� DIGITALISERING
ARROW-CI Med store mengder data kan det være vanskelige å se sammenhenger
Helseth utdyper : – Det er derfor industrien kommer til å se en fenomenal revolusjon , fordi normalt er det automasjonssystemer som styrer en fabrikk . Disse er programmert etter regler , så har du operatører som kan påvirke og justere i henhold til reglene , basert på ting som dagsform og kvalitet – og hypoteser . – Men vi mennesker er ekstremt dårlig på data , vi har en maksimal kapasitet på syv variabler , det er teoretisk den maksimale kapasiteten . De fleste av oss ligger vel på rundt 3 , 4 , kanskje 5 . Hvis du er dyktig . Noen operatører ligger opp mot toppsjiktet , så når du sitter der og er personlig ansvarlig for 20.000 variabler som påvirker produksjonen , og du har en kapasitet på maks syv , så forstår man mulighetene i det å benytte seg av maskinlæring og AI , som kan analysere enorme mengder parametere , konstaterer Helseth .
Trenes på historiske data Han forteller videre at maskinlæring er en bit av AI , som bruker dataene til å lære seg alle kombinasjoner , hvordan prosessparametere henger sammen og påvirker hverandre . – Ved industriell produksjon handler det om temperatur , trykk , flow , posisjon og ytre påvirkninger , mange parametere og tidsforsinkelser i dataene . Ved å ta i bruk historiske data kan AI trenes til å skjønne all denne korrelasjonen . Modellene trenes til å vite hvordan dette burde fungere , gitt at trykket er som det er nå , temperaturen er slik den er nå og har vært den siste tiden , forventer vi at omdreiningene burde være på et visst nivå . Og det krever ganske mye datakraft , forsikrer Helseth . – Når modellene trenes på produksjonsdata fra siste timen , siste døgnet eller siste minuttet , så kan de for eksempel predikere hvordan kvalite-
62