Konica Minolta a její R&D centrum se věnuje aplikování machine learning do praxe

Dnešní doba tzv. čtvrté průmyslové revoluce, kdy nastoupil současný trend digitalizace a s ní související automatizace, přináší společnostem nové možnosti k efektivnějšímu fungování. To vše navíc urychlila pandemie covidu-19, která primárně projevila v transformaci výrobního a logistického a sektoru. Ve společnosti rezonuje pojem jako machine learning (ML), který se stal téměř všudypřítomným a jeho aplikace prokázaly úspěch v mnoha různých oblastech.

Společnost Konica Minolta a její R&D centrum si uvědomovaly důležitost této vyspělé disciplíny již před pandemií proto vytvořily týmy a projekty, které se věnují aplikování do praxe.

Jedním z těchto projektů je Video Analytics System (VAS), který integruje nejnovější trendy z oblasti počítačového vidění a strojového učení. Projekt se zabývá zpracováváním obrazu z průmyslových kamer.

Domluvili jsme se proto s Pavlem Dvořákem (Research Technology Manager), aby nám projekt a jeho vizi více popsal.

Pavle, můžeš prosím více představit projekt VAS?

Tak určitě :) Jak už název napovídá, projekt se zabývá automatizovanou analýzou obrazových dat, ať už videí nebo jednotlivých obrázků. Cílíme v něm na aplikace v průmyslu, především v odvětvích typu výroba, logistika, potravinářství nebo automobilový průmysl. Jedná se o projekt, na kterém v rámci KM spolupracuje několik týmů, konkrétně náš výzkumný tým, který do něj dodává algoritmy pro automatizaci, dále vývojový tým, který má na starost SW vývoj, a naši kolegové z výzkumného týmu v Římě, kteří do něj dodávají algoritmy pro zajištění bezpečnosti na pracovišti a také jeho zabezpečení.

Jak machine learning používáte? A které proměnné zpracováváte?

Machine Learning používáme ve většině našich produktů jako hlavní komponentu řešící problémy našich zákazníků. Nejčastěji se jedná o hluboké neuronové sítě, které trénujeme na specifický úkol. U nás v Brně se soustředíme především na použití ve výrobním průmyslu, konkrétně automatizaci kontroly kvality, která je důležitou součástí výrobního procesu. Může se jednat např. o ověření kompletnosti produktu, instalace správných komponent, či detekci povrchových vad. Pro tyto případy jsme vyvinuli nástroj, pomocí kterého může ML model pro konkrétní problém natrénovat náš obchodní zástupce či dokonce sám zákazník. Odpadá tím tedy nutnost, aby každý zákaznický problém procházel přes R&D oddělení, a zároveň nám to umožňuje doručit řešení rychleji a obsloužit více zákazníků. Mimo kontrolu kvality pracujeme i na dalších algoritmech pro automatizaci v průmyslu, jako jsou čtení textu, detekce objektů či sledování jejich pohybu. Zároveň do našich řešení integrujeme metody, které umožňují postupné učení a vylepšování modelů za běhu.

Aplikací, které dokážou zpracovat obraz a vyhodnotit a rozhodnout situaci je na trhu mnoho, tak v čem je váš projekt jiný?

Neděláme u nás takové ty klasické klasifikátory obrázků nebo detektory běžných objektů. Zároveň nejsme tým, který by používal již hotová cloudová řešení nebo dostupné obecné algoritmy. Nic z toho totiž našim potřebám ve většině případů nevyhovuje. I když jsou naše algoritmy postavené na state-of-the-art přístupech, museli jsme je upravit a rozvinout pro naše použití. Máme několik algoritmů, které byly vyvinuty interně našimi experty právě pro použití ve výrobním průmyslu a které dokážeme opakovaně nasadit u několika zákazníků. Ne pro všechny problémy jsou ovšem dostačující a v takových případech musíme i tak najít nové řešení. Rozdíl oproti běžným aplikacím tkví v tom, že se v našem prostředí potýkáme s malým množstvím trénovacích dat, protože především při použití pro kontrolu kvality není možné nasbírat velký počet defektní vzorků. I to je jedním z důvodů, proč pracujeme na společných metodách s kolegy z FEKT VUT na vývoji algoritmů, které dokážou odhalit vadu pouze na základě naučení se na několika málo správných vzorcích.

Určitě zpracováváte velké množství dat, jak to probíhá? Kde je ukládáte? Jak je to s GDPR?

Většina našeho zpracování probíhá přímo u zákazníka a zde jsou data i uložena. Často se totiž jedná o citlivá data z výrobního procesu, který navíc vyžaduje okamžitou odezvu a zpracování desítek obrázků za sekundu. S GDPR se zde naštěstí potýkat moc nemusíme, protože nezpracováváme žádná osobní data.

Jaké máte klienty? S kým jste dělali pilotní projekt?

Škála našich zákazníků je velice široká. Pracujeme s firmami z různých odvětví (např. automobilový průmysl, výrobci elektroniky, tiskárny či potravinářské firmy), různých velikostí (firmy s desítkami zaměstnanců i nadnárodní korporace) i z různých koutů světa (především firmy, které mají své pobočky ve střední Evropy nebo Asii). Prvním zákazníkem, s nímž jsme dělali pilotní projekt, byl distributor léčiv, který potřeboval ošetřit, aby nebyly k přepravě použity špinavé či rozbité bedny.

Jaký nejkurioznější požadavek přišel od zákazníka?

Ne kuriozním, ale běžným nereálným požadavkem, je stoprocentní přesnost systému. S tímto se setkáváme v požadavcích od zákazníků během prvotních jednání. Musíme jim pak včas vysvětlit, jak technologie funguje a z jakých důvodů to není možné splnit. Zároveň téměř vždy při bližším prozkoumání jejich procesu a současného stavu pochopí, že mu systém přinese benefit i při nižších hodnotách. 

Jaký tým pracuje na projektu? Popiš, v čem jste silní a proč by někdo měl chuť se do něj přidat?

Náš tým se momentálně skládá z tří výzkumníků (CV a ML nadšenci pracující na algoritmech), tří R&D inženýrů (spíše programátoři a bastlíři), mě (bývalý výzkumník, momentálně technický manažer týmu) a product ownera. Nejsme čistí vývojáři a ze scrumu jsme si převzali jen to, co nám vyhovuje. Na procesy si tolik nepotrpíme a hledáme spíše inženýry, kteří dokážou vyřešit problém a sáhnout do kterékoliv technologie, než specialisty na konkrétní programovací jazyk.

Děkujeme Pavlovi za bezva představení projektu a uvedení do machine learning. Pokud vás projekt VAS zaujal, určitě mrkněte na jejich vypsané pozice a spojte se s Pavlem pro více informací.