Det går inte att undvika att bli påverkad. AI och ML har fått tillverkare att börja titta på sina egna produkter i ett helt nytt ljus.

Kan den få fler funktioner? Kan jag höja effektiviteten eller kvaliteten, förenkla den, bygga den billigare?

Mattias Engström

– Man börjar mer och mer reflektera över om det går att lära sig något från sin produkt, konstaterar Mattias Engström på konsulten Syncore.

Han ger exemplet preventivt underhåll. Konceptet skulle kunna användas mer. Fler produkter skulle kunna hitta korrelationer mellan data om hur produkterna används för att förutse fel eller när reservdelar behövs.

Kollegan Attentec har gjort flera implementationer av förebyggande underhåll.

Anders Weiland

– Det är nåt som verkligen lönar sig – bra pang per peng, konstaterar företagets vice vd Anders Weiland.

Många projekt är inte offentliga. Men ett namn som Attentec kan nämna är Carbax som tillverkar en central komponent i vindkraftverk – en kolborste. Nu kan den få sin livslängd predikterad baserat på bland annat temperatur, luftfuktighet, spänningsfall och motstånd. Lösning är framtagen med hjälp av Attentec. Den innebär bland annat att service av vindkraftverken kan sparas tills den verkligen behövs.

Nyckeln till den nya AI-vågens verktyg är att du har data. Du kan rentav vilja utrusta din produkt med datainsamling även innan du vet vad du ska ha den till.

– Det kan vara ett självändamål för att förbereda sig för framtida möjligheter, säger Mattias Engström.

Att få tag på träningsdata är en de stora utmaningar som bolagen i en enkät från Attentec räknade upp.

Inom IoT samlar du lyckligtvis typiskt redan in data.

– Det kan inom flera branscher snabbt handla om stora datamängder, säger Anders Weiland på Attentec.

Dessa data har du antagligen ett intresse av att sätta under AI-förstoringsglaset.

– Det följer nästan naturligt med IoT att det tjänar på att kompletteras med AI och ML.

Mattias Engström på Syncore har ett tips om dataströmmar: du kanske kan hämta dem ur andra sensorer än dem du använder idag.

– Du kan byta en dyr sensor mot en billig som mäter något helt annat, säger Mattias Engström.

Det beror på en underfundig möjlighet som AI ibland kan erbjuda: att sensorer av ett slag kan ge fram information av ett helt annat slag.

Sensorn kan mäta något som korrelerar med det du vill veta och sedan kan en AI-modell tränas att avkoda detta.

Samma tänkande kan öppna möjligheten att mäta saker som du överhuvudtaget inte kunnat mäta tidigare, exempelvis eftersom ingen rimlig sensor klarat av driftsmiljön.

Mattias Engström exemplifierar med en endimensionell radarsignal.

– Den innehåller mycket data och den är svårtolkad. Men det går att undersöka om det finns korrelationer genom att träna upp ett klassificeringssystem. Det kan lära sig dra slutsatser.

Han berättar om ett enkelt experiment Syncore gjorde med en radar monterad pekandes rakt uppåt under en stol. Radardata fick träna upp en modell.

– Den kunde se om personen satt upprätt eller framåtlutad, och kompressionen i dynorna. Korrelationer kan finnas i sensordata om man letar efter dem, säger Mattias Engström.

Det kan också vara värt att titta ett varv till på de dataströmmar du redan har. De kanske redan korrelerar med mer information om omgivningen än den de egentligen mäter, och som du också kan ha nytta av.

BILD OVAN: Syncore.
FOTO PÅ ANDERS SIVARD: Philip Nyströmer

Där finns en intern bildbehandlingsgrupp på fem personer med kompetens inom både klassisk bildbehandling och maskininlärning.

Anders Sivard

– Vi tror att det fortfarande kommer att finnas behov av både-och, säger Anders Sivard, affärsutvecklingschef.

– Vi ser det som en kraftfull metod som kompletterar. Bägge har fördelar och nackdelar.

Han berättar att Bitsim Now ser ett växande intresse för bildanalys och räknar några projekt det gjort: att identifiera nanopartiklar i prover för att exempelvis hitta virus, a förbättrad upplösningen för elektronmikroskop, och att söka defekta enheter i en tillverkningsprocess.

– I det sistnämnda ersatte vi traditionell bildbehandling med machine learning. Det gav väldigt gott resultat, säger Anders Sivard.

Den allra första tillämpningen 2018 blev dock ett misslyckande. Det var ett system för automatisk igenkänning av fotgängare och cyklister. Det som skulle utvärderas var skillnaden mellan att exekvera systemet på server mot att göra det lokalt på en ARM-processor eller FPGA.

– Vi var kanske för tidigt ute. Utvecklingsverktygen var omogna, och svåra att använda och få bra resultat ifrån.

– Det skedde dessutom snabba förändringar där helt nya utvecklingsverktyg och miljöer ersatte ganska plötsligt de gamla som vi använde.

