This article is available in several languages:

23 August 2022

Projektipäiväkirja osa 1: Kalanrehun hävikki minimiin tekoälyn avulla

Terve! Minä olen Joonas Isoketo ja työskentelen Siemensillä johtavana data-analyytikkona. Viimeisimpänä projektinani olen päässyt auttamaan asiakastamme Raisioaquaa hävikkiavustimen kehittämisessä eli kalanrehun hävikin minimoimisessa tekoälyn avulla. Tässä kolmiosaisessa projektipäiväkirja-blogissa kerron kuvien ja asiakaskommenttien kera tekoälyprojektin etenemisestä. Tervetuloa mukaan!

Raisioaqua on optimoinut tuotantoaan jo pitkään uusimman teknologian avulla. Hävikkiavustimen kehittäminen on Raisioaquan ja Siemensin kumppanuuden viimeisin tavoite. Jos taustat kiinnostavat, voit lukea yhteistyöllä aiemmin saavutetusta lisäarvosta näistä asiakastarinoista: “Value Hacker ja MindSphere tulivat taloon Raisioaquassa” (2018) ja “Odotukset ovat suuret” (2020).

Tavoitteena hävikkiavustin

Raisioaqua valmistaa ensiluokkaista kalanrehua huippumenetelmin, ja tiedolla johtaminen on olennaisessa osassa tehtaan toiminnassa. Tiedolla johtamisen muovautuminen osaksi arjen prosesseja ei ole tapahtunut yhdessä yössä vaan askel askeleelta aina datan keruusta pilvipohjaisten sovellusten jalkauttamiseen kentälle. Tuotantoprosessi on viritetty tappiin olemassa olevien työkalujen avulla vuosikymmenten aikana, mutta tekoälyä ei ole vielä aiemmin hyödynnetty hävikin minimoimiseksi.

Vaikka tekoälyn hyödyntäminen on kovassa huudossa, niin tiettyä tarkastuslistaa kannattaa soveltaa ennen syvään päätyyn hyppäämistä: missä kunnossa datainfrastruktuuri on, mitä dataa on hyödynnettävissä, miltä data näyttää ja miten laadukasta data on. Keväällä 2022 teimme Raisioaqualle esiselvityksen, jonka tavoitteena oli selvittää, onko hävikin määrä ennustettavissa oleva ilmiö nykyisellä datapohjalla. Ja olihan se. Tuotantoprosessista kerätyllä IIoT-datalla hävikki saatiin mallinnettua kohtalaisen hyvin varsin nopean analytiikkakatselmuksen perusteella, joten hanketta kannatti lähteä edistämään.

Hävikin mallintaminen tekoälyllä tarkoittaa sitä, että voimme algoritmin avulla antaa toimintaohjeita operaattoreille. Esimerkki: kun ajat tuotetta X, kannattaa prosessiparametrit Y ja Z säätää arvoihin A ja B. Ohjeita varten tarvitsemme siis uuden käyttöliittymän, jonka rakennamme Mindsphere-sovellusalustalla. Käyttöliittymäsuunnittelua ei kannata pohjata oletuksiin, vaan tulevien käyttäjien näkemyksiin. Tutustuaksemme kalanrehun valmistukseen ja valmistajiin lähdimme kollegani Lauri Apajalahden kanssa tutkimusmatkalle Raisioon aiheena hävikkiavustimen käyttöliittymän suunnittelu.

4.8.2022: Aamulla turvakengät jalkaan ja auton keula kohti Raisiota – onneksi yksin ei tarvitse matkustaa. Kahden miehen iskuryhmässämme minä vastaan datasta ja tekoälystä ja Lauri Apajalahti vastaa palvelumuotoilusta ja päivän ohjelman fasilitoinnista Value Hacker -menetelmää hyödyntäen. Sanonta ”Naantalissa paistaa aina aurinko” ei petä tälläkään kertaa, sillä sen verran mukavasti aurinko helli naapuripitäjä-Raisiotakin elokuisena aamuna. Kaupunkiin päästyämme huomasimme varanneemme ajomatkaan sen verran reilusti pelivaraa, että ehdimme poiketa Raision kesäiselle torille.

Tekoälyratkaisun suunnittelua. Kuvassa Janne Leppänen (vas.), Petri Elonen, Joonas Isoketo ja Lauri Apajalahti.

Saavuttuamme tehtaalle tuliaisten kera vaihdoimme kuulumiset ja kesäloman sujumiset. Korona-ajan jälkeen oli virkistävää ja tehokasta saada fyysisesti kaikki ammattilaiset (prosessin syväosaajat, palvelumuotoilija sekä datatieteilijä) samaan huoneeseen ideoimaan suhteellisen abstraktia aihetta eli tekoälypohjaista hävikkiavustinta. Nuorena opitut peruskysymykset – mitä, miksi, milloin, kuka ja miten – pätevät edelleen tekoälyn suunnittelussakin. Johdetun ryhmäkeskustelun pohjalta nousseet ajatukset ja ideat korvasivat jälleen kerran Espoon konttorilla tehdyt vajavaiset oletukset kalanrehun valmistamisesta ja hydrotermisen ekstruusion vaikutuksesta siihen.   

”Hyvin suunniteltu on puoliksi tehty” pätee tässäkin projektissa. Kaikki edellä mainitut peruskysymykset saatiin katettua puolessa päivässä, joten enää projekti olisi tekemistä vaille valmis. Mikäs siinä tehdessä, kun lopputuloksesta on yhdessä suunniteltu käyttöliittymäprototyyppi, joka huomioi käytännön rajoitteet (ks. alin kuva). Jos ja kun kaikki menee toteutusvaiheessa hyvin, niin lopputuloksena loppukäyttäjä eli koneen operaattori saa prosessia analysoivalta tekoälyohjelmalta suositukset, kuinka säätää prosessia hävikin minimoimiseksi. Data-analyytikkona en voisi olla tyytyväisempi ennustealgoritmiin liittyvään keskusteluun, jossa spekuloitiin, kumpi on oikeassa: tekoäly vai asiantuntija. Moni tekoälyn ehdotuksista koettiin fysikaalisesti päteviksi, jotkut olivat liian kaukaa haettuja ja osa alkoi muuttua mielenkiintoisiksi, kun niitä hetken pohti. Edes valmistajan pitkällä kokemuksella ei pysty nimeämään kunkin parametrin optimaalista toiminta-aluetta monimuuttuja-avaruudessa suhteessa hävikkiin, joten kokeilemme luottaa dataan.  

On hieno saada tämä pitkään idea-asteella ollut ajatus henkiin ja saada jo vuodesta 2018 kerätty data hyötykäyttöön AI-sovelluksen avulla.

Petri Elonen, tehtaanjohtaja, Raisioaqua

Blogin seuraavassa osassa käyn läpi projektin toteutusvaihetta. Kerron, miten kehitettävä sovellus alkaa rakentumaan pala palalta kohti päämäärää, joka Raisiossa visioitiin. Ositamme projektin pieniin kokonaisuuksiin ja jaamme työtehtävät niin sanottua DevOps-mallia noudattaen. Lopulta laskentamoottori, käyttöliittymä ja data hitsataan tiiviisti yhteen ja julkaistaan testiryhmälle. Tästä tulossa lisää lähiviikkoina.

Miro-boardilla piirretty Versio 0.0.1 kehitettävän sovelluksen käyttöliittymästä.

Join the conversation!

This article is available in:

Want to read it in your language?

Auto-translate it into:

Related Tags