Uusien datakeskusten sähköntarve tulee olemaan ongelma. Tekoäly käyttää paljon energiaa mallien kouluttamisen, mutta myös kun sitä käytetään. Valmiiden kielimallien todellinen kustannus näkyy usein vasta kun niitä yritetään skaalata laajaan käyttöön. Pilvipalvelujen hintaa on syytä tarkastella ennen kuin varsinainen tuote otetaan käyttöön laajasti. Usein ratkaisu voidaan toteuttaa ns. hybridinä. Nopeaa vastetta varten koodia ja pientä mallia ajetaan paikallisesti, jolloin vasteesta saadaan nopea. Muu raskaampaa laskentaa ja paljon informaatiota käyttävä osuus ajetaan kuitenkin pilvessä vain tarpeen mukaan. Uudet puolivalmiit kielimallit, jotka voidaan kouluttaa valmiiksi omalla datalla ovat tulossa ja nämä mahdollistavat tarkemman ja paremman lopputuloksen kuin geneeriset isot tietomallit. Tietysti näiden kouluttamiseen pitää olla valmiina tarpeeksi dataa ja koulutus tapahtuu pilvessä, jossa on tarpeeksi tehoa ja muistia kouluttamista varten. Pilvipalvelujen tarjoajat ovat valmiita tähän ja uudet datakeskukset rakennetaan osaksi siksi, että asiakkaat pystyvät kouluttamaan omia tietomallejaan.

Tekoälyagentit

Agentit ovat pieniä täsmällisiä toimintoja suorittavia apureita. Agentti on koodattu valmiilla kehityspaketeilla (SDK) ja ne integroidaan käyttämään tietokantaa tai jotain muuta ulkoista rajapintaa. Ne osaavat tehdä täsmällisiä toimintoja, jotka eivät hallusinoi. Agentit ovat autonomisia, ne toimivat ilman ihmisen ohjausta ja niillä on lyhyt muisti (context) sekä pitkäaikainen muisti tarvittaessa (knowledge). Agentit voivat protokollan esimerkiksi Model Context Protocol (MCP) tai Agent to Agent (A2A) ”keskustella” keskenään tai kielimallin kanssa ja ne voidaan integroida olemassa oleviin järjestelmiin, jolloin tämä yhdisteltävyys realisoi varsinaisen hyödyn tekoälyteknologiasta. Uusi ominaisuus, joka on tullut agentteihin ovat taidot (skills). Taitojen avulla agentteille voidaan antaa paremmat ohjeet, miten ja mitä sen pitää tehdä, kun agentin työkalu (tools) rajapintaa käytetään. Taitojen avulla agentti pystyy toimimaan tehokkaammin ja muodostamaan helpommin käytettävää dataa. Agenttien kehittämisessä tarvitaan kontekstin suunnittelua kehotteiden sijasta sekä varsinaisen toiminnan rajaamista niin että se ei ole liian laaja. Tällöin agentit toimivat tehokkaasti ja täsmällisesti. Ohjelmistoagentit ovat jo integroituneet kehitystyökaluihin ja ne tehostavat oikein käytettynä 30-40% nopeampaan koodin tuottamiseen. Agenttien koordinaatio tulee ratkaisevaan osaan, kun agentteja tulee olemaan satoja, jotka osallistuvat jollain tavalla asetettavan tehtävän ratkaisuun.

Agenttien avulla tehtävä kunnonvalvonta

Agenttien on oltava tietoturvallisia ja niiden jakaman tiedon kanssa pitää olla tarkkana. Yhteiskäyttö ja varsinkin eri toimittajien tekemät agentit, jotka osaavat jutella ja käyttää tietoa halutun käyttötapauksen tilanteen muodostamiseksi esimerkiksi kunnonvaltaa varten pitää määritellä tarkkaan. Tämä esimerkki voi olla tulevaisuudessa uusi sovellusalue, jossa laitteen diagnostiikan lukeminen ja reaaliaikaisen tiedon yhdistämisen sijasta voidaan käyttää laitevalmistajan toimittamia agentteja kunnonvalvontaan. Tämän ratkaisun hyötynä on se, että kaikkea dataa ei tarvitse tallettaa uudestaan vaan laitetoimittajan ja laitteen yhdistelmä muodostaa kunnonvalvonnan tilanteen ja pystyy antamaan myös ohjeet ja ennakoimaan paremmin laitteen huollon kuin erillinen kunnossapitojärjestelmä, joka on ulkopuolinen ja geneerinen järjestelmä, jolla ei ole tarkkaa yksityiskohtaista tietoa laitteesta. Laitetoimittaja tietää ja tuntee parhaiten omat laitteensa ja niiden huollon. Laitteen mukana toimitetaan dokumentteja, nykyään sähköisenä PDF muodossa ja samoin laitteen konfigurointia varten nykyiset kenttäväylät tarvitsevat laitekuvaustiedoston, jota konfigurointiohjelmat tarvitsevat. Laitetoimittaja voisi toimittaa valmiita agentteja, jotka osaavat lukea reaaliaikaiset tiedot sekä käyttää laitteen dokumentaatiota sekä toimittajan luomaa laitemallia. Näiden avulla asiakkaan tekoälyjärjestelmä voi kysyä agenteilta huoltotarpeen sen sijaan, että laitteilta luettaisiin dataa ja sitä talletettaisiin. Tästä datasta voitaisiin tehdä malli laitteen kunnosta. Agentit osaisivat muodostaa suoraan huolto-ohjelman aikatauluineen, varaosineen sekä ohjeineen. Ne osaisivat tehdä, jopa suoraan tilaukset SAP:iin tai muuhun taustajärjestelmään sopivan agentin kautta. Tietysti nämä pitää ihmisen vielä hyväksyä mm. budjetin ja muiden tietojen takia, joihin agenteilla ei välttämättä ole pääsyä. Oikean kokonaiskuvan muodostaminen tehtaasta ja sen laitteista vaatii tietoa, joka on usein vain ihmisellä. Tätä kokonaisuutta varten laitetoimittajien kanssa pitäisi käydä läpi erilaisia vaihtoehtoja ja luoda kunnossapitoagentteja varten runko, jota kaikki toimittajat voisivat käyttää. Myös geneerinen agentti voisi toimia, kunhan se saa luettua laitteen tiedot sekä muut ohjeet, mutta paras lopputulos saataisiin, kun laitetoimittaja voisi tarjota valmiin mallin. Toimittajan malli sisältäisi suojatun mallin ja se osaisi lukea myös laitteen sisäisiä diagnostiikkatietoja, joita ei normaalisti voida käyttää kunnonvalvonnassa.

