Yhä useammat teollisuuslaitteet ovat nykyään myös ICT-laitteita. Tämä koskee niin prosessiteollisuuden valmistuslaitteita kuin elintarviketeollisuuden kylmäketjuja. Älyominaisuuksia sisältävien laitteiden verkkoa kutsutaan teolliseksi internetiksi tai esineiden internetiksi. Laajalti käytetty lyhenne IoT tarkoittaa vastaavaa englanninkielistä termiä, Internet of Things.
Tekoäly tarkoittaa ohjelmistoa, jonka lähdekoodi sisältää oppimiskykyisiä algoritmeja. Erotuksena perinteisiin algoritmeihin, jotka ohjelmoidaan suorittamaan tiettyjä tehtäviä tietyllä tavalla, oppivat tekoälyn algoritmit muokkaamaan toimintaansa itsenäisesti sujuvammaksi jossain tietyssä tehtävässä. Tekoälyn oppiminen tapahtuu suurten datamäärien käsittelyn kautta.
Datalla viitataan kaikkeen elektronisessa, määrätyssä muodossa kerättyyn tietoon. Älylaitteita ohjataan ja niiden toimintaa seurataan datan avulla. Data on älykkäissä ympäristöissä välttämätöntä, koska vain sitä mitä voi mitata, voi parantaa. Datalla voidaan mitata esimerkiksi energiankulutusta, materiaalikulutusta ja hukkaa. Yleensä tasaisessa käytössä olevat laitteet antavat tasaista dataa. Poikkeukset datassa kertovat ongelma- tai vikatilanteista.
Liikevaihto: 600 000 euroa
Henkilöstö: 21
Toimiala: Muu ammatillinen, tieteellinen ja tekninen toiminta (74909)
Kotipaikka: Jyväskylä
Green Carbon auttaa yrityksiä toimimaan ilmastoystävällisesti. Käytännössä yritys laskee asiakasyritystensä hiilijalanjälkeä, auttaa yrityksiä tekemään ilmastosuunnitelmia tavoitteineen ja pääsemään niihin. Yhtiö tekee asiakkaiden puolesta myös jonkin verran päästöhyvitystä, mikä vaatii yhteistyötä maanomistajien kanssa.
Green Carbon tekee jatkuvaa palvelukehitystä. Viimeisiä innovaatioita on esimerkiksi Carbon Radar -pilvipalvelualusta päästöjen laskentaa varten, jonka kansainväliseen lanseeraukseen yritys on saanut BusinessFinlandin tukea. Automaattisen päästölaskennan pilotointi on puolestaan käytössä yhteistyössä kirjanpitoyrityksen kanssa.
Energiankulutusta seurataan jatkuvasti yrityksen Helsingin toimistolta, omia päästöjä tarkastellaan vuosittain. Oman toiminnan seuraamista voidaan hyödyntää kehityshankkeiden pilotoinnissa asiakkaiden kanssa. Green Carbonin oma toiminta pyritään pitämään mahdollisimman vähän ilmastoa kuormittavana.
”Sisäisesti yrityksessä on seuraavana pohdintana tekoälyn rooli palveluissa. Green Carbon testaa ChatGPT:n käyttöä raportintuotannossa ja isojen tietoaineistojen arvioinneissa. Dataa on kertynyt jo sen verran, että sillä voi kouluttaa tekoäly-moottoria. Yleisten tekoälyjen data laahaa nopeasti kehittyvällä alalla perässä, joten omaa tutkimusta on tehtävä”, kertoo toimitusjohtaja Matti Toivonen.
Green Carbon on käynnistänyt myös luontokato- ja biodiversiteettiliiketoiminnan pilottihankkeita. ”Yksi ensimmäisistä asiakkaista on Koneen säätiö, jolle teemme toiminnan luontovaikutusten arviointia. Valmius tehdä laskentoja myös teollisuuden aloille on olemassa”, Toivonen toteaa.
