Simulerat sågverk visar var AI brister i industrin
I ett simulerat sågverk på RISE fick AI-agenter övervaka en virkestork. När en fuktgivare gradvis började visa fel värden lyckades ingen av modellerna hitta felet. Försöket visar varför AI behöver mer sammanhang och tydliga gränser innan den får agera i industrin. Petri Luomala och Joakim Eriksson berättar om arbetet.
Vad krävs för att släppa in AI i industrin?
– För industrin omfattar säkerhet också personsäkerhet, hälsa och miljö. Det är viktigt att förstå vilka konsekvenser ett fel kan få i de här miljöerna, säger Petri Luomala.
Han beskriver hur prediktiva AI-modeller redan används för att upptäcka tecken på kommande maskinhaverier. Men att låta en AI-agent agera på prognosen är ett större steg. Att själv sänka hastigheten eller stoppa en maskin kan påverka andra delar av processen. Hur vet man att åtgärden är säker? Vem ansvarar om något går fel?
För att införa sådana lösningar behöver flera kompetenser mötas. IT kan nätverken och systemen. De som arbetar med operativ teknik, OT, kan maskinerna och industriprocessen. Leverantörerna bidrar med utrustning, programvara och underhåll.
Hur får man då de här kompetenserna att samverka i praktiken? Det var en av frågorna som kom upp när RISE samlade flera sågverksföretag till en träff i Borås. Träffen lade grunden för OTTO (Operativ teknik och tillförlitlig interoperabilitet). I projektet arbetar RISE, industriföretag och teknikleverantörer tillsammans för att industriella styrsystem ska kunna samverka med moderna IT-system utan att äventyra säkerhet eller drift.
Är AI redo för industrin?
Ja, men det finns mer att göra. För att AI ska kunna agera behöver vi kunna lita på att den tolkar informationen i rätt sammanhang.
– En agent är precis så bra som dess verktyg låter den se, och precis så farlig som dess verktyg låter den agera, säger Joakim Eriksson.
AI behöver förstå sammanhanget
Det räcker inte att ge AI tillgång till många mätvärden. En temperatur på 50 grader kan vara rimlig vid virkestorkning men helt fel i en kyl. För att skilja situationerna åt behöver systemet veta vad värdet avser.
– Data behöver kunna beskriva sig själv: vad som mäts, i vilken enhet och var givaren sitter, förklarar Petri Luomala.
Här kommer metadata och semantik in, frågor som RISE arbetar med inom Semantic Data Readiness. Metada ta beskriver exempelvis vilken givare en mätning kommer från, när den gjordes och om temperaturen anges i Celsius. Semantiken tydliggör betydelsen och sambanden: att givaren sitter i en kyl som förvarar livsmedel och vilka temperaturer som är rimliga där.
Med det sammanhanget skulle AI få bättre förutsättningar att slå larm när något verkar fel. Begriplig data hjälper också människorna som arbetar med systemen. När IT, operatörer och leverantörer kan tolka informationen på samma sätt blir det lättare att samarbeta och upptäcka missförstånd.
Testa innan AI får agera
Men hur vet vi att AI reagerar rätt när något faktiskt går fel? Simulatorer gör det möjligt att medvetet skapa fel och störningar och undersöka hur systemen hanterar dem, utan att riskera den pågående produktionen.
Ett exempel är ett simulerat sågverk med en virkestork som Joakim Eriksson har byggt. Där fick AI-agenter övervaka driften, diagnostisera fel och begära åtgärder inom bestämda gränser. I ett försök fick en fuktgivare gradvis visa fel värden. Inget larm utlöstes, men virket tog skada i simuleringen. Ingen av de testade modellerna lyckades diagnostisera felet.
Sådana försök kan synliggöra begränsningar som annars är svåra att upptäcka. De ger också möjlighet att undersöka vilken information och vilka verktyg AI behöver för att klara uppgiften bättre, inför fortsatt utvärdering i verklig miljö.
Vilka åtgärder AI sedan får utföra behöver styras av tydliga behörigheter, säkerhetsgränser och ansvar.
Från molnet ner till jorden igen, en växande trend?
– Under en period skulle allt upp till molnet. Nu börjar vissa ta ner det på jorden igen, säger Petri Luomala.
Han och Joakim Eriksson ser ett växande intresse för att hantera data och köra digitala lösningar lokalt. Ett exempel är sågverksföretaget Fiskarheden, en av industripartnerna i OTTO, som satsar på ett eget datacenter och lokal drift för att stärka motståndskraften.
Det handlar både om cybersäkerhet och om tillgänglighet. En extern tjänst kan utsättas för ett angrepp eller sluta fungera. Internetuppkopplingen kan försvinna. Funktioner som är avgörande för säkerhet och drift behöver ändå fungera.
Lokal drift kan minska dessa beroenden, men kräver också egen kompetens, säkerhet och underhåll. Därför behöver varje verksamhet avgöra vilka funktioner som måste finnas nära processen och hur de ska fungera vid ett avbrott.
Att införa AI säkert i svensk industri kräver att de som kan tekniken och de som kan processen arbetar tillsammans. Som Joakim Eriksson understryker är agentens förmåga beroende av den information och de verktyg den får tillgång till. En varning från ett AI-system kan ge operatören tid att ingripa innan maskinen havererar. Men vad händer om systemet får stoppa maskinen självt? I RISE simulerade sågverk går det att pröva hur AI reagerar på fel och vilka åtgärder den föreslår. Det ger industrin underlag för att avgöra när AI kan få ingripa och när operatören behöver fatta beslutet.
Exempel på hur RISE bidrar till säkrare AI i svensk industri
På RISE möts forskning inom AI, cybersäkerhet och industriella processer för att utveckla säkra och tillförlitliga AI-lösningar. Fokus ligger på att skydda både driften och människorna i produktionen.
Två exempel på vad vi gör:
Ett exempel är projektet OTTO där RISE tillsammans med partners från industrin undersöker hur industriella styrsystem ska kunna samverka med moderna digitala lösningar utan att äventyra säkerhet eller drift. Här ingår också frågor om ansvarsfördelning mellan IT, operativ teknik och leverantörer.
I projektet Semantic Data Readiness utvecklas metoder och arbetssätt som gör industridata begripliga för både människor och maskiner. Hur vet AI:n hur den ska tolka datan? Att tydliggöra vad data faktiskt betyder och i vilket sammanhang de ska användas är avgörande för att utveckla tillförlitlig AI som tar rätt beslut.