Juna.ai می خواهد از عوامل هوش مصنوعی برای کارآمدتر کردن کارخانه ها در مصرف انرژی استفاده کند

عوامل هوش مصنوعی بسیار خشمگین هستند، روندی که توسط هوش مصنوعی مولد و رونق مدل زبان بزرگ (LLM) در چند سال اخیر هدایت شده است. به توافق رساندن افراد در مورد اینکه عوامل هوش مصنوعی دقیقاً چه هستند یک چالش است، اما اکثر آنها معتقدند که آنها برنامه های نرم افزاری هستند که می توان وظایفی را به آنها اختصاص داد و تصمیم گیری کرد – با درجات مختلف استقلال.

به طور خلاصه، عوامل هوش مصنوعی فراتر از آنچه یک چت ربات صرف می تواند انجام دهد فراتر می رود: آنها به مردم کمک می کنند تا کارها را انجام دهند.

هنوز روزهای اولیه است، اما شرکت هایی مانند Salesforce و Google در حال حاضر سرمایه گذاری زیادی روی عوامل هوش مصنوعی انجام می دهند. اندی جاسی، مدیر عامل آمازون اخیراً به الکسای «عاملی» در آینده اشاره کرده است، الکسای که به همان اندازه که در مورد عمل است به همان اندازه که حرف است.

در کنار هم، استارت‌آپ‌ها نیز در حال جمع‌آوری نقدینگی هستند. جدیدترین آنها شرکت آلمانی است Juna.ai، که می خواهد با خودکار کردن فرآیندهای پیچیده صنعتی به کارخانه ها کمک کند تا کارایی بیشتری داشته باشند تا “به حداکثر رساندن توان تولید، افزایش بهره وری انرژی و کاهش انتشار کلی”.

و برای رسیدن به این هدف، استارت آپ مستقر در برلین امروز اعلام کرد که 7.5 میلیون دلار از شرکت سرمایه گذاری خطرپذیر سیلیکون ولی جمع آوری کرده است. کلاینر پرکینز، مستقر در سوئد Norrsken VCو رئیس کلینر پرکینز جان دوئر.

خودآموزی راه است

Juna.ai که در سال 2023 تأسیس شد، دست ساز است ماتیاس آف در مائر (تصویر بالا، سمت چپ) و کریستین هاردنبerg (تصویر بالا، سمت راست). Der Mauer قبلا یک راه اندازی تعمیر و نگهداری ماشین پیش بینی به نام AiSight و تاسیس کرده بود آن را به شرکت سوئیسی حسگرهای هوشمند Sensirion فروخت در سال 2021، در حالی که هاردنبرگ مدیر ارشد فناوری سابق در غول تحویل غذای اروپایی Delivery Hero است.

در هسته خود، Juna.ai می‌خواهد به تسهیلات تولیدی کمک کند تا به سیستم‌های هوشمندتر و خودآموز تبدیل شوند که می‌توانند حاشیه سود بهتر و در نهایت ردپای کربن کمتری ارائه دهند. تمرکز این شرکت بر “صنایع سنگین” است – صنایعی مانند فولاد، سیمان، کاغذ، مواد شیمیایی، چوب و نساجی با فرآیندهای تولید در مقیاس بزرگ که مواد خام زیادی مصرف می‌کنند.

der Mauer به TechCrunch گفت: “ما با صنایع بسیار فرآیند محور کار می کنیم و بیشتر شامل موارد استفاده ای است که انرژی زیادی مصرف می کنند.” بنابراین، برای مثال، راکتورهای شیمیایی که از گرمای زیادی برای تولید چیزی استفاده می کنند.

نرم افزار Juna.ai با ابزارهای تولید سازندگان، مانند نرم افزارهای صنعتی از ادغام می شود آووا یا SAP، و به تمام داده های تاریخی آن که از حسگرهای ماشین جمع آوری شده است نگاه می کند. این ممکن است شامل معتدل، فشار، سرعت، و تمام اندازه گیری های خروجی داده شده، مانند کیفیت، ضخامت، و رنگ باشد.

