Umelá inteligencia pracuje už aj pre Slovenské elektrárne

02.03.2022
Možnosti zdieľania:
Dátoví vedci a inžinieri zo Slovenských elektrární dokázali za polrok vyvinúť pod vlastnou strechou prediktívny model, ktorý po niekoľkomesačnom testovaní spustili do produkcie. Pracuje so slovenčinou a špecifickým technickým jazykom používaným v rámci elektrární.

Notification General (NG) je druh hlásenia v informačnom systéme SAP, ktorý slúži zamestnancom Slovenských elektrární na hlásenie porúch, problémov, návrhov na zlepšenie, na hodnotiace činnosti nástrojmi samohodnotenia a benchmarkingu a na zváženie požiadaviek na vydanie, revíziu či zrušenie dokumentu. Evidovaným NG hláseniam sa každý pracovný deň prideľuje úroveň závažnosti a rôzne kódy pre trendovanie. Túto časť procesu nazývame skríning pričom tejto problematike sa venuje samostatná skupina pracovníkov. Po novom v tom bude pracovníkom predskríningovej komisie pomáhať aj umelá inteligencia, ktorá navrhne kódovanie už v momente zadania NG hlásenia do systému SAP.

Podobný prístup aplikujú aj v istej americkej elektrárni, kde inteligentný systém automatického prideľovania kódov na základe rozpoznávania textu a technických miest z hlásení funguje už tri roky. V nadväznosti na stratégiu dátovej vedy v Slovenských elektrárňach vzišla idea skúsiť takúto metódu aplikovať aj v našom prostredí.

Úlohy sa chopili dátoví vedci a inžinieri a v agilnej spolupráci za pol roka interne vyvinuli prediktívny model, ktorý sa ďalšie tri mesiace testoval v praxi. Prínosom projektu je konzistencia v posudzovaní NG hlásení v čase, medzi závodmi a ľuďmi, automatizácia a zrýchlenie činnosti, vyššia informovanosť a sprístupnenie dát pre lepšie nastavenie interných procesov.

Čo sa skrýva vo vnútri umelej inteligencie

Prediktívny model je vytvorený metódami NLP (Natural Languge Processing – spracovania prirodzeného textu), pri ktorej sa vstupné údaje – názov hlásenia, popis, technické miesto a jeho označenie parsujú (separujú) na jednotlivé slová, orezávajú sa koncovky, zoskupujú podľa slovotvorného základu a štandardizujú na binárnu formu spracovateľnú počítačom. Z jedného hlásenia tak vznikne viac ako 15 000 atribútov (príznakov), ktoré vstupujú do prediktívneho modelu.

V srdci umelej inteligencie sú 3 viacvrstvové neurónové siete celkovo s viac ako 70 miliónmi odhadovaných parametrov, ktorých výsledkom je určenie, či má hlásenie vplyv na jadrovú bezpečnosť a „multilabel“ kódovanie pre 52 príčin a 13 typov dopadov hlásenia.

Proces spracovania dát, tvorba modelu a následná interpretácia bola realizovaná pomocou služieb Azure Machine Learning Studio a Databricks.
Proces spracovania dát, tvorba modelu a následná interpretácia bola realizovaná pomocou služieb Azure Machine Learning Studio a Databricks.

Ako veľmi je táto umelá inteligencia „inteligentná“?

Najlepšie modely NLP na svete, ktoré používa napr. Facebook alebo Amazon, dosahujú presnosť okolo 92 % na štandardnej hovorovej angličtine. Naše modely dosahujú presnosť cez 80 %, pričom ide o slovenčinu a špecifický technický jazyk používaný v Slovenských elektrárňach. Konzultácia s nezávislou firmou vyhodnotila naše modely ako nadpriemerne presné, no my budeme naďalej pracovať na ich zlepšovaní. Veľmi nám v tom pomôže dôsledné a správne zaznamenávanie NG hlásení a spätná väzba od zamestnancov a procesu SNAP.

„Kvalita zadávania NG významne ovplyvňuje presnosť modelu, aj tu platí heslo: garbage in-garbage out. Ak dáme do stroja nízko kvalitné vstupy, dostaneme z neho síce pekne transformované, ale stále nízko kvalitné výstupy.“

– Peter Kertys,
Data Scientist, Slovenské elektrárne

Pracujeme na najvyššej úrovni

Ešte pred pár rokmi výpočty takýchto modelov boli časovo veľmi náročné, v súčasnosti však v elektrárňach používame najmodernejšie Cloud technológie, ako napríklad Databricks, ML Studio, Azure Synapse a podobne. S výpočtami nám pomáhajú výkonné počítače s najnovšími grafickými kartami optimalizovanými pre neurónové siete a platíme len za čas výpočtov. Pre porovnanie v minulosti by podobný model trvalo vypočítať hodiny, dnes to máme za pár minút, pričom výpočty bežia paralelne. Konkrétne napríklad náš model vznikol rôznymi variáciami a kombináciami – hyperoptimalizáciou z viac ako 1 000 rôznych modelov.

„Vďaka moderným technológiám dokážeme efektívnejšie spracúvať veľké množstvo dát a hľadať v nich skryté súvislosti.“

– Maroš Bubán,
ICT BI Architekt, Slovenské elektrárne
Návrh architektúry neurónovej siete: 42 481 717 odhadovaných parametrov.
Návrh architektúry jednej z neurónových sietí s 42 481 717 odhadovanými parametrami.

Čo nás čaká ďalej?

Máme množstvo ďalších nápadov, v ktorých by bolo možné využiť potenciál strojového učenia v procese optimalizácie výrobných zdrojov, zefektívnenia procesov, lepšieho plánovania výroby a podobne. Ak chcete byť súčasťou nášho tímu, sledujte ponuky zverejňované na Nalgoo, Profesii alebo na našich sociálnych sieťach.

phone-handsetlocationmagnifiercrossarrow-right