Agentit tehostamassa suunnittelua

Agenttien avulla voidaan tehostaa myös suunnittelua. Erilaiset kielimallit, jotka osaavat lukea Excel, PDF ja muita perussuunnitteluun liittyviä dokumentteja hakevat tietoa yleisellä tasolla. Agenttien avulla voidaan hakea tarkemmin ja käyttää jäsennintä (parseria), joka osaa lukea dokumentista erikseen halutut osat ja tallettaa ne suunnittelua varten. Laitoksen automaation suunnittelusta saadaan suurin osa tiedoista kerättyä valmiiksi käytettäväksi varsinaisessa suunnittelussa tällä tavoin. Piirien tietojen tai mallipohjaisen (template) suunnittelun tehokkuutta saadaan nostettua. Seuraava askel suunnittelussa on käyttää Co-pilot tai muuta tekoälyä perinteisen koodin generoinnin sijasta sovelluskoodin tuottamiseen. Tähän suuntaan ollaan jo menossa ja erilaisia alustavia kokeiluja löytyy jo PLC ohjelmointiin. Agenteille voidaan antaa taidot, joiden perusteella saadaan luotua sovelluspiirejä ja näyttöjä, joiden tekeminen käsin veisi enemmän aikaa. Samalla voitaisiin integroida agentit käyttämään suunnittelutyökaluja niin että koko työnkulku voisi olla agenttien ohjaama. Tietyissä kriittisissä kohdissa agentti pyytää vahvistusta ihmiseltä voiko se suorittaa toimenpiteen vai ei. Nämä automaatioagentit mahdollistaisivat erilaisten automaatioratkaisujen tuottamisen ja projektien tekemisen erittäin tehokkaasti.

Agentit operaattorin apuna tehtaan operoinnissa

Tietyissä erikoistilanteissa vaaditaan nopeaa päätöksentekoa kuten jos voimalaitos joutuu häiriötilanteeseen. Tätä on voitu harjoitella turvallisesti simulaattorissa, mutta oikean tilanteen tullessa kohdalle agentti voi antaa ohjeet operaattorille, kuinka toimia tilanteessa. Sähköverkon häiriöt ovat yksi ennakoimaton tilanne, joissa voi syntyä tilanne, jossa voimalaitos irtoaa valtakunnan verkosta ja se pitää saada synkronoitua ja kytkettyä takaisin verkkoon mahdollisimman nopeasti. Tässä agentti voi auttaa antamalla suoraan oikeat ohjeet operaattorille. Vastaavasti paperikoneen ratakatkon tapahtuessa täsmälliset ohjeet auttavat operaattoria radan päänviennin kanssa, jolloin tuotantokatkon pituus saadaan minimoitua. Osa avustavista agenteista voidaan esiohjelmoida koulutussimulaattorin avulla. Osa voisi olla dynaamisia, jotka operaattori voisi luoda tarpeen mukaan sellaisen ongelmatilanteen kanssa, jota ei ole esiohjelmoitu. Tätä varten operaattori voi käydä läpi historiakantaa ja samaan aikaan tehtyä operointeja ja koostaa niistä itselleen avustavan agentin vastaavaa tilannetta varten.

