Umělá inteligence je v průmyslu nasazována stále častěji, například v oblastech kontroly kvality, analýze dat nebo robotizaci. V bezpečnosti práce na své větší uplatnění zatím čeká. Tento článek přináší tři příklady jejího využití pro předcházení úrazům na pracovišti, ověřené na prototypech.
Myšlenka chytrého řešení, které lze uplatnit kdekoliv v průmyslu, vznikla při pozorování primárního drtiče v kamenolomu. Jedná se o velmi nebezpečné zařízení. Do jeho ústí podavač sype balvany různých velikostí, tudíž není možné skrz takto vstupující materiál tuto oblast zabezpečit mechanicky, optickými závorami apod.
Zejména tam, kde se pohybují lidé v blízkosti nebezpečných zařízení, stačí totiž daný prostor sledovat kamerou, obraz analyzovat za pomoci umělé inteligence a stroj zastavit v případě přítomnosti člověka v nebezpečné zóně např. našeho zmíněného podavače nebo drtiče samotného. Tímto náš příběh prakticky začíná.
Ještě donedávna byly vývoj a využití umělé inteligence, včetně strojového učení z důvodů vysoké finanční náročnosti omezeny na největší IT giganty, silové složky velkých zemích a podobně. S rozvojem open source (volně dostupných) platforem v posledních dvou letech se náklady a doba nutná k vývoji a implementaci řešení rapidně snížily. Příprava řešení, která mohou být upravená na míru konkrétním průmyslovým podnikům, se tak zkrátila na několik měsíců nebo dokonce týdny a nemusí převyšovat statisíce korun.
Než si popíšeme několik praktických scénářů využití umělé inteligence pro zvýšení bezpečnosti, pojďme si nejdříve objasnit základní pojmy
Dále jsou uvedeny některé příklady existujících uplatnění AI. Byly ověřeny na prototypech a teď probíhají jejich pilotní implementace ve firmách.
Vraťme se k našemu drtiči kamene. Pokud by byl napojen na systém umělé inteligence a sledován kamerou, bylo by možné předejít úrazu. Konkrétní model AI je možné „vycvičit“ tak, aby dokázal rozpoznat, že do drtiče směřuje ruka (jiná část lidského těla nebo jiný nechtěný předmět) a v řádu milisekund stroj zastavit. Takto připravený bezpečnostní prvek je se strojem snadno propojitelný přes bezpečnostní STOP/START tlačítko. A není tak nutný zásah do zařízení samotného nebo dokonce jeho náhrada novějším typem.
AI může sledovat celou výrobní halu nebo zadané místo, které je z hlediska bezpečnosti klíčové a to například i za pomoci stávajícího kamerového systému. Dokáže pak rozpoznat, jestli je každý zaměstnanec vybaven předepsanými bezpečnostními prvky – reflexní vestou, helmou, rukavicemi, atd. V případě propojení se strojem pak dokáže zajistit, že obsluha stroj nedokáže spustit, pokud není správně vybavena. Nebo umí informovat (e-mailem, SMS) vedení a bezpečnostní pracovníky o porušení bezpečnostních pravidel.
AI dokáže rozpoznávat i konkrétní osoby. Díky tomu je možné zajistit, že nebezpečné stroje spustí pouze proškolení pracovníci. Nebo dokonce „odemykat“ jednotlivé funkce stroje pouze konkrétní osobě. Pro tento účel je třeba získat fotografie zaměstnanců a udržovat je v databázi včetně jejich oprávnění k jednotlivým úkonům na každém zařízení. To znamená, že dochází ke sběru osobních dat a proto je třeba technicky i procesně zajistit, aby byla bezpečně sbírána a uchovávána pouze data, která firma potřebuje k ochraně životů a zdraví svých zaměstnanců. V případě ovládání jednotlivých funkcí stroje a jejich spouštění pouze autorizovanou osobou je také třeba integrovat AI s řídícím systémem stroje.
Prvním krokem při implementaci řešení uvedených výše je vytvoření modelu umělé inteligence a jeho „trénink“ pro konkrétní scénář. V dnešní době je k dispozici množství volně dostupných (open source) platforem pro sestrojení a využití umělé inteligence (např. TensorFlow). Technologie Deep Learning zároveň umožňuje rychlé učení novým scénářům. Není třeba AI vysvětlovat (definovat na modelech, složitě popisovat), jak vypadá lidská ruka, ochranná vesta, atd. Stačí jí dodat dostatečné množství vstupů, v našem případě fotografií, na kterých je zachycen objekt nebo objekty, které má rozpoznávat (ruka, helma, atd.). A zároveň fotografie, na kterých tyto objekty nejsou. AI pak už jen řekneme, které fotografie objekty obsahují a které ne. Neuronová síť sama za několik vteřin celou fotogalerii několikrát projede a naučí se, čím se třeba helma vyznačuje a bezpečně ji pozná. Pro nejvyšší možnou přesnost je pak nejlepší přidat fotografie z prostředí, kde bude systém nasazen. Díky rychlosti, s jakou se AI dokáže pomocí Deep Learning učit novým scénářům, je její příprava a učení pro konkrétní úkol otázkou několika týdnů nebo dokonce dnů. Zároveň dnes pro většinu úkolů dostačuje výpočetní výkon běžných počítačů.
Druhým krokem je implementace řešení ve firmě. Je třeba nainstalovat několik kamer, tak aby zabíraly určenou oblast z různých úhlů. A ty propojit s počítačem nebo serverem, na kterém naše AI poběží. Pokud AI ovládá průmyslové zařízení, připojíme ji na START/STOP tlačítko. Důležitou součástí instalace je pak několikanásobné jištění pro případ výpadku některého prvku (kamery, sítě, počítače) tak, aby byla zajištěna nepřetržitá funkčnost systému.
Třetím krokem je bezpečné připojení systému do sítě, protože je nezbytné nepřetržitě dohlížet na správný chod celého systému a okamžitě reagovat na každý jeho případný výpadek.
Na přiloženém videu je v chodu zachycen prototyp, na kterém se úspěšně testoval první z popsaných scénářů.
 |
 |