Teollisuustuotannon arvoketjujen päästöt ovat nousseet pinnalle. Isommat toimijat vaativat yhä useammin oman alihankintaverkostonsa päästölaskentaa ja ilmastotoimenpiteitä. Tässäsot yritykset ovat vetureina, mutta tarve tuntuu leviävän nopeasti pk-sektorille. Myös EU:n uudet direktiivit tekevät päästölaskennan tarpeelliseksi pk-yrityksille jo vuonna 2024. Hiilitullit vaikuttavat puolestaan metalliteollisuuden raaka-aineiden hankintaan, jotka raportoidaan Tullin kautta. Green Carbonilla on siis tulevaisuudessakin isoja kysymyksiä ratkaistavanaan.
Teollisen internetin (IoT) laitteet
IoT-laitteilla on monia hyötyjä perinteisiin laitteisiin nähden, joskin niiden asentaminen ja niihin kytketty ohjausjärjestelmä vaativat lisäinvestointeja manuaalisesti käytettäviin laitteisiin verrattuna. Investointi kuitenkin maksaa itsensä takaisin: tavallisesti tuotanto lisääntyy, virheet vähentyvät ja laitteiston automaattidiagnostiikka ilmoittaa mahdollisesti huoltotarpeesta hyvissä ajoin ennen laitteen rikkoutumista.
Laitteista kerätään erilaista dataa, joka syötetään tuotannonohjauksen järjestelmään. Erilaisia kerättyjä datan muotoja ovat esimerkiksi analytiikka laitteen toiminnasta, energiankäyttö, laitteen toiminnan monitorointi ja kontrollointi sekä vika- ja häiriötilanteiden diagnoosit. Älykkäissä laitteissa on myös turvaominaisuuksia. Esimerkiksi modernien konesahojen sahanterä pysähtyy vaaratilanteissa automaattisesti, mikä vähentää käyttäjän vammautumisen riskiä.
IoT-laitteiden avulla voidaan myös seurata logistiikkaketjuja ja varmistaa jäähdytystä vaativien elintarvikkeiden kylmäketjujen eheys. Seuraava edistysaskel ovat elektroniset tuotepassit, jotka ovat jo kokeiluasteella. Yksinkertainen seurantamenetelmä, jota käyttävät esimerkiksi posti ja yksityiset kuriiripalvelut, on skannattava viivakoodi tai qr-koodi, jolloin IoT-laitteina toimitusvaiheissa toimivat skannerit. Tuotepasseja ja vastaavia seurantamenetelmiä kannattaakin käyttää lähinnä rahtikonteissa tai arvotavarassa.
Suurin hyöty IoT:sta saadaan nimenomaan verkkokäytössä, jossa kaikki laitteet on kätketty samaan teolliseen verkkoon ja prosessin eri vaiheita voidaan ohjata keskitetysti. Parhaimmillaan myös raaka-aineita, niiden käyttöä ja hukkaa, sekä lopputuotteen toimitusta voidaan seurata samassa järjestelmässä. Jos tuotantolaitoksia tai -linjastoja on useita, näiden seuraaminen keskitetysti tuottaa vertailuaineistoa toiminnalle yhteen näkymään.
Data, sen keruu ja käyttö
Datankeruu vaatii luonnollisesti datan säilönnälle sopivan paikan. Se voi olla oma palvelin tai pilvipalvelusta ostettu palvelintila. Lisää tietoa näiden vihreästä hankkimisesta löydät hankintoja ja pilvipalveluita käsittelevistä luvuista. Lisäksi datan käsittelyä varten tarvitaan joko tietojärjestelmä tai oppiva järjestelmä. Etenkin isompien datamäärien osalta datan automaattinen käsittely oppivan järjestelmän avulla helpottaa asioita huomattavasti.
