Avainsana: Digi-salama
MiR100 rullaa Digi-Salamassa
Tämä kirjoitus on jatkoa Mobiilirobotiikka liitää ja rullaa Digi-Salamassa blogille ja tässä käydään tarkemmin läpi Digi-Salama-hankkeessa toteutetut UGV-projektit (Unmanaged Ground Vehicle, ohjaamaton maa-ajoneuvo). UGV-tekniikalla tarkoitetaan maan päällä kulkevia laitteita, jotka kykenevät ohjausjärjestelmään liitetyillä sensoreilla tuottamaan tarpeeksi dataa autonomiseen päätöksen tekoon. Ensimmäisenä varsinaisena UGV-asiakasprojektina lähdettiin kehittämään miehittämättömän noutovaraston konseptia Refair Oy:lle. Yritys on kylmä-, ilmastointi- ja lämpöpumpputekniikan maahantuonti- ja tukkuliike. Sillä on monia asiakkaita, joilla saattaa olla tarve saada huoltokeikalle komponentti keskellä yötä. Automaattisella noutovarastolla pyrittiin vastaamaan tähän tarpeeseen. Tavoitteeksi muodostui kehittää miehittämätön noutovarasto, joka on turvallinen , asiakkaille helppokäyttöinen ja toteutettavissa. Tavoitteena oli myös skaalata ratkaisu yrityksen suurempiin varastoihin ja mahdollisesti kehittää konseptista tuote. Aluksi konetekniikan opiskelijaryhmän kanssa ideoimme neljä erilaista konseptia varaston toteuttamiseksi. Näistä yhtä lähdettiin jatkokehittämään; ajatuksena on, että mobiilirobotti MiR100 hakee varsinaisen varaston puolelta kokonaisen varastohyllyn, ajaa RFID-porteista läpi noutotilaan, asiakas kerää hyllystä tarvitsemansa tuotteet, robotti ajaa uudestaan porteista läpi ja RFDI-tunnisteella merkityt tuotteet on luettu molemmilla läpimenokerroilla. Erotuksesta järjestelmä päättelee, mitkä tuotteet asiakas on poiminut ja lähettää laskun. Projektiassistentilla lisää potkua tekemiseen Vuoden 2020 kevään ja kesän aikana palkattu projektiassistentti jatkoi työtä vielä pidemmälle ja rakensi asiakkaan tiloihin fyysisen demon koko kyberfyysisestä järjestelmästä. Lopputulemana voidaan todeta, että tavoitteisiin päästiin erinomaisesti ja demon pohjalta yritys pystyikin tekemään investointipäätöksen. Konseptin mukainen noutovarasto nousee yrityksen Pitäjänmäen toimipisteeseen toivottavasti vuoden 2022 aikana, kunhan järjestelmälle on löydetty luotettava toimittaja. Konseptin todettiin myös olevan siinä määrin toimiva, että siinä on potentiaali kehittyä aivan tuotteeksi asti sekä skaalata se Refairin muihin toimipisteisiin. Tässä projektissa oli todella hienoa nähdä iteratiivisen kehittämisen kulkevan kohti toteutettavissa olevaa ratkaisua ja saada lopulta nähdä yrityksen tekevän investointipäätöksen sen perusteella. Oli myös siinä mielessä hyvä, että heti ensimmäinen UGV-projekti hankkeessa oli näin onnistunut, sillä luohan se uskoa ja hyvää fiilistä myös jatkossa tekemiseen! Lisälaitteista lisäarvoa UGV-tekniikkaa käytettiin myös Loval Oyn tarpeista lähteneessä projektissa, jossa MiR100 näytteli jälleen pääosaa kuten Refairillakin. Loval Oy on lämmityskomponenttien valmistaja Loviisasta. Yritys on yksi Euroopan johtavista putkivastusten, lämmityselementtien ja -ratkaisujen valmistajista. Yrityksen tuotanto-varastotiloissa etäisyydet saattavat olla välillä hyvinkin suuria ja tuotantoliikenne massiivista. Tästä johtuen tuotannon yleisenä haasteena on työntekijöiden kulkemat pitkät matkat tuotantotiloissa. Mobiilirobotiikalla pyrittiin vapauttamaan ihmisiä mielekkäämpiin töihin. Projekti käynnistettiin keväällä 2020 konetekniikan projektiryhmän johdosta, ja yritys antoi opiskelijoiden vapaasti ideoida ratkaisuja, mutta antoi kuitenkin selviä reunaehtoja toteutukselle. Tavoitteeksi muodostui kehittää MiRHook-järjestelmää vastaava ratkaisu, jolla Loval pystyisi helposti ja edullisesti testaamaan järjestelmän soveltuvuutta tuotantoympäristöönsä. MiRHook on MiR-yrityksen tarjoama valmis lisälaiteratkaisu, jolla MiR100-robotti pystyy automaattisesti kiinnittymään rullakoihin tai muihin pyörillä kulkeviin alustoihin ja vetää niitä perässään. Projektiryhmä lähti aluksi itse suunnittelemaan myös automaattista kiinnittymistä rullakkoon, mutta toteutuksen haastavuudesta johtuen päädyttiin manuaaliseen ratkaisuun, jolla kuitenkin pystyttiin osoittamaan vetokoukkujärjestelmän käytön olevan mahdollista Lovalin tiloissa. Laajojen tuotantotilojen kesyttäminen Projektiryhmästä palkattiin kaksi opiskelijaa projektiassistenteiksi jatkamaan aloitettua työtä vielä pidemmälle. Kaksikolle muodostui omat tavoitteensa yhteisen projektiaiheen sisältä. Toinen jatkoi vetokoukkudemon rakentamista pidemmälle ja toinen suunnitteli kokonaan uuden ratkaisun tavaran liikuttamiseen autonomisesti MiR100-robotilla. Tässä ratkaisussa robotin päälle kiinnitettiin rullarata, jonka kallistuskulmaa robotti itse säätää karamoottorilla. Idea perustui painovoimaan siten, että robotin kuljettama paketti liukuu rullaradalta pöydälle, kun lineaarisen liikkeen tuottava karamoottori nostaa radan takareunan etureunaa ylemmäksi ja näin voidaan paketti jättää robotilla tuotantosolulle. Myös vetokoukun automaattinen kiinnittyminen saatiin jatkoprojektin aikana toteutettua samaisella karamoottorilla. Molempia ratkaisuja testattiin kahdella viikon mittaisella testijaksolla Lovalin tuotantotiloissa. Lopputuloksena asetettuihin tavoitteisiin päästiin oikein hyvin. Yritys sai arvokasta testidataa laitteen käytöstä oikeassa tuotantoympäristössä ja näki laitteen toiminnassa ilman myyntimiesten päätä pyörälle laittavia myyntipuheita. Oli hyvä nähdä MiR100:n toimivan erinomaisesti myös näin laajoissa, mutta kuitenkin ahtaissa tuotantotiloissa. Onnistuneesta demosta huolimatta asiakkaan kanssa jouduttiin yhteisesti toteamaan, että yksi robotti ei vielä riitä hanskaamaan näitä tiloja, vaan tarvitaan useamman robotin laivue. Jatkoprojektin aiheeksi muodostuikin vielä selvittää, kuinka monta robottia tarvitaan ottamaan Lovalin koko sisälogistiikka haltuun. Jatkoprojektia ei ole vielä tämän tekstin kirjoitushetkellä päästy aloittamaan. Virtuaalinen UGV Viimeisenä autonomisen robotiikan projektina esittelyssä on Mevealle toteutettu projekti. Mevea on simulaatioihin ja simulaattoreihin keskittyvä yritys ja he ovat kehittäneet ohjelmiston, jolla voidaan simuloida muun muassa ajoneuvojen käyttäytymistä eri tilanteissa ja saada hyvin tarkkaa dataa aivan komponenttitasolta asti. Tämän tyyppinen testaus on isona osana mahdollistanut autonomisten robottien kehityksen, sillä tällä tavoin saadaan dataa esimerkiksi pyörien luistamisesta eri alustoilla ja eri nopeuksilla, ennen kuin varsinaista robottia on edes rakennettu. Projektiin valikoitui ryhmä peliteknologian opiskelijoita ja projektin tavoitteeksi muodostui kehittää Unity-pelimoottoriin