AI coraz częściej trafia do produkcji, logistyki czy finansów. Są jednak projekty, które pokazują jej potencjał w zupełnie nieoczywistych obszarach.
Jednym z nich jest projekt realizowany razem z firmą NeuroSYS.
Cel był prosty: monitorowanie wzrostu krewetek w czasie rzeczywistym.
Brzmi nietypowo, ale problem, który rozwiązywaliśmy, jest bardzo dobrze znany wielu firmom:
- brak danych w trakcie procesu
- brak kontroli operacyjnej
- decyzje podejmowane z opóźnieniem
O kulisach tego projektu rozmawiamy w podcaście „AI w Produkcji”.
Spis treści
O czym jest odcinek podcastu?
W rozmowie z Tomaszem Kowalczykiem, CEO w firmie NeuroSYS, omawiamy projekt wdrożenia systemu AI do:
- monitorowania wzrostu krewetek w czasie rzeczywistym,
- analizy biomasy i śmiertelności,
- wykrywania stresu i chorób,
- optymalizacji całego cyklu hodowlanego.
Kluczowym wyzwaniem było odejście od manualnych pomiarów na końcu procesu na rzecz ciągłego monitorowania danych w trakcie jego trwania.
Problem: brak danych w trakcie procesu
W tradycyjnej hodowli krewetek kluczowy problem jest prosty.
Nie wiadomo, co dzieje się w trakcie cyklu produkcyjnego.
Proces trwa kilka miesięcy, a jego efekty są znane dopiero na końcu. Biomasa jest mierzona dopiero po wyłowieniu.
Jak mówi Tomasz:
„Bez użycia sztucznej inteligencji było to możliwe tylko na koniec procesu, kiedy krewetki są wyławiane i ważone.”
To oznacza, że optymalizacja jest praktycznie niemożliwa. Reagujemy dopiero wtedy, gdy jest za późno.
Najpierw zrozum proces
Zanim powstał jakikolwiek model AI, zespół musiał zrozumieć biznes klienta.
To oznaczało wejście w świat akwakultury i poznanie szczegółów hodowli:
- cyklu życia krewetek,
- warunków środowiskowych,
- wpływu światła, temperatury i zagęszczenia,
- realnych problemów operacyjnych.
Jak podkreśla Tomasz:
„Najpierw musieliśmy zrozumieć cały cykl hodowlany.”
To etap Discovery. Bez niego większość projektów AI kończy się jako ciekawostka technologiczna bez realnej wartości.
Wartość dla klienta:
- jasne zdefiniowanie problemu
- lepsze decyzje projektowe
- uniknięcie zbędnych kosztów
Co naprawdę mierzyć
Kolejnym krokiem było określenie, co dokładnie należy mierzyć.
Okazało się, że samo liczenie krewetek nie wystarczy.
System musiał:
- liczyć populację
- mierzyć długość pojedynczych osobników
- estymować wagę
- analizować tempo wzrostu
- wykrywać śmiertelność
I to wszystko w czasie rzeczywistym.
To etap Definition, w którym powstaje fundament całego rozwiązania.
Wartość dla klienta:
- dobrze zaprojektowany system
- ograniczenie ryzyka
- realna użyteczność biznesowa
AI w realnym świecie
Największe wyzwania pojawiły się na etapie wdrożenia.
To nie był sterylny problem data science. To był fizyczny świat.
System opierał się na kilku kluczowych elementach.
Kamery
Zamiast budować drogi system od zera, wykorzystano iPhone jako kamery.
Powstała aplikacja, która:
- robi zdjęcia,
- przesyła je przez Wi-Fi,
- przekazuje dane do centralnego systemu.
Algorytmy AI
System wykorzystywał computer vision do:
- wykrywania krewetek,
- liczenia ich,
- mierzenia długości,
- estymacji biomasy.
Wyzwania techniczne
Środowisko było bardzo wymagające:
- refleksy światła na wodzie,
- zmienne oświetlenie,
- szybki ruch krewetek,
- nakładające się obiekty.
Jak opisuje Tomasz:
„Krewetki poruszają się bardzo szybko, nakładają się na siebie i są obserwowane przez wodę.”
To klasyczny przykład, gdzie AI musi działać w warunkach dalekich od idealnych.
Wartość dla klienta:
- działający system, a nie tylko model
- integracja z procesem
- dostęp do danych operacyjnych
Przełom: dane w czasie rzeczywistym
Największa zmiana była prosta, ale przełomowa.
Zamiast danych na końcu procesu pojawiły się dane dostępne cały czas.
To pozwala:
- monitorować wzrost,
- analizować trendy,
- reagować natychmiast.
Z perspektywy biznesowej to ogromna zmiana jakościowa.
Rozwój po wdrożeniu
Największa wartość pojawiła się po uruchomieniu systemu.
Projekt został rozwinięty o kolejne funkcjonalności.
Wykrywanie chorób
System pomaga identyfikować problemy zdrowotne na wczesnym etapie.
Analiza stresu
To jeden z najbardziej zaskakujących elementów projektu.
„Zestresowana krewetka zmienia kolor ogonka z przezroczystego na czerwony.”
Dzięki analizie obrazu można:
- wykrywać nieprawidłowe warunki,
- zmniejszać śmiertelność,
- poprawiać efektywność hodowli.
Komercjalizacja
Rozwiązanie jest rozwijane w kierunku produktu:
- bardziej uniwersalne kamery,
- łatwiejsze wdrożenie,
- możliwość skalowania.
To właśnie faza Direction.
Wartość dla klienta:
- ciągłe ulepszanie
- przewaga konkurencyjna
- nowe możliwości biznesowe
AI poza fabryką
Ten projekt pokazuje jedną ważną rzecz.
AI nie jest ograniczone do typowych zastosowań przemysłowych.
Może być wykorzystane wszędzie tam, gdzie:
- istnieje proces fizyczny,
- brakuje danych,
- decyzje są opóźnione.
Dlatego podobne rozwiązania pojawiają się w:
- hodowli ryb,
- Rolnictwie,
- produkcji żywności,
- monitoringu zwierząt.
Na naszej stronie znajdziesz również case study tego rozwiązania, w którym pokazujemy szczegóły wdrożenia i efekty biznesowe.
Posłuchaj odcinka podcastu
Jeśli chcesz zobaczyć, jak wygląda AI w praktyce:
- jak budować rozwiązania w trudnym środowisku,
- jak wygląda wdrożenie od środka,
- jak łączyć AI z realnym biznesem,
posłuchaj rozmowy z Tomaszem Kowalczykiem z NeuroSYS.