Anders Sivard tror att ett stort steg i utvecklingen kommer att tas när det går att göra AI-bildanalysen lokalt i ändnoderna. Det är ett spår som Bitsim Now jobbar på. Företaget är starkt inom FPGA-plattformar.

Konsulten Syncore säger detsamma, och pekar på att allt större modeller för djup maskinlärning håller på att bli möjliga att köra i mindre inbyggda system.

– Den utvecklingen syns. Mobilerna har redan AI-acceleratorer. Inbyggnadsprocessorer för industriella tillämpningar kommer att följa efter, säger Mattias Engström.

BILD OVAN: Objektigenkänning signerad Bitsim Now med indata från en vanlig kamera förstärkt med en ir-sensor för bättre resultat över olika ljusförhållanden. Datasetet är från FLIR.

Syncore har gjort flera implementeringar inom kritiska system, bland annat en funktionssäker kontrollenhet för en industrimaskin och ett flygsäkerhetskritiskt system.

Här är det på plats med en varning.

– Det är viktigt att förstå gränserna för systemen, säger Mattias Engström.

Artificiella neuronnät är svarta lådor. Du vet hur ett tränat nät klassar dina träningsdata, men det är viktigt att de är representativa för dina skarpa data.

– Så länge du stannar inom rätt område kan det vara ok. Men så fort du får en störning får du en felbedömning av läget.

Fel måste kunna hanteras på ett förutsägbart sätt. Här kan neuronnät bara användas med skyddsnät.

– Det är uppenbart när det handlar om en självkörande bil, säger Mattias Engström.

Björn Folkstedt på enmanskonsulten Contechity vill slå ett slag för klassisk dataanalys. Den kan underskattas.

Björn Folkstedt

– AI har definitivt en plats och jag är övertygad om att vi bara sett början. Men generellt kan många företag komma väldigt långt genom att bara samla data lite mer systematiskt än vad man gör idag och analysera datat med betydligt enklare metoder än AI.

– I den meningen har många företag en lång väg att gå innan AI är det som gör den stora skillnaden.

Bildanalys är ett flaggskepp inom den nya vågen av AI och för Bitsim Now är det fortfarande det område där det är tydligt moget.

– Att applicera AI inom andra applikationer tycker vi fortfarande är i en tidig fas. Inom andra applikationsområden verkar det ofta finnas problem med att få tillgång till tillräckligt bra data att träna nätverken med, säger Anders Sivard.

Konsulterna berättar att de håller sig uppdaterade i utvecklingen med interna projekt, webinarier, kontakter med forskningsvärlden.

Och rekrytering? Nja, där finns en utmaning, enligt Attentec. Efterfrågan på AI-lösningar är visserligen god, men tillgången på personal erfaren i IoT och AI kan vara en hämmande faktor.

– Det tycker jag man hör från flera aktörer i branschen, säger Anders Weiland.

BILD OVAN: Attentecs marknadsundersökning

Artificiell intelligens är datorprogram som beter sig smart. Det brukade gälla schackdatorer. Men en dator blev världsmästare i schack långt innan den kunde känna igen en katt på bild, och det är det – vad vi snarare skulle kalla perception än intelligens – som är det nya smarta. Det kallas mönsterigenkänning.

Algoritmer som gör mönsterigenkänning skapas automatiskt genom att önskade in- och utdata presenteras för en algoritm som steg för steg konstruerar en funktion som försöker generalisera från exemplen. Denna process kallas maskininlärning, eller träning.

Det som tränas är artificiella neuronnät (ANN). De är strukturellt inspirerade av biologiska hjärnor. Matematiskt är ett ANN en viktad riktad graf där den grundläggande operationen är att beräkna skalärprodukten av indata och vikter till varje nod. Den produkten är maximal när mönstret av vikter matchar indata. Nätet tränas genom att dessa vikter gradvis justeras för att minimera det totala antalet felklassificeringar av träningsdata.

Neuronnätet är skiktat. Det sker en sorts hierarkisk mönstermatchning där utdata från ett skikt bildar ett nytt mönster för nästa skikt att matcha.

Utdata från varje skikt bottnas till min- och maxvärden. Om inte annat för att nätet annars bara skulle beräkna en tråkig linjär matrismultiplikation. Tänk på maxvärdet som en indikation på att nodens vikter matchade indatavärdet.

Att träna ett ANN är att trimma vikterna att minimera summan av felen på träningsdata med en metod som heter backpropagation.

En modell är ett tränat ANN.

Artificiella neuronnät fick en nytändning på 10-talet när gigantiska neuronnät började ge mycket goda resultat, mycket på grund av kraftfullare hårdvara.

Det finns mycket trial-and-error i den beräkningstunga träningen. Även nätets topologi avgörs experimentellt, liksom parametrar för backpropagationalgoritmen och vilken övergångsfunktion som ska användas för avrundningen.

Klassisk maskininlärning syftar på statistiska och numeriska metoder. De är fortfaranda aktuella bland annat för att de är mer transparenta och kräver mycket mindre datorresurser att utveckla och använda.

BILDERNA OVAN: Grapcore plottar neuronnät som de faktiskt ser ut