törmäyssimulaattori ajoneuvoille sekä työkalu komponenttien hallitsemiseen ja tarkasteluun. Projektin aihe osoittautui ennakoitua haastavammaksi eikä tätä myöten tavoitteisiin aivan päästy. Lopputuloksena syntyi kuitenkin työkalu, jossa on haluttuja ominaisuuksia, mutta ei tarpeeksi pitkälle kehitettynä. Jäi lopulta yrityksen itse päätettäväksi, kannattaako simulaattoria ja työkalua kehittää eteenpäin. Kohti plug & play -tasoa Edellä esitettyjen projektien tuloksista voidaan nähdä, että UGV-teknologia on käyttökelpoista ja tuo selvää lisäarvoa muun muassa sisälogistiikan automaattisiin ratkaisuihin. UGV-laitteiden käyttöönotto ja ohjelmointi vaikuttaa näiden projektien perusteella kohtuullisen yksinkertaiselta ja suoraviivaiselta. Kuitenkin täysi potentiaali laitteista päästään lunastamaan vasta, kun ne liitetään osaksi yrityksen toiminnanohjausjärjestelmää, on määritetty tarvittava laivue ja yksittäisille roboteille liitetään niiden tarvitsemat lisälaitteet. Voidaan siis sanoa, että UGV-teknologia on valmista teollisuuden tarpeisiin, mutta ei aivan vielä plug & play -tasolla. Kirjoittaja: Lauri Ristolainen Konetekniikan insinööri, pääaineena automaatio Digi-Salama-hankkeen projekti-insinööri, nykyinen projektiasiantuntija. Lauri.Ristolainen@metropolia.fi Metropolia Ammattikorkeakoulu
UAV-teknologia liitää
Tämä kirjoitus on jatkoa Mobiilirobotiikka liitää ja rullaa Digi-Salamassa blogille ja tässä käydään tarkemmin läpi Digi-Salama hankkeessa toteutetut UAV-projektit (Unmanaged Air Vehicle). Ensimmäisenä UAV-projektina lähdettiin toteuttamaan rakennustyömaan etävalvontaa droonien avulla Aiforsite Oy:n kanssa. Yrityksellä on toimiva systeemi työmaan ulkopuolelta kuvaamista varten, ja Digi-Salaman projektiaiheeksi valikoitui työmaan kuvaaminen rakennuksen sisältä. Ulkona lentävien droonien tuottamaa videosyötettä ja niiden keräämää dataa ympäristöstä käytetään hyväksi rakennuksen tietomallia (BIM) rakennettaessa. Droonien välittämästä videosyötteestä yritys pystyy algoritmien avulla laskemaan työmaan valmiusasteen ja jopa tarkastamaan, ovatko työkalut ja koneet tallessa. Tällä hetkellä sisätilat kuvataan kypäräkameralla. Monikerroksisen kerrostalon läpi käveleminen on aikaa vievää, eikä ehkä insinöörin mieluisintakaan hommaa. Autonomista sisälentämistä varten tutkittiin erilaisia droonimalleja ja päädyttiin valitsemaan DJI:n Mavic Pro. Laite valikoitui pienen kokonsa ja sille valmiiksi tarjolla olevan SDK:n (Software Development Kit) takia. Tavoitteena autonominen sisälentäminen Projektin tavoitteeksi muodostui lopulta välittää droonin videosyötettä reaaliajassa yrityksen palvelimille, toteuttaa etäohjausjärjestelmä ja tutkia autonomisen sisälentämisen mahdollisuuksia. Projektin edetessä kävi selväksi, että valitulla droonimallilla on suuria rajoitteita autonomisen lentämisen suhteen. Sen integroidut sensorit eivät yksinkertaisesti tarjonneet tarpeeksi dataa autonomista lentämistä varten, eikä SDK ole vielä täysin valmis. Sen johdosta laitteeseen oli tässä vaiheessa mahdotonta liittää sensoreita tuottamaan autonomisen lentämisen mahdollistava lisäinformaatio. Videosyötteen välittämisestä ja etälennätyksestä valmistui proof-of-consept tasoinen demo, jolla pystyttiin osoittamaan näiden toimintojen olevan mahdollisia toteuttaa ja niiden olevan hyödyllisiä yrityksen kannalta. Tämä projekti oli mielestäni hyvä esimerkki siitä, että aina ei tarvitse onnistua täydellisesti, jotta työstä olisi kuitenkin paljon hyötyä. Yrityksellä itsellään on paljon osaamista kyseisen teknologian saralla, mutta silti hekin olisivat lähteneet liikkeelle meidän kanssamme samasta nolla pisteestä projektia käynnistäessä. Saimme siis taklattua mahdottomia vaihtoehtoja pois ja hieman tasoitettua polkua kohti autonomista . Droonilennätyksestä sääpalveluiksi Toinen, hieman erilainen, lähestymistapa UAV-tekniikan hyödyntämiseen löytyi Ilmatieteen laitoksen (FMI) tarpeista ja velvollisuudesta tuottaa mahdollisimman hyviä eli tarkkoja sääpalveluita. Tällaisia palveluita omat muun muassa sääennusteet ja sään lentokelpoisuus tiedot. Visiona on, että kun jonain päivänä, ei niin kaukana tulevaisuudessa, droonit kuljettavat yötä päivää paketteja taivaalla, niin niiden pääasiallisen kuljetustyön ohella voitaisiin tuottaa hyvin tarkkaa dataa tuulesta, lämpötilasta sekä ilmankosteudesta ja -paineesta. Näin saataisiin kerättyä suuri määrä dataa, josta algoritmein laskemalla voidaan päätellä sääolosuhteet erittäin lokaalisti ja saada tarkkaa tietoa sään ominaisuuksista eri korkeuksissa. Dataa kerätään drooniin liitetyillä tuuli-, kosteus- ja ilmanpaineantureilla. Lisäksi tuulesta saadaan myös dataa droonin moottorien telemetriatiedoista. Telemetriatiedoista tuulen päättelyä voi olla hyvä avata esimerkillä: Kuvitellaan, että droonin tehtävä on leijua ilmassa paikallaan. Tuulettomissa olosuhteissa droonin kaikki moottorit tekevät työtä täsmälleen yhtä paljon ja ohjainyksikkö antaa jokaiselle moottorille saman ohjearvon. Ohjearvon ja oloarvon välillä ei ole tällöin eroa, kun drooni siis leijuu ilmassa paikallaan. Kun alkaa tuulla, droonin moottorit pyrkivät kompensoimaan tätä ulkopuolelta tulevaa vaikutusta. Tällöin ohjearvon ja oloarvon välille syntyy erotus, jonka ohjainyksikkö pyrkii kompensoimaan käskemällä oikeiden moottorien tehdä lisää työtä. Tästä moottorien tekemästä lisätyöstä voitaisiin lopulta algoritmien avulla päätellä tuulen suunta ja voimakkuus. Telemetriatiedoista oli kiinnostunut myös toinen projektiin osallistunut yritys Insta Group Oy. Insta Group Oy on suomalainen perheyritys, jonka toimialoja ovat teollisuusautomaatio, digitaalinen tietoturva ja puolustusteknologia. Heillä on itsellään vankkaa osaamista drooniteknologiasta ja yritys on tuottanut drooneja sekä droonipalveluita Puolustusvoimille. Instan mielenkiinto kohdistui ilmiöön, jossa kylmissä olosuhteissa propelleihin kertyy jäätä. Ilmiötä kutsutaan jäätämiseksi ja sillä on vaikutusta droonin lentokykyyn. Kuinka paljon vaikutusta on ja kuinka jäätäminen voidaan havaita, määrittyivät Instan puolesta projektin tavoitteiksi. Syksyn 2020 aikana projekti käynnistettiin konetekniikan ja IT-puolen opiskelijaryhmien kanssa. Tavoitteiksi määritettiin säädatan ja telemetriatietojen kerääminen ja niiden välittäminen Ilmatieteen laitoksen rajapintaan. Aluksi konetekniikan projektiryhmä valitsi komponentit itse kasattavaan droniin, kokoonpani ja varusti sen tarvittavilla antureilla. FMI:n kanssa tehtiin useita mittauslentoja kiinteiden sääasemien läheisyydessä sekä FMI:n omien droonien kanssa referenssidatan saamiseksi. Kun