با استفاده از این اطلاعات، Juna.ai به شرکت‌ها کمک می‌کند تا نمایندگان داخلی خود را آموزش دهند تا تنظیمات بهینه ماشین‌آلات را پیدا کنند، و به اپراتورها داده‌ها و راهنمایی‌های هم‌زمان می‌دهد تا مطمئن شوند همه چیز در اوج بازدهی با حداقل ضایعات کار می‌کند.

به عنوان مثال، یک کارخانه شیمیایی که نوع خاصی از کربن را تولید می‌کند، ممکن است از یک راکتور برای مخلوط کردن روغن‌های مختلف با یکدیگر و قرار دادن آن در یک فرآیند احتراق پر انرژی استفاده کند. برای به حداکثر رساندن خروجی و به حداقل رساندن ضایعات باقیمانده، شرایط باید بهینه باشد، از جمله سطوح گازها و روغن های مورد استفاده، و دمای اعمال شده در فرآیند. با استفاده از داده‌های تاریخی برای ایجاد تنظیمات ایده‌آل و در نظر گرفتن شرایط بلادرنگ، ظاهراً عوامل Juna.ai به اپراتور می‌گویند که چه تغییراتی را برای دستیابی به بهترین خروجی باید انجام دهند.

اگر Juna.ai بتواند به شرکت‌ها در تنظیم دقیق تجهیزات تولیدی خود کمک کند، می‌توانند با کاهش مصرف انرژی، توان عملیاتی خود را بهبود بخشند. این یک برد-برد است، هم برای نتیجه مشتری و هم برای ردپای کربن آن.

Juna.ai می گوید که مدل های هوش مصنوعی سفارشی خود را با استفاده از ابزارهای منبع باز مانند TensorFlow و PyTorch. و برای آموزش مدل‌های خود، این شرکت از یادگیری تقویتی استفاده می‌کند، زیر مجموعه‌ای از یادگیری ماشین (ML) که شامل یادگیری مدل از طریق تعامل با محیط خود می‌شود – اقدامات مختلفی را امتحان می‌کند، آنچه اتفاق می‌افتد را مشاهده می‌کند و بهبود می‌یابد.

هاردنبرگ به TechCrunch گفت: “نکته جالب در مورد یادگیری تقویتی این است که چیزی است که می تواند اقداماتی انجام دهد.” «مدل‌های معمولی فقط پیش‌بینی می‌کنند، یا شاید چیزی تولید کنند. اما آنها نمی توانند کنترل کنند.»

بیشتر کارهایی که Juna.ai در حال حاضر انجام می‌دهد بیشتر شبیه یک «کپیلوت» است – صفحه‌ای را ارائه می‌کند که به اپراتور می‌گوید چه تغییراتی را باید در کنترل‌ها انجام دهد. با این حال، بسیاری از فرآیندهای صنعتی به طور باورنکردنی تکراری هستند، به همین دلیل است که یک سیستم را قادر می سازد تا اقدامات واقعی را انجام دهد. به عنوان مثال، یک سیستم خنک کننده ممکن است نیاز به تنظیم دقیق دائمی داشته باشد تا اطمینان حاصل شود که دستگاه دمای مناسب را حفظ می کند.

کارخانه ها در حال حاضر به خوبی به خودکارسازی کنترل های سیستم با استفاده از آن عادت کرده اند PID و MPC کنترل‌کننده‌ها، بنابراین این کاری است که Juna.ai نیز می‌تواند انجام دهد. با این حال، برای یک استارت‌آپ نوپای هوش مصنوعی، فروش یک خلبان آسان‌تر است – فعلاً این یک قدم کوچک است.

«از لحاظ فنی این امکان برای ما وجود دارد که در حال حاضر اجازه دهیم به طور مستقل اجرا شود. ما فقط باید اتصال را پیاده سازی کنیم. اما در نهایت، همه چیز در مورد ایجاد اعتماد با مشتری است.» der Mauer گفت.