Käsittelemätöntä dataa kutsutaan raakadataksi, ja koska elämme datatalouden aikakaudella, se vertautuu muihin raaka-aineisiin. Vasta jalostettuna ihmisen ymmärtämään muotoon on raakadatasta hyötyä liiketoiminnan ja tuotannon kehittämisessä. Dataa kerätään yleensä tiettyä käyttötarkoitusta varten ja sen keräämistä säädellään lainsäädännöllä tiettyjen datamuotojen, kuten henkilötietojen osalta.
Kun datamäärät kasvavat ihmisen käsittelykyvyn ulottumattomiin, puhutaan massadatasta (englanniksi big data). Massadata on yleensä rakenteellisesti löyhää tai jopa rakenteetonta, ja pelkästään sen rakenteellistaminen vaatii algoritmisia keinoja tai tekoälyä. Monet massadatan lähteet ovat julkishallinnon tuottamia datavarastoja. Tällöin puhutaan avoimesta datasta. Esimerkiksi Tilastokeskuksen tietovarannot edustavat avointa dataa.
Dataa käytetään teollisuudessa moniin tarkoituksiin. Yksi sen vihreistä käyttötarkoituksista ovat niin kutsutut digitaaliset kaksoset. Nämä ovat virtuaalisia versioita fyysisistä laitteista, joiden avulla voidaan mallintaa ja testata tuotteita ilman niiden valmistamista. Virtuaalisten kaksosten kohdalla tulee muistaa, että niiden tuottaminen vaatii paljon energiaa ja tehokkaan laitteiston, joten kaikkia tuotteita ei välttämättä kannata mallintaa. Esimerkkejä niiden järkevistä käyttötarkoituksista ovat monimutkaisten telakkateollisuuden laivamallinnukset ja autoteollisuudessa virtuaaliset tuulitunnelit aerodynamiikkatestaukseen.
Yleisempi tapaus on älykäs kunnossapito, jossa IoT-laitteiden antureilla voidaan havaita virhetilanteita ja tehdä ennakoivaa kunnossapitoa. Virhetilanteet ovat usein toistuvia, joten datamalleista voidaan diagnosoida vikatilanteita tai kuluvien osien, kuten jyrsimien ja terien vaihtoa. Tällä tavoin voidaan minimoida käyttökatkoja ja saada myös tuottavuusetua. Parhaassa tapauksessa datan avulla voidaan seurata laitteiden elinkaarta ja ennakoida investointitarpeita.
Datalla voi myös optimoida. Tuotannon optimointi esimerkiksi raaka-ainevirtojen ja varastojen avulla on nykyään jo yleistä. IoT-laitteissa ajotapaa voidaan optimoida laitteille sopivaksi ja näin pidentää käyttöikää ja vähentää virhetilanteita. Dataa voidaan käyttää laadunvalvontaa massatuotannossa ja jalosteiden puhtauden valvontaan. Älykkäät laitteet myös parantavat työturvallisuutta, koska niissä on automaattisia tunnistimia.
Kun IoT-laitteita käytetään, kannattaa muun datan lisäksi investoida myös tuotannon ilmasto- ja ympäristövastuun seurantaan. Tuotannon vihreyttä voi parantaa seuraamalla ja optimoimalla energiankäyttöä ja päästöjä, sekä seuraamalla tuotantohukkaa ja tuotannon sivuvirtoja. Nämä ovat tärkeitä kiertotalouden edistämistoimia. Etenkin tuotannon sivuvirroista tulee jatkuvasti merkittävämpi raaka-ainelähde muille teollisuuden aloille.
Liikevaihto: 3 miljoonaa euroa
Henkilöstö: 19
Toimialaluokka: Ohjelmistojen suunnittelu ja valmistus (62010)
Kotipaikka: Jyväskylä
Pengon auttaa asiakkaitaan hyödyntämään liiketoimintadataa asiakkaan omista tietolähteistä tuloksen parantamiseksi. Toiminta painottuu teknisiin toteutuksiin, kuten analytiikkatyökalujen käyttöönottoon. Pengon tarjoaa myös data-analytiikan asiantuntijapalveluja. Asiakkaita yrityksellä on kaikilta toimialoilta, myös teollisuudesta. Merkittävimmät Pengonin yhteistyökumppanit ovat globaalit analytiikkapalvelujen tuottajat Qlik ja Microsoft. Lisäksi verkostoon kuuluu pienempiä teknisiä toteuttajia.
