Från moln till maskin – här är nästa steg för industriell AI

I gruvor, fartyg, fordonsflottor och annan rörlig industriell drift är nätverket sällan helt pålitligt. Bandbredden kan vara begränsad och svarstiden blir ett problem om systemet ska reagera snabbt på data från maskinen.

– Har du en modell som kräver mycket data hela tiden, då funkar inte det. Det tar tid att skicka upp data och sedan få ett svar, säger Erik Zeitler från Stream Analyze till Techtidningen.

Han beskriver det som två olika begränsningar. Den ena handlar om hur mycket data som kan skickas per tidsenhet. Den andra om hur lång tid det tar från fråga till svar.

– Kan du flytta hjärnan närmare där det faktiskt händer, då har du vunnit någonting.

”Vi tog modellerna till datan”

Ett konkret exempel på när det har provats är forsknings och utvecklingsprojektet Freeport, där Stream Analyze arbetade tillsammans med bland andra Volvo Group, Boliden och Högskolan i Halmstad, RISE och AI Sweden.

I projektet användes elektriska fordon i Bolidens gruvmiljö. Där fanns uppkoppling, men den var inte tillräckligt stabil för de modeller och datamängder som skulle användas.

– Boliden är tekniskt avancerade och har ett rätt fint wifi i gruvan. Men det finns inget wifi som är perfekt när du kör omkring med fordon inuti en sten, säger Erik Zeitler.

När fordonen kördes i gruvan kunde uppkopplingen variera. När de rörde sig ovan jord kunde det också bli överlämning till mobilnät, med risk för störningar. Samtidigt genererade fordonen data med hög frekvens.

– Modellerna ville ha en konstant dataström för att kunna göra sin statistik. Det hade inte funkat lika bra om vi hade dragit isär modell och data över ett opålitligt nätverk. Vi tog modellerna till data i stället för att ta data till modellerna.

Batteriet blev en säkerhetsfråga

En av modellerna i projektet användes för att förutsäga batteriets laddningsnivå i ett elektriskt fordon. Det är inte bara en driftfråga, utan också en säkerhetsfråga.

När ett elfordon kör ned i en gruva återvinns energi i nedförsbackarna. Det ger bromsverkan och laddar samtidigt batteriet. Men om batteriet redan är fullt när fordonet kör in i gruvan kan fordonet inte använda regenerativ bromsning på samma sätt.

– Du kan inte använda friktionsbroms 740 höjdmeter. Friktionsvärmen hade lett till brandrisk. Därför behöver föraren veta hur djupt fordonet kan köra givet batteriets aktuella laddningsnivå. Den typen av analys behöver ske nära fordonet och i nära realtid.

– Det vill man gärna ha direkt hos föraren också, för det är en säkerhetsfråga. Föraren har ansvar för fordonet.

En databas på hjul

Stream Analyze beskriver tekniken som att fordon och maskiner kan fungera som en distribuerad databas. Poängen är att maskinerna inte bara samlar in data, utan också kan analyseras och frågas mot där datan uppstår.

För it-chefer och systemägare handlar det enligt Erik Zeitler om att kunna använda betydligt mer data än vad dagens centrala övervakningssystem ofta är byggda för.

– Skillnaden vi erbjuder är skillnaden mellan stora mängder data och enorma mängder data. Vad kan du göra för nya saker om du har hundra gånger mer data än vad du redan har i dag, eller tusen gånger mer?

Han pekar också på att många användningsfall stoppas redan i kalkylfasen när företag räknar på datakommunikation och molninfrastruktur.

– Vi har hört exempel där användningsfall effektivt har blivit dödade när man börjat räkna på vad datakommunikationen kostar.

Det gäller bland annat serviceorganisationer som skickar tekniker till fordon eller maskiner ute i fält. Om organisationen inte vet hur utrustningen mår i förväg ökar risken för bomkörningar, fel verktyg eller behov av ytterligare specialister.

– Kan man på förhand ta reda på hur fordonet mår och samla på sig så mycket information som möjligt innan man sätter sig i bilen och åker, då finns det vinster att göra.

Från månader till minuter

Enligt det tidigare materialet kan modellbyten som normalt kräver firmwareuppdateringar och tar månader i vissa fall göras på minuter. Erik Zeitler kopplar det till hur Stream Analyze arbetar med frågor snarare än traditionell programkod.

Han jämför med databaser. I en databas skriver användaren normalt inte ett helt program, utan ställer frågor mot datan.

– Det går snabbare att bli smartare med ditt data om du har något sätt att fråga data på. Om du i stället behöver skriva ett program för att leverera svar på frågorna, då kommer det ta längre tid.

Skillnaden kan enligt honom handla om arbetsminuter jämfört med arbetsdagar. Om en modell består av ett antal frågor kan en ändring innebära att frågan skrivs om, snarare än att ny programvara utvecklas från grunden.

Men han betonar också att modellerna fortfarande måste testas.

– Innan en modell når ett kundsystem måste den förstås genomgå testning. Vi argumenterar för att det med vår plattform blir automatiserat och lättviktigare.

Testningen handlar bland annat om att kontrollera att modellen håller sig inom ramar för processor, minne, svarstid och annan belastning på fordonets dator.

Ansvar och säkerhet flyttar med

När AI flyttar in i maskinen försvinner inte ansvarsfrågan, den blir snarare mer konkret. Skillnaden är att företag som vill arbeta snabbare med modeller också måste kunna visa att de har kontroll över testning, validering och versionshantering.

– Du kommer att omfattas av samma ansvar också för de nya modellerna. Men på samma sätt som vi pratade om testning och validering kan du också testa och validera mot frågor som cybersäkerhet eller privacy.

Versionshantering behöver enligt honom kopplas till de verktyg som företag redan använder för mjukvara. Det ska gå att spåra vilken version av en modell som körs i vilken miljö och vilken release den hör till.

Integritet är en annan aspekt. I stället för att skicka detaljerad positionsdata eller rörelsedata till molnet kan vissa uppgifter aggregeras direkt i fordonet.

– Är du säker på att du vill dela med dig av person och positionsdata hela vägen till molnet? Eller är det någonting du kan aggregera i själva fordonet så att detaljerade rörelsedata inte lämnar fordonet?

AI agenter tar nästa steg

Nästa steg är att använda AI agenter för att hjälpa till att ta fram modeller och analysfrågor. Erik Zeitler säger att förändringen har gått snabbt det senaste året.

– Det är först det senaste halvåret som jag tycker att det verkligen har blivit meningsfullt att arbeta med agenter.

Men han ser också tydliga risker med att låta AI skriva kod som direkt påverkar fordon eller industrimaskiner.

– Du vill inte släppa lös en AI att skriva vilken kod som helst och släppa ut det på dina fordon. AI kommer rent statistiskt sett göra misstag när den skriver kod.

Stream Analyzes svar är att begränsa vad agenten får göra. I stället för att skriva ett helt program från grunden ska agenten arbeta med frågor eller grafbaserade modeller inom en kontrollerad ram.

– Eftersom det är mer begränsat så minskar risken att du gör fel. En fråga är kortare än ett program.

Modellen ska sedan testas och valideras innan den får köras ute i fordonen. Mer data kan enligt Erik Zeitler dessutom minska risken för felaktiga slutsatser, eftersom modellerna kan byggas med bättre statistisk säkerhet.

– I regel är det inte agenterna du vill ha ute i kundfordonet. Agenterna tar fram en liten och specialiserad modell. Det är den modellen som du vill få ut i kundfordonen.