هاردنبرگ اضافه کرد که مزیت پلتفرم این استارت آپ در صرفه جویی در نیروی کار نیست و خاطرنشان کرد که کارخانه ها در حال حاضر از نظر خودکارسازی فرآیندهای دستی «کاملاً کارآمد» هستند. همه چیز در مورد بهینه سازی این فرآیندها برای کاهش ضایعات پرهزینه است.

او گفت: «در مقایسه با فرآیندی که 20 میلیون دلار انرژی برای شما هزینه دارد، با حذف یک نفر چیز زیادی به دست نمی آید. بنابراین سود واقعی این است که آیا می‌توانیم از 20 میلیون دلار انرژی به 18 یا 17 میلیون دلار برسیم؟

عوامل از پیش آموزش دیده

در حال حاضر، وعده بزرگ Juna.ai یک عامل هوش مصنوعی است که برای هر مشتری با استفاده از داده های تاریخی آنها طراحی شده است. اما در آینده، این شرکت قصد دارد تا نمایندگی‌های «از پیش آموزش‌دیده» را ارائه دهد که نیازی به آموزش در مورد داده‌های مشتری جدید ندارند.

der Mauer گفت: “اگر ما بارها و بارها شبیه سازی ها را بسازیم، به جایی می رسیم که به طور بالقوه می توانیم الگوهای شبیه سازی داشته باشیم که می توان دوباره از آنها استفاده کرد.”

بنابراین، اگر دو شرکت از یک نوع راکتور شیمیایی استفاده کنند، برای مثال، ممکن است بتوان عوامل هوش مصنوعی را بین مشتریان بالا برد و جابجا کرد. یک مدل برای یک ماشین، خلاصه کلی است.

با این حال، نمی توان این واقعیت را نادیده گرفت که شرکت ها به دلیل نگرانی های مربوط به حفظ حریم خصوصی داده ها، برای ورود به انقلاب رو به رشد هوش مصنوعی مردد بوده اند. این نگرانی‌ها در Juna.ai از بین نمی‌روند، اما هاردنبرگ می‌گوید که این موضوع تا کنون یک مسئله مهم نبوده است، تا حدی به دلیل کنترل‌های محل اقامت داده‌ها، و تا حدودی به دلیل قولی که به مشتریان در زمینه باز کردن ارزش پنهان از آن می‌دهد. بانک های گسترده ای از داده ها

هاردنبرگ گفت: «من آن را به عنوان یک مشکل بالقوه می دیدم، اما تا کنون، مشکل چندان بزرگی نبوده است، زیرا ما تمام داده ها را در آلمان برای مشتریان آلمانی خود باقی می گذاریم. آنها سرور خود را راه اندازی می کنند، و ما تضمین های امنیتی درجه یک داریم. از طرف خود، آنها همه این داده ها را در اختیار دارند، اما در ایجاد ارزش از آن چندان موثر نبوده اند. بیشتر برای هشدار یا شاید برخی تجزیه و تحلیل های دستی استفاده می شد. اما دیدگاه ما این است که می‌توانیم با این داده‌ها کارهای بیشتری انجام دهیم – یک کارخانه هوشمند بسازیم و بر اساس داده‌هایی که در اختیار دارند، به مغز آن کارخانه تبدیل شویم.»

کمی بیش از یک سال از تأسیس آن می‌گذرد، Juna.ai در حال حاضر تعداد انگشت شماری مشتری دارد، اگرچه در مائوئر گفت که او هنوز نمی‌تواند نام خاصی را فاش کند. با این حال، همه آنها در آلمان مستقر هستند، و همه آنها یا شعبه های دیگری دارند یا زیرمجموعه شرکت هایی هستند که در جاهای دیگر مستقر هستند.

هاردنبرگ افزود: “ما در حال برنامه ریزی برای رشد با آنها هستیم – این یک راه بسیار خوب برای گسترش با مشتریان شما است.”

با 7.5 میلیون دلار جدید در بانک، Juna.ai اکنون از بودجه خوبی برخوردار است تا فراتر از شش نفر فعلی خود، با برنامه هایی برای دو برابر کردن تخصص فنی خود، توسعه یابد.

هاردنبرگ گفت: «این یک شرکت نرم‌افزاری در پایان روز است، و این اساساً به معنای مردم است.