Oman liiketoimintansa päästöjä ja energiankulutusta Pengon on mitannut ja todennut pieneksi. Käytännön toimia ovat esimerkiksi verkkolaskutus paperilaskujen lähettelyn sijaan ja yhteistyöskentelyn painottuminen etäpalavereihin. Itse käyttämänsä pilvipalvelun Pengon on hankkinut paikalliselta, vihreältä toimijalta, joka hyödyntää hukkalämpöä ja on sitoutunut laitteidensa osalta 10 vuoden käyttöikään. Ohjelmistojen jalkautuksesta aiheutuukin enemmän välillisiä päästövaikutuksia, eli lopputulos riippuu asiakkaan toiminnasta.
”Yritystoiminnan luonteen takia asiakkaamme määrittelevät pitkälti toimintaympäristöt”, Pengonin perustaja Joni Borgström muistuttaa. ”Tarjoamme kuitenkin palveluja, joiden avulla voimme saada aikaan hiilikädenjälkivaikutuksia esimerkiksi teollisuuden asiakkaan tuotantoon. Tietojohtamisen ja data-analytiikan työkalut auttavat minimoimaan hukkaa, tunnistamaan energiasyöpöt osat toiminnassa ja laskemaan päästöarvioita eri datanlähteistä, kuten sähkölaskusta.” Data tuo ongelmakohdat ja kehittämistarpeet näkyviksi, jotta niille on helpompi löytää ratkaisut.
Pengon pysyy kärryillä kestävän ICT:n virtauksista verkostojen, kuten Green ICT -ekosysteemin toimintaan osallistumalla. Omien hiilijalanjälkilaskelmien tekemisen yhteydessä omaa henkilöstöä on puolestaan koulutettu ICT:n kestävyyden edistämisestä.
”Ympäristö- ja ilmastotoimissa tullaan tarvitsemaan koulutusta lähivuosina, kun raportointia edellyttävä EU-direktiivi tulee voimaan”, Joni Borgström muistuttaa yritysmaailmassa edessä olevista muutoksista. ”Tämä koskee sekä raportointivelvollisia yrityksiä että niiden alihankkijoita ja muita yhteistyökumppaneita.”
Ennakkoluuloton yhteistyö voi johtaa muutenkin uusiin tuloksiin. Esimerkiksi Pengonin asiakkaat jätehuollon alalta ovat haastaneet yrityksen huomioimaan kiertotalouden merkitystä uudella tavalla.
Tekoäly teollisuudessa
Tekoälyn käyttö teollisuudessa on yhä marginaalinen ilmiö, eikä sitä käytetä toistaiseksi laajalti pk-yrityksissä. Oppivat algoritmit ovat monimutkaisia ja niiden käytön kanssa tarvitaan vahvaa asiantuntemusta. Modernit tarkoitukseen suunnitellut tekoälyt ovat juuri niin hyviä kuin niiden koneoppimiseen käyttämä data on. Tekoäly tulee kuitenkin tulevaisuudessa olevaan tärkeä työn tehostamisen järjestelmä ja se on jatkuvasti tulossa saatavuudeltaan halvemmaksi työkaluksi.
Lisätietoa IoT:n, datan ja tekoälyn käytöstä teollisuudessa löydät koulutuksesta, jonka tämän tietosalkun laatijat järjestivät yhteistyössä DiyKS-hankkeen kanssa.
Lisäksi Telian esitys vihreää robotiikkaa käsitelleessä koulutuksessamme sivusi tekoälyn käyttöä.