dataa oli saatu kerättyä ja todettu sen olevan tarpeeksi yhteneväistä referenssidatan kanssa, alkoi vasta sitten it-opiskelijoiden työ. Anturi- ja telemetriadatan eteenpäin välittäminen, tallentaminen sekä tätä tietoa käsittelevän algoritmin kehittäminen muodostuivat it-opiskelijoiden projektin tavoitteiksi. IT-ryhmän päästessä todella vauhtiin vasta kun konetekniikan ryhmä oli saanut droonin koottua ja dataa kerättyä, muodostui aikataulu ryhmälle liian tiukaksi aiheen haastavuuteen nähden. Ryhmän lopputulokseksi jäi, ettei toimivaa koneoppimismallia saatu aikaan, mutta dataa saatiin visualisoitua Excelin ja Scikit-learn-koneoppimisalustan avulla. Projektin aikana valitettavasti ei saatu käytännön tasolla selvitettyä jäätämistä lainkaan. Metropolialla on Myyrmäen kampuksella olosuhdehuone, jossa jäätämistä olisi voitu tutkia, mutta se oli vuokrattu samaan aikaan moneksi kuukaudeksi VTT:n käyttöön. Lopulta Instan asettamiin tavoitteisiin pystyttiin vastaamaan vain kirjallisuusselvityksen tasolla, jonka toteutti projektiryhmien työtä jatkamaan palkattu projektiassistentti. Projektiassistentiksi valikoitui opinnoissaan loppusuoralla oleva sähköautomaation opiskelija. Hänen osaamisensa vastasi erinomaisesti projektin tarpeita, sillä hänellä oli kokemusta sekä elektroniikasta että datan käsittelystä. Assistentin työn tavoitteena oli kerätä dataa ja kehittää tiedonsiirron malli, jolla data saataisiin siirrettyä Ilmatieteen laitoksen rajapintaan sekä tutkia jäätämistä. Tuloksena kehitettiin lähetyslaatikko, joka toteutti tiedonkeruun ja -siirron onnistuneesti sekä edellä mainittu kirjallisuusselvitys jäätämisen vaikutuksesta droonin lentämiseen. Tämä Projekti on eittämättä yksi mielenkiintoisimmista, joissa olen ollut lyhyen urani aikana mukana. Pelkästään droonin kasaaminen itse ja sitä kautta laitteen sielunmaisemaan tutustuminen oli hyvin mielenkiintoista ja antoisaa. Kuitenkin myös tämän isomman tulevaisuuden vision ääressä työskentely, jossa droonit toissijaisina tehtävinään tuottavat äärimmäisen tarkkoja ja paikallisia sääpalveluita, oli hyvinkin insinöörin mieltä kutkuttavaa hommaa. Äärimmäistä potentiaalia, mutta ei täysin valmista Digi-Salama hankkeen UAV-projekteissa keskityttiin kuluttajille suunnattuihin keskihintatason eli noin tuhannen euron (~1k€) droonimalleihin ja sen tähden tässä ei tarkemmin arvioda ylemmän hintatason eli noin kymmenentuhannen euron(~10k€) tai jo ammattikäyttöön tarkoitettua droonimalleja. Nämä keskihintatason UAV-laitteet osoittivat olevansa täysin valmiita siihen käyttöön, johon ne on suunniteltu: leikkikaluiksi ja lentäväksi kameroiksi. Nöyriksi autonomisiksi teollisuuden palvelijoiksi niistä ei kuitenkaan vielä ole näiden projektien pohjalta. Isoimmiksi esteiksi nousee hyötykuorma-lentoaikasuhde ja lisälaitteiden liitettävyys. Drooneissa lisälaitteiden lisäämiselle on huomattavasti tiukemmat rajoitteet kuin UGV-teknologialla. UGV-laitteilla on isot akut, joista voidaan ottaa surutta virtaa myös lisälaitteille. Droonien akut ovat huomattavasti pienempiä, eikä niistä riitä virtaa samanlailla lisälaitteille. Akkujen kokoa ei myöskään voida kasvattaa tuosta vain, sillä ne lisäävät lennätettävää massaa kaikista komponenteista eniten ja äkkiä tätä myöden tarvitaan taas isommat moottorit ja niille taas isommat akut ja näin ollaan hyötykuorma-lentoaikasuhde ongelman ytimessä. Autonomisen sisälentämisen mahdollistavien lisälaitteiden lisääminen osaksi droonin ohjausjärjestelmää on vielä hyvin vaikeaa, sillä droonien lentäminen on todella aikakriittistä toimintaa. Aikakriittisyydellä tarkoitetaan sitä, että droonin moottorien pitää pystyä reagoimaan ympäristöön sekunnin murto-osissa: esimerkiksi oven avautuessa ja liikuessa droonin liikeradan eteen. Drooni havainnoi näitä tilanteita konenäöllä, ja Digi-Salaman projektien perusteella voidaan nyt saatavilla olevien konenäköalgoritmien todeta olevan liian raskaita droonin kyytiin mahtuvan mikrokontrollerin suorittaa vaadittavassa ajassa. Kirjoittaja: Lauri Ristolainen Konetekniikan insinööri, pääaineena automaatio Digi-Salama-hankkeen projekti-insinööri, nykyinen projektiasiantuntija Lauri.Ristolainen@metropolia.fi Metropolia Ammattikorkeakoulu
Mobiilirobotiikka liitää ja rullaa Digi-Salamassa
Digi-Salama-hankkeessa tehtiin projekteja kahden vuoden ajan vuosina 2019–2021 viiden teknologiateeman alla implementoiden niitä viidelle Vantaan kaupungin kärkiklusterialalle: logistiikka, elintarvikeala, kiertotalous, älytuotanto ja älykiinteistöt. Syntyi 25 salamaprojektia, joista viisi toteutettiin UxV-teknologiateeman alla. Itse toimin kyseisen teknologian teemavastaavana hankkeen aikana. Hanke alkoi syyskuussa 2019, ja saman vuoden kesäkuussa valmistuneena insinöörinä olin vielä hieman vihreä. Tuntui jopa hurjalta hypätä sormia näpäyttämällä pöydän toiselle puolelle opiskelijasta projekteja ohjaavaksi insinööriksi - lähes opettajaksi. Mikä ihmeen UxV? Autonomisista robottia tarkoittavassa UxV-termissä U ja V tulevat sanoista Unmanaged Vehicle (ei-ohjattu ajoveuvo). X taas voi tarkoittaa sanoja Air (ilma), Ground (maa), Surface (pinta) tai Under Water (pinnan alainen) sen mukaan, millaisessa ympäristössä laitteen on suunniteltu toimivan. Itse arvelen, että tulevaisuudessa saamme käyttöömme vielä s-kirjaimen tarkoittamaan sanaa Space (avaruus). Ensimmäiset turistit ovat jo käyneet avaruudessa, ja tosissaan myös suunnitellaan siirtokuntaa Marsiin. Kehityssuunta on mielestäni selvä, eli ihmisiä ja tavaroita on yhä enemmän tarve kuljettaa myös maapallon vetovoiman ulottumattomissa. Toki miehittämättömiä luotaimia on lähetetty tutkimaan maailmankaikkeutta jo 70-luvulla, mutta en kuitenkaan kutsuisi Voyager 1:tä vielä autonomiseksi robotiksi, koska kaikille UxV-laitteille yhteistä on niiden kyky havainnoida ympäristöään sensoreilla, jotka laitteen ohjausjärjestelmään liitettyinä tarjoavat laitteelle riittävästi dataa omatoimiseen päätöksentekoon. Tällaisia sensoreita ovat mm. 2D- ja 3D-laserkeilaimet eli LiDARit konenäkökamerat ja ultraäänianturit. Voyager 1 ei tee autonomisia päätöksiä vaan lähettää ainoastaan keräämänsä dataa takaisin. UxV-teknologian laitteitta voidaan myös kutsua mobiiliroboteiksi. Onhan ne lähtökohtaisesti suunniteltu liikkumista vaativaan työhön. Täysi potentiaali näistä laitteista lunastetaan, kun ne liitetään osaksi kyberfyysistä järjestelmää (Cyber Physical System, CPS). Mobiilirobotti edustaa järjestelmän fyysistä puolta ja toimii nöyränä palvelijana yrityksen tuotannon- ja toiminnanohjausjärjestelmille (MES ja ERP), jotka edustavat