Tuotannon optimointi agenttien avulla

Usein operaattoreilla on oma tapansa ajaa tehdasta ja tämä näkyy, kun tarkastellaan tarkemmin tehtaan ajettavuutta ja raaka-aineiden sekä energian käyttöä. Pienet asetusarvomuutokset voivat vaikuttaa paljon tehtaan tuottavuuteen. Ratkaisuna voisi olla tekoäly agentti, joka kertoo operaattorille, miten muutos vaikuttaa tuotantoon. Taustalle tarvitaan prosessimalli ja sitä käyttävä ennusteen luova agentti sekä historian muistava agentti, joka osaa vertailla miten muutos vaikuttaa. Usein operaattorit muuttavat tiettyä joukkoa asetusarvoja ja näiden muutosten seurantaan laittaminen ja vertailun toteuttaminen mallin ja muutosten vaikutusten kanssa antaisi suhteellisen luetettavan kuvan operaattorille. Myös tehtaan erilaisten tuottavuus ja tehokkuusmittareiden reaaliaikainen valvonta olisi hyvä antaa agenteille, jotka osaavat keskustella keskenään ja hakea mahdollisia energiaa säästäviä ratkaisuja. Ihmisen on vaikeaa hahmottaa usean muuttujan ja rajoituksen alaista prosessia, jossa kuitenkin halutaan pitää tuotanto vakaana. Tämä mahdollistaisi uudet käyttäjämallit ja ajotavat.

Tekoäly & agenttien arkkitehtuuri ja ohjelmistotekniikka

Tekoälyn käyttö ja sen vaatima arkkitehtuuri vaativat uusia taitoja. Samoin agenttien ohjelmointi ja niiden vaatima moniagenttiympäristön luominen ja ymmärtäminen tuovat yliopistoille uusia kursseja tai vanhojen kurssien sisältöä pitää uudistaa. Teollisuus tarvitsee uutta osaamista ja tarvitaan erilaisia uudelleen koulutuksia nykyisille ohjelmoijille ja prosessien operaattoreille. Muutoksen nopeus ja organisaatioiden hitaus vaikeuttavat tätä työtä. Ongelmana on monessa yrityksessä ja yliopistossa hidas byrokratia ja vuosittainen toimintasuunnitelma niin sanottu vuosikalenteri, joka määrittelee budjetin ja toiminnot koko vuodeksi etukäteen. Kun puhutaan ketterästä kehityksestä, niin pitäisi puhua myös ketterästä organisaatiosta ja dynaamisesta/joustavasta budjetoinnista. Näiden yhdistelmällä saisimme korjattua monta asiaa ja teollinen toiminta piristyisi. Vuosi 2026 tulee näyttämään miten tekoälyn käyttö aktivoituu teollisuudessa ja millaisia sovelluksia & integraatioita jatkossa tulemme käyttämään.

Tekoäly mahdollistaa uusia liiketoimintamalleja

Perinteisen teollisuuden kunnonvalvonnan ja säätimien parametrien optimoinnin kapasiteetti pohjaiset lisenssit voivat väistyä, kun agenttien avulla voidaan myydä laitoksen ja prosessien tehokkuutta. Tietyn tehokkuuden hinta on vakio ja jos tehokkuus laskee, laskee myös hinta. Myyjä pyrkii käyttämään tietyn verran laskentakapasiteettia, jolla tehokkuuteen päästään. Ylläpito ja valvonta-agentit hoitavat tarvittaessa laskentakapasiteetin lisäämisen tai mallin virittämisen uuteen ajotilanteeseen. Se toimittaja, joka pystyy takaamaan ja toimittamaan parhaan tehokkuuden nostamisen voittaa. Toinen mahdollisuus on transaktiopohjainen lisenssimalli. Tässä tietokantaan talletettaessa tai sieltä luettaessa dataa tapahtuu transaktio, jolle on määritelty hinta. Käyttäjä pyrkii tietysti tallettamaan tai hakemaan mahdollisimman paljon tietoa yhden transaktion sisällä. Rajoitteena voi olla kuitenkin tiedon koko tai transaktion kestoaika. Nämä asettavat toiminnalle rajat, joiden perusteella voidaan toimia ennakoidussa ajassa. Haasteena tulee olemaan erilaiset poikkeustilanteet ja kuinka virheettömiä tai vikasietoisia tekoäly + agentti yhdistelmiä pystytään muodostamaan niin että asiakkaat uskaltavat niitä ensin kokeilla ja ottaa käyttöön. Erilaiset uudet ekosysteemit voisivat muodostaa myös uuden markkinan agenttien käyttöön ja myyntiin.

Yhteenveto

Oma näkemykseni on, että jossain vaiheessa muutaman vuoden päästä tekoälyä käytetään teollisuudessa hajautetusti. Ensin on saatava perusta luotua agenttien käyttämiseksi ensi vuoden aikana, koska kehitys on tällä hetkellä todella nopeata. Uudet dynaamiset agentit auttavat ihmistä päätöksien tekemisessä ja avustavat esimerkiksi huoltotehtävissä, niiden suunnittelussa, tekemisessä ja raportoinnissa. Dynaamisten agenttien lisäksi, uudet interaktiiviset agentit voivat oppia ihmiseltä ja näin sopeutua paremmin toimintaympäristöön ja vaatimuksiin mitä agenttien pitää osata, mutta tarvitsemme edelleen ihmisiä tuottamaan uutta tietoa ja varmistamaan mallien sekä agenttien toimivuus sekä tekemään varsinaiset käsin tehtävät työt tehtaalla.