Již samotné názvy Industry 4.0 a průmyslový internet věcí (IIoT) jsou spíše hesly, než reálnými pojmy. Zatímco Industry 4.0 existuje jen v Evropě a zbytku světa je naše 4. průmyslový revoluce poněkud vzdálená, průmyslový internet věcí je známý po celém světě. V Evropě se bohužel proslavil zejména tím, že přednastavil obraz automatických továren, kde se stroje učí samy.

Machine learning a deep learning

I když mám osobně deep learning raději, i machine learning ponechává dost prostoru pro řadu výkladů. Podívejme se, jak to bude vypadat, když se stroj bude učit sám. Nejprve je potřeba určit limity. Ve zcela volném výkladu badatelů v oblasti umělé inteligence se robot na broušení optických čoček může začít učit třeba hrát na housle pod záminkou zvyšování své inteligence. Omyl. Stroj se může učit pouze to, co mu umožní prostředí, tedy vybavení senzory, možnosti analýzy dat a úpravy vlastních procesů. Budeme se tedy muset obejít bez houslí.

Pokud definici zúžíme blíže deep learningu a připustíme, že se stroj může učit sám a zlepšovat svůj chod a proces, pro který byl zhotoven, použijeme trochu technického myšlení pro nastínění hranic.

Představme si robota, který je určen pro montáž dveří na auto. Vezme díl, slícuje je s karoserií, utáhne šrouby (kdo to někdy zkoušel, robota by jistě uvítal). Co se takový robot může naučit? Optimalizovat svůj chod, snížit spotřebu energie možná, dělat práci lépe ne. Rozměr dílů je dán, tolerance usazení a rychlost také. Zde žádný prostor pro kreativitu není. Může robot svoji práci pochopit, aby ji dělal lépe? Také ne a není pro to důvod.
Druhý robot plní celý den jogurty do kelímků, podle zadání přidává ovocné náplně, kakao nebo příchutě na ozdobu. Rychleji to nepoteče, více kelímků než podá linka nenaplní, pochopení poměru ovocné složky a jogurtu také nehrozí. U jogurtů pro děti s proužky a zobáním navrch je i unifikace nežádoucí - homogenní bláto all-in-one by nikdo nekoupil.
Ještě tragičtější představu nabídne biomedicínský robot, který pěstuje umělou jůži a zároveň přemýšlí nad tím, jak svoji práci urychlit a zjednodušit.
Na příkladech je vidět, kde jsou limity. Stroj nedokáže vnímat celý komplex svých vlastností a souvislostí a nemůže své chování ovlivnit nad rámec hranic svého software a hardware. Vybavení všemi senzory, smysly a umělou inteligencí by z každého robota sice udělalo vědeckou senzaci, ale zároveň neprodejný kus železa – tak složitou a drahou věc by v reálném průmyslu nikdo nekoupil. Potřebný stupeň univerzálnosti takového stroje je naprosto nepředstavitelná.

Jak je to s tím učením

Řada lidí dnes již ví, že stroje se nebudou učit samy. Lidé se budou učit chápat stroje, které vytvořili. Až doposud jim k tomu chyběla řada informací. O každém stroji bylo možné zjistit řadu věcí, zaznamenat je a hledat jejich změny. Hůře se hledaly souvislosti a závislosti. Průmyslový internet věcí, big data a cloudové služby nabízejí možnost toto výrazně změnit. Dokážeme se totiž podívat z mnoha různých pohledů na více dějů současně na stejné časové ose, případně v reálném čase. To dosud možné nebylo. Tak bude možné optimalizovat procesy, rychlosti výroby, spotřebu energie, ale vždy pouze s aktivním přispěním konstruktérů, kteří na základě pochopení souvislostí změní hranice svým strojů.

Hodně tomu pomůže i virtualizace. Ve chvíli, kdy stroj a jeho prostředí přeneseme do datového modelu, můžeme se teoreticky podívat na jakékoli souvislosti a nebýt přitom omezeni jakýmkoli chybějícím smyslem, ovladačem nebo nastavenou hranicí. Tento postup se již úspěšně využívá například při vývoji systémů pro autonomní auta.Svoji roli v procesu hraje také faktor reálného času. Jak rychle lze provést akvizici dat, jejich zpracování a zpětné ovlivnění procesu?

Kam oko mé dohlédne

Pro strojové učení je důležité si uvědomit také limity senzorů. Nejen, že každý stroj není vybaven všemi známými senzory, protože by to bylo drahé a zbytečné. Senzory bohužel obraz světa silně zkreslují.
Dr. James Trutchard, zakladatel firmy National Instruments, odpověděl v panelové diskuzi konference NIWeek na otázku co bude dalším velkým krokem v technologiích stručně: Senzory.
Ať si to přiznáme nebo ne, senzory z našeho mnohorozměrného světa dělají zjednodušený 2D model. Je to jako když se tropický prales ocitne na černobílé televizi s třinácticentimetrovou obrazovkou. Máme senzory, které řadu fyzikálních nebo chemických veličin jednotlivě převedou do technicky pohodlně zpracovatelného rozsahu 0-255 mA. Pokročilejší systémy optického rozpoznávání dokáží rozeznat obličej, kočku a nákladní auto, ale jinak se senzory za posledních 50 let moc nezměnily.
Analýzy a zpracování velkých dat sice poskytnou širší pohled na to, co se se stroj děje, ale vždy s omezením typu informací, které máme a jejich zkresleným zastaralým převodem čehokoli do elektrické či optické formy, kterou dokážeme zpracovat. Svět techniky tak nepochybně změní senzory.