kyberpuolta. Robotti siis saa automaattisesti näiltä taustajärjestelmiltä tehtävänsä, joka voi esimerkiksi olla komponenttien haku varastosta ja toimitus tuotantosolulle. Robotti saa siis taustajärjestelmästä käskyn hakea paikasta A komponentteja ja toimittaa ne paikkaan B. Kuinka näiden pisteiden välinen matka kuljetaan, jää robotin itse pääteltäväksi annettujen reunaehtojen rajoissa. Ehtoja voi olla aina nopeusrajoituksista yksisuuntaisiin kaistoihin ja tietyllä alueella liikkuessa kuulutettavaan äänimerkkiin. Alkuvaiheessa hanketta teknologiateeman nimitys oli vain UGV-tekniikka, sillä alun perin arvelimme projektien keskittyvän vain maan päällä kulkeviin laitteisiin.Tämän oletuksen ja teknologiakartoituksen pohjalta hankittiin MiR100-mobiilirobotti ja toteutettiin sillä pienimuotoinen testiprojekti. Testiprojektissa opiskelijaryhmä suoritti robotille käyttöönoton ja rakensi Myyrmäen kampuksen liikuntasaliin pujotteluradan, josta robotin tuli selviytyä - ja hienosti selvisikin! Yritysverkot vesille ja varsinaiset projektit käyntiin Seuraavassa vaiheessa alettiin etsiä potentiaalisia asiakasyrityksiä soveltamaan uutta teknologiaa toiminnassaan. EKR (ennen koronaa) näitä löytyi myös meikäläisen jalkatyönä messuilta ja konferensseista, mutta myöhemmässä vaiheessa enemmänkin kokeneempien kollegoiden lokeroilla. Viidelle rohkealle ja innokkaalle asiakkaalle lopulta pääsimme uutta osaamista ja teknologiaa soveltamaan. Tässä käydään nämä projektit vain lyhyesti läpi, mutta seuraavissa kahdessa blogitekstissä, jotka on jaettu UGV- ja UAV-postauksiksi, projektien kulkuun ja tuloksiin pureudutaan tarkemmin sekä käydään hankkeen virallisia tulosindikaattoreita läpi projektikohtaisesti. Refair Oy: automaattinen noutovarasto Ensimmäisenä varsinaisena UxV-asiakasprojektina lähdettiin kehittämään automaattisen noutovaraston konseptia Refair Oy:lle. Yritys on kylmä-, ilmastointi- ja lämpöpumpputekniikan maahantuonti- ja tukkuliike. Yrityksellä on monia asiakkaita, joilla saattaa olla tarve saada huoltokeikalle komponentti keskellä yötä. Automaattisella noutovarastolla pyrittiin vastaamaan tähän tarpeeseen. Muutaman erilaisen konseptiehdotuksen pohjalta päätettiin lähteä näistä yhtä jatkokehittämään ja lopulta myös toteuttamaan: ratkaisussa mobiilirobotti MiR100 hakee varsinaisen varaston puolelta kokonaisen varastohyllyn, ajaa RFID-porteista läpi noutotilaan, asiakas kerää hyllystä tarvitsemansa, robotti ajaa uudestaan porteista läpi ja RFID-tunnisteella merkityt tuotteet on luettu molemmilla läpimenokerroilla. Erotuksesta järjestelmä päättelee, mitkä tuotteet asiakas on poiminut ja lähettää laskun. Loval Oy: sisälogistiikan automatisointi mobiilirobotiikalla UGV-tekniikkaa hyödynnettiin myös Loval Oyn tarpeista lähteneessä projektissa, jossa MiR100 näytteli jälleen pääosaa kuten Refairillakin. Loval Oy on lämmityskomponenttien valmistaja Loviisasta. Yritys on yksi Euroopan johtavista putkivastusten, lämmityselementtien ja -ratkaisujen valmistajista. Yrityksen varasto- ja tuotantotilojen suuret etäisyydet ja massiivinen tuotantoliikenne toimivat määrittävinä tekijöinä projektin aihetta ja tavoitteita määriteltäessä. Aiheeksi muodostui sisälogistiikan automatisointi mobiilirobotiikalla. Projektin aikana MiR100 testattiin ja demottiin Lovalin tuotantotiloissa Loviisassa kolmen viikon ajan ja testijakson perusteella pystyttiin todeta teknologiasta olevan hyötyä yritykselle. Demon perusteella pystyttiin myös toteamaan, ettei yksi robotti riitä kokonaisvaltaiseen ratkaisuun. Demossa robotti kuljetti autonomisesti komponentteja varastosta tuotantosolulle. Mevea Oy: törmäyssimulaattori Mevea on simulaatioteknologiayritys, jonka toiminnan keskiössä ovat liikkuvien koneiden fysiikkaan perustuvat digitaaliset kaksoset. Yritys on kehittänyt ohjelmiston, jolla voidaan simuloida muun muassa ajoneuvojen käyttäytymistä eri tilanteissa ja saada hyvin tarkkaa dataa aivan komponenttitasolta asti. Projektin aiheeksi valikoitui törmäyssimulaattorin kehittäminen ajoneuvoille sekä työkalu ajoneuvon osien hallitsemiseen ja tarkasteluun. Projektin aihe osoittautui ennakoitua haastavammaksi, eikä tavoitteisiin aivan päästy. Lopputuloksena syntyi kuitenkin työkalu, jossa on haluttuja ominaisuuksia, mutta ei tarpeeksi pitkälle kehitettynä. Jäi lopulta yrityksen itse päätettäväksi, kannattaako simulaattoria ja työkalua kehittää eteenpäin. Aiforsite: rakennustyömaan etävalvonta ja kuvaaminen droonilla Aiforsite on ohjelmistoyritys, jonka tuotteella voidaan rakentaa hyvin pitkälle kehittynyt rakennuksen tietomalli BIM (Buildin Information Model). Yrityksen nykyisessä järjestelmässä rakennustyömaata kuvataan droonien avulla ulkopuolelta. Sama ratkaisu oli tarkoitus laajentaa toimimaan myös sisätiloissa. Projektin aiheeksi muodostui droonin lennättäminen etäyhteydellä sekä autonomisen sisälentäminen. Etäyhteydellä lentämisestä valmistui toimiva demo, mutta autonominen sisälentäminen osoittautui vielä liian haastavaksi toteuttaa käytössä olleiden droonien suljetuista ohjelmointirajapinnoista. Insta Group + Ilmatieteenlaitos Insta Group Oy on suomalainen perheyritys, jonka toimialoja ovat teollisuusautomaatio, digitaalinen tietoturva ja puolustusteknologia. Yrityksellä on vankkaa osaamista UAV-teknologiasta, ja yritys on tuottanut drooneja sekä droonipalveluita Puolustusvoimille. Instan mielenkiinto kohdistui ilmiöön, jossa kylmissä olosuhteissa propelleihin kertyy jäätä. Ilmiötä kutsutaan jäätämiseksi, ja sillä on vaikutusta drroonin lentokykyyn. Kuinka paljon vaikutusta on ja kuinka jäätäminen voidaan havaita, määrittyivät Instan puolesta projektin tavoitteiksi. Projektissa kolmantena osapuolena toimi Ilmatieteen laitos, joka tuottaa sääpalveluita sekä toimii tutkimuslaitoksena. Tällaisia palveluita ovat muun muassa sääennusteet ja sään lentokelpoisuus tiedot. Projektin tavoitteeksi muodostui parantaa näitä palveluita droonien telemetria- ja anturitiedoista mitattavasta säädatasta. Instan tavoitteiden osalta projekti valitettavasti jäi vajaaksi, koska jäätämistä ei päästy tutkimaan käytännön testeillä ja työ jäi teoriatason selvitykseksi. Projektia on tosin tarkoitus jatkaa myöhemmässä vaiheessa uuden hankkeen osana. IL:n osalta tavoitteisiin päästiin oikein hyvin ja idean toimivuus pystyttiin todentamaan. Raaka vai kypsä? Projektien pohjalta voidaan todeta UxV-teknologian olevan hyvinkin kypsää teollisuuden tarpeisiin. Etenkin juuri teollisuuden tarpeisin kehitetyt UGV-laitteet, kuten MiR100, osoittivat olevansa täysiverisiä ammattilaisia teollisuus 