Många talar om vad man kommer att kunna göra med AI, artificiell intelligens, i framtiden men hur funkar det i praktiken idag? Någon som vet är Olle Steffner, Director IP management, vid BillerudKorsnäs. De startade en grupp som skulle titta på detta 2016.
— Vi började utan särskilt mycket kunskap och har fått många erfarenheter under resans gång, säger Olle Steffner.
Sedan starten har de testat AI i form av maskininlärning, där mängder av data samlas in och analyseras för att se samband och göra förutsägelser. Det har blivit ett antal olika case som de har hunnit med.
— Vi har fokuserat på automation av våra egna processer där vi hade data och idéer om var vi skulle kunna applicera AI.
Först tänkte de att AI var ett ämne för sig men insåg snart att det snarare är ett verktyg i automation och processövervakning precis som andra verktyg, till exempel metodiken för förbättringsarbete Sex Sigma. De insåg också att det inte alltid är lika lätt som reklamen säger.
Första försöket var att titta på ett kokeri där de kokar flis. Beroende på vilka egenskaper flisen har, till exempel storlek eller fukthalt, måste kokningen anpassas av operatören.
— I vårt första case tänkte vi att det här passar perfekt för att sätta in och träna en maskininlärningsalgoritm. Vi plockade in ca 300 signaler, fem års data och ville få en förutsägelse hur koket skulle styras, berättar Olle.
Svårigheten är att den flis som kommer in på morgonen inte kommer ut som produkt förrän flera timmar senare. Det betyder att det kan vara skiftbyte innan resultaten av en processändring visar sig. Dessutom är det inte ett perfekt pluggflöde i en process som denna. Det är något som Olle tror skiljer processindustrin från tillverkningsindustrierna.
—I diskret tillverkning kan man tydligare knyta data till en artikel. I processindustrin så är tidsförskjutningarna en utmaning som vi måste lära oss bättre om hur det funkar.
En viktig erfarenhet de kunde dra från detta försök är att operatörerna måste kunna lita fullständigt på de signaler de använder för styrning och om en modell inte är färdigutvecklad blir den svår för operatörerna att dra nytta av. Bolaget gjorde flera tester, både i Gävle och i Karlsborg, och på en av anläggningarna såg de att det skulle fungera rent tekniskt men att det samtidigt gav för lite värde tillbaka i förhållande till insatsen och valde därför att inte gå vidare till implementering.
Ett annat exempel de testade var vid anläggningen i Skärblacka där de utökade produktionen vilket innebar att utlastningen blev en flaskhals. För att lösa detta lät de ta fram en algoritm som hjälpte truckförarna att placera rullarna så att logistiken optimerades. Det innebar även att flytta rullarna till rätt plats vid rätt tillfälle. Det är ett system som fungerar och används men även här finns lärdomar att dra för framtiden förklarar Olle.
— En sak som är viktig att tänka på är att skapa förståelse för en algoritm som ibland kan upplevas som icke-intuitiv. Här kunde det handla om flytt av rullar som behövdes för kapaciteten, men som kanske inte uppfattades som nödvändig där och då, säger han.
Olle betonar dock att operatörer genomgående är mycket positiva till att ta till sig ny teknik och nya arbetssätt.
Ett tredje case var en studie som fokuserade på att förutse så kallade smältarusningar i sodapannan, något som kan orsaka kostsamma stopp. Försöken genomfördes vid bolagets anläggning i Gävle. Här valde BillerudKorsnäs att arbeta tillsammans med ett större externt företag. BillerudKorsnäs lärde sig mycket under detta försök och analysen gav viktiga insikter. Det skulle dock ha blivit dyrt att implementera en specialanpassad algoritm i förhållande till vad den skulle bidra med så de har inte gått vidare med det.
Ytterligare ett exempel där bolaget använt AI var kopplat till en hel pappersmaskin. Mikroskopbilder av fibrer, bilder från avvattningen av mälden och en rad andra signaler togs in och bearbetades. De lyckades hitta korrelationer mellan olika parametrar men inte alls lika tydligt som de hoppats.
—Det var självklart en besvikelse, jag hade verkligen trott att det skulle bita bättre. Men vi kommer ge oss på denna möjlighet igen, för det finns mycket att vinna på att kunna förutsäga kvalitetsegenskaper på en kartongmaskin.
Vid BillerudKorsnäs anläggning i Skärblacka har de testat AI vid utlastningen. Foto: BillerudKorsnäs.
Det finns flera slutsatser som BillerudKorsnäs dragit efter att de testat AI i några år. En viktig del enligt Olle är att ha med flera olika kompetenser med kunskap både om data och om processerna. En annan lärdom handlar om vikten av att tänka ekonomi från start.
—Man hittar många spännande problem som är intressanta att jobba med men förr eller senare kommer frågan om det ekonomiska värdet av att lösa problemet. Då är det skönt att redan från början ha ställt den frågan till sig själv. Vad är värdet i det vi försöker ta fram?
Han menar också att det är lätt att tänka att det är AI som är det svåra. Men det är fortfarande kunskapen om den egna processen som är det mest komplexa, medan kunskap om hur man tränar modeller enligt honom blir förhållandevis mer och mer lättillgängligt i en jämförelse.
En annan erfarenhet är svårigheterna att skala upp från pilotförsök till implementation i en befintlig anläggning.
Betyder de här erfarenheterna att de kommer ge upp AI? Olle medger att han hade hoppats på bättre resultat.
— Men sen är det ny rond och då börjar vi om. Vi kommer att fortsätta och allt eftersom vi lär oss tar det sig nya uttryck.
Näst på tur står ett test där interna data och externa data kombineras. Det handlar om att hitta optimala körsätt genom att kombinera egna och andras data, berättar Olle.
— Sådant som är styrt av regler går att automatisera, och det kommer också förr eller senare att automatiseras, säger Olle.
BREAKING