum viable product) eli versio, jolla konseptia voidaan demota ja alkaa kerätä ensimmäisiä palautteita tuotteen kehittämiseksi.

Kuva 1: Tekoälysovelluksen katselmointia. Kuvassa Mikko Koskelainen (vas.), Joonas Isoketo ja Janne Leppänen.

Tekoäly vaatii toimialatuntemusta toimiakseen

1.9.2022: Laatuavustimesta on nyt ensimmäinen versio kasassa, joten sitä on syytä ihmetellä yhdessä Raisioaqualla. Työpajaan kanssani Siemensiltä matkustaa Value Hacker ja digitaalisen transformaation asiantuntija Emilia Roiha, joka vastaa fasilitoinnista ja käyttöönoton suunnittelusta.

Oli tiedossa, että kun mallille antaa liian vapaat kädet tehdä suosituksia lähes mille parametrille vaan, niin epärealistisiakin toimenpidesuosituksia saattaa tulla alkuun ulos. Tämä oli tietoinen valinta, ja olimme päättäneet iteroida listaa yhdessä tehtaan asiantuntijoiden kanssa, sillä iterointi on nopeampaa suureita poistamalla kuin niitä lisäämällä. Toisekseen halusimme nähdä, mitä malli sanoo, kun sitä ei yritä ohjailla liikaa suuntaan tai toiseen.

Vierailumme aikana luokittelimme prosessisuureita kahteen ryhmään: 1) asetusarvoihin, joita operaattori voi säätää sekä 2) ei-operoitavissa oleviin suureisiin, jotka vaikuttavat laatuun ja hävikin syntymiseen, mutta joita ei suoraan voida muuttaa. Ensin mainituille laatuavustin antaa suositusarvon ja muut ovat tekoälymallissa taustalla mukana vaikuttamassa, mutta käyttöliittymältä piilossa.

Kun paikan päällä kerran oltiin, niin tehtaalla oli hyvä tehdä syväluotaus vielä tiettyihin prosessin kohtiin – miten ne toimivat, jotta mallia voidaan kehittää vielä tarkemmaksi ja että se ottaisi huomioon asiat juuri operaattorin näkökulmasta. Mainittakoon tästä esimerkkinä, että öljynlisäykset operoidaan prosentteina, mutta sama asia on saatavilla myös litroina, joten haluamme palvella loppukäyttäjää mahdollisimman hyvin ja näyttää suosituksen käyttäjäystävällisesti prosentteina.

2.9. – 27.9.2022: Syyskuu on pyhitetty tekoälysovelluksen seuraavalle kehitysversiolle, jossa fokus on parannusten ja tarkennusten tekeminen niin tekoälymallille kuin käyttöliittymäparannuksillekin. Tavoitteena on siis päästä lähelle kohti lopullista julkaistavaa tuotantoversiota. Erityisesti kiinnitämme huomiota siihen, että saamme muutamat tärkeimmät operoitavat parametrit optimoitua tilanteeseen kuin tilanteeseen.

Syyskuukin kului rattoisasti parannuksia tehdessä ja taas alkaa olla aika käydä paikan päällä.

28.9.2022: Matkaamme Raisioon jälleen kerran Emilian kanssa, mutta iskuryhmäämme täydentää tällä kertaa myös asiakasvastaavamme Petri Auramo. Katsomme taas, mitä sovellukselle kuuluu ja millaisia päivityksiä on saatu aikaan, mutta suunnittelemme myös, miten työkalu jalkautetaan loppukäyttäjille aloittaen ensin testiryhmästä.

Tästä tulee hyvä!
Petri Elonen, tehtaanjohtaja, Raisioaqua

Käyttöönotosta ja tunnelmista pääsette lukemaan tämän projektipäiväkirjan viimeisessä osassa!

Kuva 2: Keskustelua öljynlisäyksistä ja operoitavissa olevissa olevista prosessisuureista. Kuvassa Toni Jarpa (vas.), Joonas Isoketo, Petri Elonen ja Emilia Roiha.