4.0-tuotantomaailmassa. Tosin kuluttajille suunnatut keskihintatason UAV-laitteet osoittivat olevansa vielä hieman raakoja ollakseen muokattavissa pienellä vaivalla teollisuuden tarpeisiin autonomisiksi työmyyriksi - etenkin jos olosuhteet ovat yhtään haastavampia esimerkiksi valaistuksen ja tilojen ahtauden suhteen. Itse kasaamamme drooni antoi paljon suurempia lupauksia täysin autonomisesta lentämisestä sen kokonaan avoimien ohjelmointirajapintojen johdosta. Kuluttajille suunnatuissa valmiissa drooneissa ohjelmointirajapinnat eivät ole ilman ohjelmiston kehityspakettia eli SDK:ta (Software Development Kit) juuri lainkaan auki eikä SDK:llakaan päästy riittävään avoimuuteen. Kun koneoppimis- ja konenäköalgoritmit kehittyvät ja tulevat kevyemmiksi droonin kyytiin mahtuvien mikrokontrollereiden suorittaa, saa täysin autonominen lentäminen huomattavaa lisänostetta. Hankkeen virallisten tulosindikaattorien perusteella voidaan todeta kahdessa projektissa syntyneen uusiutuviin energiaratkaisuihin tai vähähiilisyyteen perustuvaa uutta liiketoimintaa. Kahdessa projektissa myös toteutettiin avoimien rajapintojen kautta uudet sovellukset. Yhdessä projektissa saatiin kehitettyä uusi tai merkittävästi parannettu tuote markkinoille ja toisessa uusi tai merkittävästi parannettu tuote yritykselle. Lähteet: ja 2. Pexels.com Kirjoittaja: Lauri Ristolainen Konetekniikan insinööri, pääaineena automaatio Digi-Salama-hankkeen projekti-insinööri
Digi-Salaman tekoälytapaukset
Tekoäly on teknologia, jota voidaan soveltaa kaikessa digitaalisessa toiminnassa, jossa tarvitaan ohjelmointia. Tämä artikkeli on jatko-osa kirjoitukseen (Tekoälyllä kohti ketterää digisalamointia, Robologi), jossa käsiteltiin tekoälyä Digi-Salaman ja ympäristön suhteen yleisellä tasolla. Digi-Salamassa oli useita projekteja eri toimialoilta. Ne oli jaoteltu teemoittain, joista yksi oli Tekoäly ja koneoppiminen automaatiossa. Tässä katsauksessa tarkastellaan seuraavaksi viittä edellä mainitun teeman osalta projektissa mukana ollutta yritystä. Fleetlogis Fleetlogis Oy on suomalainen tietotekniikkayritys, joka tekee logistiikan tietojärjestelmiä. Yrityksellä on taustaa myös elektroniikka- ja automaatiopuolelta[2], johon liittyen käynnistettiin innovaatioprojekti tutkimaan huoneilman pitoisuuksia, lähinnä hiilidioksidia. Projektin käynnistysvaiheessa Fleetlogisin edustaja ilmaisi yrityksen kiinnostuksen ja tarpeen kehittää verkkovirralla toimiva etäluettava ilmanlaadun mittaussalkku hyödyntäen antureita ja Teltonika FMB120 -seurantalaitetta, joka lähettää dataa Fleetlogis Oy:n käyttämälle palvelimelle mobiilisti sim-kortin avulla. Tavoitteena oli selvittää mittaustulosten tarkkuus, mutta Digi-Salama-projektin päämääräksi rajattiin luokkahuoneen todellisen käytön kartoittaminen. Tämä tehtiin mittaamalla ilmasta paikalla olijoiden tuottamaa lämpötilaa, kosteutta sekä hiukkasia ja tarkastelemalla tuloksia suhteessa luokan varauslistaan. Projektissa hyödynnettiin Fleetlogisin omia laitteita. Datan lukemiseen käytettiin Fleetlogis Flex -nettisivua, josta voi lukea mittaustulokset ja luoda niistä erilaisia grafiikoita ja raportteja. Antureiden konfigurointiin käytettiin Teltonika Configurator -ohjelmaa. Fin-Chinagate Fin-Chinagate-yrityksen visiona on tuoda suomalaista teknologiaa esille Kiinassa sekä luoda alusta kansainväliselle kommunikaatiolle Kiinan ja Suomen välille nykyteknologioita hyödyntäen.[3] Fin-Chinagate uskoo, että uusien teknologioiden käyttö on askel kohti maiden välistä yhteistyötä, erityisesti yritysten ja korkeakoulujen kesken. Digi-Salama-hanke kokeili yhdessä yrityksen kanssa kommunikointi- ja etäopiskelualustaa Kiinan ja Suomen välillä. Testissä käytettiin kiinalaista Mythware-järjestelmää sekä Fin-Chinagaten kehittämää Smart System -konseptia, joka sisältää simultaanitulkkauksen kääntäen englannin kieltä kiinaksi ja kiinaa englanniksi suorassa lähetyksessä. Osana projektia Digi-Salama etsi myös seuraavia askeleita varten halukkaita yhteistyökumppaneita Smart Systemin jatkotestaamista varten. Tavoitteena on huomioida eurooppalainen säännöstö, etenkin GDPR, koska tiedonkäsittelyssä sovellettavat palvelimet sijaitsevat Kiinassa. Fonecta Fonecta kerää ja ylläpitää henkilöiden ja yritysten kontaktitietoja. Kokoamiensa tietokantojen avulla Fonecta palvelee asiakkaitaan tarjoamalla ajantasaisia yhteystietoja.[4] Fonectan ongelmina ovat usein vaihtuvat yhteystiedot ja tasalaatuisen datan puute. Yllä pidettävistä tiedoista muuttuu vuosittain suuri osa, ja nämä muutokset tulevat asiakkailta itseltään. Tällöin on hankalaa hallita tietojen eheyttä: Ovatko kaikki tiedot syötetyt järjestelmään? Muun muassa yritysten web-osoitteet ovat usein puutteellisia. Ovatko tiedot oikein tallennetut? Ovatko esimerkiksi osoitetiedot asianmukaisesti syötetyt, jotta paikantaminen olisi mahdollista? Ihmistyönä kyseessä on hankala urakka, koska virheelliset ja epäilyttävät rivit pitää ensin etsiä ja sitten analysoida. Tehtävä kuulostaa sopivalta robotille, mutta siltäkin vaaditaan älykkyyttä mukautumattomien sääntöjen sijaan. Fonectan Digi-Salama-projektit etenivät kahdessa vaiheessa: ensin olivat vuorossa innovaatioprojektit ja niistä jatkoksi tehty opinnäytetyö. Innovaatioprojektiosuudessa käytiin läpi tarpeita ja mahdollisia ratkaisumalleja, joista vaihtoehdoiksi nousivat ohjelmistorobotiikka ja luonnollisen kielen prosessointi (Natural Language Processing - NLP). NLP:n avulla saavutettuja lupaavia tuloksia lähdettiin kehittämään edelleen opinnäytetyönä. Sime Sime Oy on insinööritoimisto, joka on erikoistunut automaattiseen palkkien käsittelyyn ja siirtelyyn. Projektiaiheena oli tutkia mahdollista alumiinituotannon robotisointia tai kobotisointia edellä mainitussa työskentelyssä. Palkkien siirtämisessä tarvittavien koukkujen annostelua tehdään tällä hetkellä käsin. Koukut kerätään alumiiniprofiilien purkamisen yhteydessä, jonka jälkeen ne puhdistetaan ja tuodaan takaisin alkupisteeseen. Alkupisteessä työntekijät asettavat koukut alumiiniprofiileihin toisesta päästä, ja toisesta päästä koukut ripustetaan kuljettimeen. Projektin tavoitteena oli tuotannon nopeuttaminen sekä fyysisen työn keventäminen mahdollisella robotilla tai kobotilla. Kobotin ja robotin avuksi tarvitaan myös konenäköä, antureita sekä koukkujen annostelija, jotta koukkuja pystyttäisiin ottamaan helposti. Projektiryhmä kehitti toteutukselle kaksi vaihtoehtoa, joista tehtiin yksinkertaistetut simulaatiot. Simulaatioiden avulla nähtiin, että teoriassa robotti kykenee suorittamaan ripustuksen molemmissa vaihtoehdoissa, mutta ratkaisujen toimiminen käytännössä vaatisi kokeiluja oikeilla kappaleilla. Simulaatioissa käytettiin ABB:n IRB 1600 -robottia, koska se täytti parhaiten annetut kriteerit. Digi-Salaman aikana tehtiin myös IoT-tekniikoiden käyttöönottoon liittyvä opinnäytetyö. Siinä otettiin esille meneillään oleva suuntaus, jossa vanhempaan teknologiaan perustuvia laitteistoja voidaan päivittää IoT-maailmaan.[7] Assemblin Assemblin Oy on vuonna 2006 perustettu kiinteistötekniikan yritys, joka tarjoaa ilmaan, veteen ja energiaan liittyviä järjestelmiä Suomessa, Ruotsissa ja Norjassa.[8] Assemblin osallistui Digi-Salamaan innovaatioprojektin ja opinnäytetyön teettäjänä. Tavoitteena oli kehittää kiinteistön lämpötilan hallintaa ohjaavaa tekoälyä hyödyntäen Ilmatieteen laitoksen tarjoamaa sääennuste- ja auringonsäteilydataa. Yrityksellä itsellään oli jo kokemusta älykkäiden algoritmien soveltamisessa lämmityksen/viilennyksen tarpeen ennustamisesta. Nyt tämä tehtävä annettiin Digi-Salaman yhteyteen käynnistetylle innovaatioprojektiryhmälle syksyllä 2020. Myöhemmin keväällä 2021 projektissa aloitettua työtä päätettiin syventää opinnäytetyöksi. Projektissa oli neljä vaihetta. Ensimmäisessä vaiheessa tutustuttiin Assemblinilta saatuun testilaitteistoon ja perehdyttiin sen toimintaan. Toisessa vaiheessa testilaitteella vastaanotettiin testidataa ja tutustuttiin testilaitteen toimintaan käytännössä. Kolmannessa vaiheessa tehtiin testaus pienoismallin avulla. Pienoismallissa rakennuksena käytettiin laatikkoa, johon asennettiin lamppu simuloimaan lämmitintä sekä anturi mittaamaan lämpötilaa laatikon sisältä. Testien perusteella selvitettiin, miten laitteisto toimii ja tehtiin hienosäätöjä tarvittaessa. Neljäs ja viimeinen vaihe sisälsi testauksen isommassa mittakaavassa Myllypuron kampuksella. Siellä valittua tekoälyalgoritmia käytettiin ohjaamaan Myllypuron kampuksen testitiloja. Samalla seurattiin niiden energian käyttöä jota pyrittiin myös optimoimaan. Vaikutukset osallistuneiden yritysten kilpailukykyyn Tekoälyä soveltaneiden projektien seurauksena yritykset saivat uusia näkökulmia kilpailukykynsä parantamiseksi. Näitä olivat mittausten pohjalta tehtävät ennustukset ja niihin liittyvät toimenpiteet. Esimerkkeinä voidaan mainita Assemblin ja Fonecta, joista molemmilla oli jo entuudestaan jonkin verran kokemusta tekoälyn soveltamisesta. Digi-Salamaan osallistuminen synnytti molemmissa yrityksissä myös joukon uusia ajatuksia ulkopuolisen datan hyödyntämiseksi tekoälymallien kehittämisessä. Seuraava askel voi olla syväoppimisen käyttöönotto niin mallin opettamisessa kuin sen vahvistamisessa. Fonectalle puolestaan kasvoi lisää osaamista NLP:n uusimpien teknologioiden käyttämisessä älykkääseen aineiston tarkastamiseen ja muokkaamiseen. Koneoppimisen ja tekoälyn tulosindikaattorit Digi-Salamassa 16 20 21 22 CO04 CO28 CO29 Fleetlogis 1 1 0 0 1 0 1 Fin-China 1 1 0 0 1 0 1 Fonecta 1 0 0 0 1 0 1 Sime 1 0 0 0 1 0 0 Assemblin 1 1 0 1 1 0 0 Taulukon tunnusten selitykset 16 Yritys, joka käynnistää TKI-toiminnan tai TKI-yhteistyön yliopistojen, korkeakoulujen tai tutkimuslaitosten kanssa 20 Yritys, johon syntyy uusiutuviin energiaratkaisuihin tai vähähiilisyyden tukemiseen perustuvaa uutta liiketoimintaa 21 Start-up yritys, jolla on merkittävät valmiudet uuden tuotteen, palvelun tai tuotantomenetelmän kehittämiseen 22 Yrityksen avoimen tiedon ja rajapintojen avulla toteuttamat uudet sovellukset CO04 Muuta tukea kuin rahoitustukea saava yritys CO28 Yritys, joka kehittää uuden tai merkittävästi parannetun tuotteen markkinoille (tuote on uusi markkinoilla) CO29 Yritys, joka kehittää uuden tai merkittävästi parannetun tuotteen markkinoille (tuote on uusi yritykselle) Fleetlogis Yritykselle syntyi osittain uusi IoT-pohjainen sovellus, joka auttaa logististen operaatioiden suunnittelussa ja optimoinnissa. Tämä tukee CO2-jalanjäljen pienentämistä. Fin-China Yritykselle syntyi testausvalmis etäneuvottelukonsepti + tämä tukee VR/AR-pohjaista yhteydenpitoa ilman matkustamista. Tämä tukee CO2-jalanjäljen pienentämistä. Fonecta Yritykselle syntyi uusi koneoppimispohjainen sovellus asiakastietojen käsittelyyn. Sime Yritykselle syntyi uutta tietämystä kobotiikasta ja koneoppimisesta sekä uusi alustava konsepti IoT-laitteistosta, jolla koneoppimista voitaisiin hyödyntää. Assemblin Yritykselle syntyi valmiuksia käyttää koneoppimista kiinteistöautomaation ohjauksessa. Tämä tukee CO2-tavoitteita energiansäästön muodossa. Lähteet: Kuvituskuva Wikimediasta: <https://commons.wikimedia.org/wiki/File:Lightning_3025.jpg> Verkkosivu. Saatavana osoitteesta: <https://www.fleetlogis.fi>. Luettu 2.12.2021. Verkkosivu. Saatavana osoitteesta: <https://www.finchinagate.fi>. Luettu 2.12.2021. Verkkosivu. Saatavana osoitteesta: <https://www.fonecta.fi>. Luettu 2.12.2021. Kuvituskuva Wikimediasta: <https://commons.wikimedia.org/wiki/File:Telephone_operators,_1952.jpg> Kuvituskuva Unsplashista: <https://unsplash.com/photos/oqY09oVTa3k> Osman, A.: Toimipisteen etäohjaus ja -seurantaRaspberry Pin avulla. Opinnäytetyö 2021. 37 s. Verkko-osoite: <https://urn.fi/URN:NBN:fi:amk-2021113022759>. Luettu 2.12.2021. Saatavana osoitteesta: <https://fi.assemblin.com>. Luettu 2.12.2021. Otava, A.: Koneoppimisen hyödyntäminen kiinteistöautomaatiossa. Opinnäytetyö 2021. 29 s. Verkko-osoite: <https://urn.fi/URN:NBN:fi:amk-2021052010011>. Luettu 2.12.2021. Kirjoittaja: Aarne Klemetti työskentelee tutkijaopettajana Metropolia Ammattikorkeakoulussa. aarne.klemetti@metropolia.fi
Tekoälyllä kohti ketterää digisalamointia
Tekoälyn avulla erilaisten tietojärjestelmien toiminnallisuutta voidaan laajentaa käsittämään inhimillisiksi katsottavia taitoja, kuten omatoimista päättelyä, oppimista ja suunnittelemista. Tekoäly osaa työskennellä väsymättömästi oppimallaan rajatulla alueella. Oppiminen tapahtuu joko asiantuntijan sanoittaman eli leimaaman aineiston avulla tai itseoppivasti. Itseoppivuus toteutuu annetun säännöstön ja datan avulla tai tutkimalla ympäristöä käytettävissä olevilla tunnistimilla ja toimilaitteilla. Tekoälyn tuottaminen esimerkiksi koneoppimisen avulla on vaativa laskentatehtävä, jossa tyypillisesti tarvitaan runsaasti dataa ja laskentatehoa. Kun tekoälymalli on saatu opetettua, voidaan se siirtää suoritettavaksi päätelaitteisiin, esimerkiksi kannettaviin tietokoneisiin, älypuhelimiin ja vaikkapa ympäristöään tarkkaileviin ajoneuvoihin. Tekoäly ei ole käyttöönoton jälkeen samalla tavalla lopullinen kuten perinteinen, versioitava tietokoneohjelma, vaan se kehittyy koneoppimisen avulla käytön myötä. Tekoäly on poikkeuksetta erikoistunut oppimaansa ympäristöön: shakkitekoäly on voittamaton shakinpeluussa, mutta ei osaa ajaa autoa. Vastaavasti kuva-analyysitekoäly, joka tunnistaa luotettavasti ihosyövän valokuvien perusteella, ei tiedä, mikä on auton rekisterikilpi. Keskeinen kysymys on se, mitä, miten ja millä aineistolla tekoälyn annetaan oppia.[2] Puuttumatta eettisiin näkökulmiin on tärkeää, että aineiston valinnasta päättävä asiantuntija rajaa tehtävät selkeisiin kokonaisuuksiin: ei kannata pyrkiä kovin kattavaan tekoälyyn, koska se on todennäköisesti liian laaja opetettavaksi ja hallittavaksi. Sen sijaan joukko testatusti toimivia, rajattuja tekoälyjä nostaa tuottavuutta ja päätöksenteon luotettavuutta merkittävästi.[3] Digi-Salamassa tekoäly ja koneoppiminen automaatiossa oli omana teemanaan. Tavoitteena oli ymmärtää ja oppia soveltamaan tarvittavia toimintamalleja, datan keruuta ja muokkausta sekä koneoppimisen periaatteita suhteessa tavoitteisiin. Lisäksi pyrittiin saavuttamaan näkemys siitä, millä tasolla valittujen kohdeyritysten tekoälyosaaminen on ja miten mahdollisiin tarpeisiin voidaan vastata opetussuunnitelmissa. Tekoäly ja YK:n kestävän kehityksen tavoitteet Yhdistyneiden kansakuntien jäsenmaat sopivat vuonna 2015 Agenda 2030:stä, jossa pyritään edistämään kestävää kehitystä aikavälillä 2016-2030. Suunnitelma jaettiin 17 tavoitteeseen, jotka ohjaavat kestävän kehityksen edistämistä.[4] Tekoäly voidaan nähdä mahdollistavana tekijänä näiden tavoitteiden saavuttamisessa. Koko tavoitteisiin pyrkimisen prosessin ajan pitää kerätä ja analysoida dataa, jonka avulla voidaan luoda älykkäitä malleja päätöksenteon tueksi. Esimerkiksi voidaan ottaa älykäs talotekniikka, jonka optimointi säästää energiaa, tuottaa ilmakehään vähemmän hiiliyhdisteitä ja parantaa sisätiloissa oleskelun laatua - vaikuttaa siis osaltaan myös terveyteen. Kestävään kehitykseen liittyvät tekoälymallit eivät synny tyhjästä ja ilman laskentaa. Laskenta on usein niin vaativaa, että siinä tarvitaan supertietokoneen laskenta- ja tallennuskapasiteettia useiden päivien ajan. Se puolestaan kuluttaa myös energiaa. Tutkimuksissa on kehitetty erilaisia mittaustapoja tekoälyyn liittyvien laskentatarpeiden energiankulutuksen huomiointiin. Tarvittavia algoritmeja voidaan optimoida käytön myötä vastaavalla logiikalla kuin itse tekoälyäkin. Vaatimuksia koulutukselle Tekoäly ja koneoppiminen ovat monimutkaisia asioita, joiden tuotantomittaisen soveltamisen hidastavana tekijänä on useimmiten puutteellinen osaaminen. Tätä paikatakseen yritykset pyrkivät kouluttamaan henkilöstöään ja toisaalta ulkoistamaan tarvittavia osaamisia. Nämä molemmat vaihtoehdot sopivat luontevasti ammattikorkeakouluympäristöön, koska opiskelijaryhmien ja opinnäytetöiden avulla voidaan testata ja kehittää erilaisia konsepteja ja prototyyppejä. Tekoäly tieteenä soveltuu tiedekorkeakoulujen opetusohjelmiin ja tutkimuslaitoksiin - alempien oppilaitosten näkökulmasta tarvitaan pikemminkin sovellusosaamista kautta linjan. Tärkeämpää kuin tekoälyn ja koneoppimisen syvällinen ymmärtäminen on käsittää se, miten näitä teknologioita voidaan käytännössä soveltaa ja millaisia kyvykkyyksiä kannattaa sisällyttää yritysten ja oppilaitosten osaamiseen. Kustannuksiltaan tekoälyn ja koneoppimisen soveltaminen ei ole enää kynnyskysymys. Avoimen lähdekoodin alustoilla on tarjolla laaja valikoima kehitystyökaluja algoritmeineen. Niiden käyttämisessä tulee poikkitieteellisiin tiimeihin lisätä data- ja tekoälyosaamista sisältöammattilaisten tueksi. Lisäksi korkeakouluilla on pääsy vaativaa laskentaa tarjoaviin supertietokoneympäristöihin, jolloin myös suurten datajoukkojen käsittely ja koneoppiminen on mahdollista toteuttaa skaalautuvasti. Tärkeämpää kuin jokaisen toimijan ammattimainen tekoälyosaaminen on se, että pystytään tunnistamaan datan eri prosessivaiheiden hallinta: mitä on kerättävä data, mistä sitä voidaan kerätä, mitä sillä voidaan tehdä ja mitä se merkitsee? Näin ollen on syytä ennemminkin tietää, kuka tietää ja mitä pitää tietää, kuin vaatia kaikilta osapuolilta samantasoista teknologista ymmärrystä. Seuraava askel kohti älykkäämpää automaatiota - toimialasta riippumatta - on sen ottaminen osaksi normaalia toimintaa. Tätä tarkoitusta varten opetussuunnitelmiin kannattaa lisätä ainakin käytännölliset, omaa osaamisaluetta palvelevat kurssit esimerkiksi intensiivitoteutuksina. Lisäksi aiheeseen syvällisempää perehtymistä varten tulee tarjota mahdollisuudet ainakin koodaamiseen ja ohjelmistotuotantoon keskittyville opiskelijoille. Lähteet: Kuvituskuva Pixabaysta: <https://commons.wikimedia.org/wiki/File:Artificial-Intelligence.jpg> 6 Biggest Limitations of Artificial Intelligence Technology. Verkkosivu. Saatavana osoitteesta:<https://hackernoon.com/the-missing-pieces-6-limitations-of-ai-s85r3upr>. Luettu 2.12.2021. 5 + 1 myyttiä tekoälystä. Verkkosivu. Saatavana osoitteesta: <https://www.aaltopro.fi/aalto-leaders-insight/2019/5-1-myyttia-tekoalysta>. Luettu 2.12.2021 Kestävän kehityksen tavoitteet. Verkkosivu. Saatavana osoitteesta: <https://www.ykliitto.fi/yk-teemat/kestavan-kehityksen-tavoitteet>. Luettu 2.12.2021. Lisätietoja aiheesta kiinnostuneille: Tekoäly, Wikipedia. Verkkosivu. Saatavana osoitteessa: <https://fi.wikipedia.org/wiki/Tekoäly>. Luettu 2.12.2021. Koneoppiminen, Wikipedia. Verkkosivu. Saatavana osoitteessa: <https://fi.wikipedia.org/wiki/Koneoppiminen> Luettu 2.12.2021. Metropolia edistää kestävän kehityksen osaamista ainutlaatuisen tekoälyratkaisun avulla. Metropolian ajankohtaisten uutisten verkkosivu. Saatavana osoitteessa: <https://www.metropolia.fi/fi/metropoliasta/ajankohtaista/uutiset/metropolia-edistaa-kestavan-kehityksen-osaamista-ainutlaatuisen-tekoalyratkaisun-avulla>. Luettu 2.12.2021. YK:n arvot tekoälykehityksen tienviittana. Politiikasta-sivuston verkkosivu. Saatavana osoitteessa: <https://politiikasta.fi/ykn-arvot-tekoalykehityksen-tienviittana/>. Luettu 2.12.2021. Eettinen tekoäly ja algoritmit. Helsingin Yliopiston verkkosivu. Saatavana osoitteessa: <https://www.helsinki.fi/fi/ajankohtaista/ihmisten-teknologia/eettinen-tekoaly-ja-algoritmit>. Luettu 2.12.2021. Sivonen, A., Heikkinen, K.: Tekoäly - uhka vai mahdollisuus amk-opettajalle. Verkkosivu Haaga-Helia eSignals. Saatavana osoitteessa: <https://esignals.fi/kategoria/pedagogiikka/tekoaly-uhka-vai-mahdollisuus-amk-opettajalle/#0dde0fb1>. Luettu 2.12.2021. Kirjoittaja: Aarne Klemetti työskentelee tutkijaopettajana Metropolia Ammattikorkeakoulussa. aarne.klemetti@metropolia.fi
Kuinka murealta maistuu digitaalinen kaksonen?
Nousevat teknologiat ovat teknologioita, joiden kehitys, käytännön sovellukset tai molemmat ovat vielä suurelta osin toteutumattomia, joten ne nousevat kuvaannollisesti esiin olemattomuuden tai epäselvyyden taustalta. Uusien teknologioiden katsotaan usein pystyvän muuttamaan vallitsevaa tilannetta. Englannin kielessä näistä käytetään termiä ”Emerging Technologies”. Gartnerin hypekäyrän avulla arvioidaan vuosittain, missä kehitysvaiheessa eri nousevat teknologiat ovat ja kuinka kauan menee siihen, että teknologia alkaa ’mureutumaan’ ja ’kypsymään’ asteelta raw medium well done -asteelle [1]. Gartnerin hype-käyrä koostuu viidestä eri tasosta: ”Technology trigger -tasolla nousevat teknologiat tulevat julkisuuteen ja ns. hypetys alkaa. Tässä vaiheessa valmiita tuotteita ei juuri ole ja kokeilut ovat prototyyppi-asteella. Aikaa, teknologian standardoitumiseen ja vakioitumiseen kuluu tyypillisesti 10−20 vuotta. ”Peak of Inflated Expectations -tasolla teknologia on hypekäyrän huipulla. Tästä kestää yleensä 5−10 vuotta teknologian vakioitumiseeen. On myös hyvin tyypillistä, että osa hypetetyistä teknologioista katoaa eikä ota tuulta alleen. ”Trough of Disillusionment -tasolla hypetys hiipuu ja varsinaisen tuotekehitys alkaa, jos on alkaakseen. Tästä 2−5 vuoden kuluttua alkaa markkinoille tulla uusia tuotteita ja teknologian standardointityö alkaa. Myös markkinan kasvu on tällöin voimakkaimmillaan ja vuosikasvut saattavat olla jopa 20−50 %. Tämä on myös erinomainen vaihe integroida teknologioita osaksi korkeakouluopetusta, ei ehkä vielä omiksi kursseikseen, mutta osaksi olemassa olevia. Tämä toki vain silloin, jos tällaiset signaalit osataan luotettavasti tunnistaa. ”Slope of Enlightenment -tasolla teknologia standardoituu 0−2 vuodessa. Markkinan kasvu alkaa tasoittua, joskin se on vielä voimakasta. Tuotteita alkaa tulemaan markkinoille ja niitä alkavat käyttää muutkin kuin ns. early adopterit - varhaiset omaksujat. ”Plateau of Productivity -tasolla teknologia saavuttaa standardoimisvalmiuden sekä alkaa yleistyä myös suurelle yleisölle. Tästä hyvä esimerkki on Ethernet- teknologia, johon nykyinen Internetkin perustuu. Sen kehitys alkoi erilaisilla rinnakkaisilla skenaarioilla 70-luvun taitteessa. Xeroxin kehittämä versio lähti voimakkaimmin kehittymään ja saavutti standardin asteen vuonna 1983, juuri tuon ~15 vuoden kuluttua hypetyksen alkamisesta. Tosin 70-luvulla ei Gartner vielä käyriään julkaissut. Digi-Salama-hankkeen tavoitteena oli luoda osaamista alueelle, kasvattaa yritysten kilpailukykyä sekä synnyttää hankkeen yrityksistä ja teknologiantarjoajista alueelle teknohub työnimellä ARI (Automatio - Robotics - Industry 4.0). Keinoksi tähän valikoitui viisi raa’assa tai medium miinus -vaiheessa olevaa teknologiaa. Tulokulma näihin oli, että niiden ympärille tehtäisiin 25 teknologiademoa, tavoitteena antaa yrityksille mahdollisuus testata uusia teknologioita ja puntaroida, kannattaako niihin investoida. Yksi näistä nousevista teknologioista oli Digital Twin -teknologia eli digitaalinen kaksonen [2]. Digitaalinen kaksonen (Digital Twin, DT) on “kopio” todellisen maailman tuotteesta, prosessista tai fyysisestä kokonaisuudesta. Ajatuksena on, että digitaalinen kaksonen elää saman elinkaaren kuin oikea tuote tai asiakin. Sen hyödyt voidaan jakaa karkeasti neljään vaiheeseen: suunnittelu ja tuotekehitys, valmistus, palvelut sekä elinkaaren loppuosa romuttamisesta kierrätyksen kautta uusioraaka-aineeksi. Tätä asiaa on ansiokkaasti tutkinut mm. Elina Ala-Mäyry opinnäytetyössään (kuva 2) [3 ja 4]. Viisi projektia, viisi näkökulmaa digitaaliseen kaksoseen Digi-Salama-hankkeessa asiakasyrityksiksi digitaalisen kaksosen osalta valikoitui viisi yritystä: Little Garden, Climbstation, Vedia, Energia Talteen sekä Vantaan Energia. Allekirjoittaneella oli kunnia toimia DT-osuuden teemavastavana sekä hankkeen projektipäällikkönä. Little Garden viljelee versoja ja yrttejä vertikaalisesti sekä kehittää kokonaisvaltaisesti kaupunkiviljelyn liiketoimintamalleja ja teknologiaratkaisuja. Projektin aiheena oli suunnitella digitaalinen kaksonen robottimekanismista, jonka tehtävä olisi nostaa ja siirtää viljelyalustoja kerrosviljelylinjastossa. Tämä case toi esille, että DT-teknologia sopii mainiosti tuotekehityksen avuksi, mutta nosti myös koulutustarpeen. Asiakas oli tyytyväinen työn laatuun, mutta totesi että tässä on paljon uutta, koska liikuttiin hänelle vieraalla maaperällä. Yrityksen Climbstation päätuote on liukuhihnaperiaatteella toimiva sisäkiipeilyseinä. Tässä projektissa tutkittiin AR-teknologian hyödyntämistä tuotteessa sekä rakennettiin laitteiston simulaatiomalli, joka taasen osaltaan auttoi kehittämään uuden tuoteversion päätuotteen rinnalle. Selkeästi myös tämä case toi esille, että DT-teknologiasta on hyötyä tuotteen alkuvaiheen konseptoinnissa ja innovoinnissa, koska on mahdollista kokeilla asioita ennen niiden rakentamista. Vedia yrityksen päätuote on Clean Vehicles Wizard. Se on verkkopohjainen työkalu, jonka avulla pyritään helpottamaan julkisia toimijoita tekemään uudistetun EU:n direktiivin mukaista puhdasta ja vihreämpää ajoneuvohankintaa sekä suunnittelemaan niiden käyttöä CO2-myönteisesti. Tämän projektin tarkoitus oli määrittää, mitkä olisivat sellaisia tietoja, joita ajoneuvon digitaalisen kaksosen tulisi sisältää sekä miten niitä voisi jakaa eri kategorioihin järkevästi. Projektin avulla asiakas sai selville suuntaviivat tuotteen jatkokehityksen kannalta. Kaukolämpöverkot tuovat lämmön lähes puolelle Suomen rakennuksista. Ilmastonmuutosta vastaan taistellessa Suomen kaukolämpöverkkojen älyllistäminen digitaalisten kaksosten avulla olisi erinomainen ase pienentämään lämmitysenergian aiheuttamia kasvihuonepäästöjä ja tätä kautta edistämään Suomen ilmastotavoitteita [6]. Vantaan Energialle tehdyssä esiselvitysprojetissa tutkittiin ja saatiin selville, että digitaalinen kaksonen lämmönjakeluverkoista on tulevaisuutta, käytössä jo osassa Euroopan maita sekä tärkeä osa Vantaan Energian tulevaisuuden kehitysskenaarioita. Viidennessä DT-projektissa asiakkaana oli Energia Talteen yhdessä PPP Top Rakennuksen kanssa. Tavoitteena oli kehittää uusi konsepti linjasaneerauksen purkujätteen kierrätykseen. Tuloksen syntyi purkuroope eli purkurobotin digitaalinen kaksonen. Myös tässä tapauksessa teknologia auttoi osaltaan alkuvaiheen tuotekehityksessä ja konseptoinnissa. Digitaalinen kaksonen medium miinus Kuvassa 4 on esitetty digitaalisen kaksonen -teeman tulosindikaattoreiden yhteenveto. Teknologian ja projektien avulla pystyttiin auttamaan yrityksiä uuden tai parannetun tuotteen kehittämisessä. Lisäksi kolmessa projektissa todettiin projektien vaikuttaneen CO2-mittariin. Projektien perusteella voidaan todeta DT-teknologian olevan kehitysvaiheessa ”medium miinus”. Teknologia on selkeästi olemassa ja kehittymässä, mutta kaukana standardointiasteesta. Käyttökelpoisimmillaan se on tuotteen alkuvaiheen kehityksen tukena, mutta sen hyödyntäminen elinkaaren myöhemmissä vaiheissa vaatii vielä yhteisiä kehitysponnistuksia. Selkeä osaamistarve on kuitenkin olemassa ja teknologian hyödyntäminen voi tuoda kilpailuetua yrityksille sekä myös oppilaille työmarkkinoilla. Ehkä ei kuitenkaan opetuksellisesta näkökulmasta omina kursseinaan vaan ennemminkin integroituna nykyisiin kursseihin. Seuraavaksi sitten laitetaankin tilaukseen digitaalinen kaksonen well done, ainakin viiden vuoden päästä! Video 1 Sisäviljelylinjaston digitaalinen kaksonen. Lähteet: [1] Gartner, 2018 Emerging Technologies, 2018. Verkkosivusto. Saatavana osoitteessa: https://www.gartner.com/smarterwithgartner/5-trends-emerge-in-gartner-hype-cycle-for-emerging-technologies-2018, Luettu 5.12.2021. [2] Metropolia AMK, Digi-Salama, 2021. Verkkosivusto. Saatavana osoitteessa: https://digisalama.metropolia.fi/teknologiat/, Luettu 5.12.2021. [3] Ala-Mäyry, Elina. Blogi, 2019, Verkkosivusto, Saatavana osoitteessa: https://blog.elomatic.com/fi/digitaalisen-kaksosen-hyodyt-ja-kayttokohteet/. Luettu 5.12.2021. [4] Liljaniemi, Antti. Digitaaliset kaksoset hypekäyrän huipulla. 2020, Verkkosivusto, Robologi. Saatavana osoitteessa: https://blogit.metropolia.fi/robologi/2020/11/03/digitaaliset-kaksoset-hypekayran-huipulla/, Luettu 5.12.2021. Kirjoittaja: Antti Liljaniemi työskentelee kone- ja autotekniikan lehtorina Metropolia Ammattikorkeakoulussa. antti.liljaniemi@metropolia.fi +358 400 240 756 Metropolia University of Applied Sciences Finland