MI jeb mākslīgais intelekts rūpniecībā kļūst par praktisku instrumentu

Ar šo rakstu sākam rakstu sēriju par mākslīgā intelekta ietekmi uz rūpniecību, ražošanu un uzņēmumu ikdienas procesiem. Mērķis nav radīt kārtējo teorētisko pārskatu par MI, bet soli pa solim skaidrot, kur šīs tehnoloģijas jau šobrīd kļūst praktiski izmantojamas, kādu vērtību tās var dot ražošanas uzņēmumiem un kā uz tām skatīties pragmatiski. Turpmāk ik pa laikam publicēsim līdzīgus rakstus, kuros apskatīsim gan iespējas, gan riskus, gan konkrētus pielietojuma scenārijus rūpniecības vidē.

Par mākslīgo intelektu (MI) šobrīd runā ik uz stūra, sasaistot to ar visdažādākajām nozarēm un tēmām. Latvijas rūpniecībā MI daudziem vēl šķiet kaut kas nesaprotams, tāls un ļoti dārgs process. Un tas ir saprotami, jo ražošanas uzņēmumi parasti ir ļoti pragmatiski un nevēlas maksāt par nesaprotamiem eksperimentiem. Taču situācija mainās. MI vairs nav tikai čatbots mājaslapā vai Google aizvietotājs — tas arvien biežāk kļūst par praktisku slāni virs sensoriem, kamerām, PLC un ražošanas datiem.

Kā liecina Eurostat pētījums par mākslīgā intelekta izmantošanu uzņēmējdarbībā, ES līmenī MI izmantošana uzņēmumos aug ļoti strauji, un 2025. gadā to izmantoja jau 20% ES uzņēmumu ar vismaz 10 darbiniekiem, salīdzinot ar 13,5% 2024. gadā.

Satura rādītājs

• Ko mākslīgais intelekts rūpniecībā patiesībā nozīmē
• Mākonis vai Edge - kur tas "dzīvo"?
• Tirgus signāls - lielie ražotāji jau sen virzās šajā virzienā
• Praktisks MI pielietojums rūpniecībā
• Kāpēc Latvijā daudziem MI šķiet kaut kas ļoti tāls
• ZTF Lāsma kā partneris MI ieviešanā

Ko mākslīgais intelekts rūpniecībā patiesībā nozīmē

Rūpniecībā MI vērtība parasti nerodas no “sarunas ar sistēmu” klasiskā čatbota izpratnē. Tas ir “neredzamais inženieris”, kas integrēts tieši ražošanas procesos. Vērtība rodas no spējas sekundes daļā apstrādāt tūkstošiem sensoru datu, pamanot novirzes, kuras cilvēka acij vai tradicionālajām vadības sistēmām paliktu nepamanītas.

Vienkāršākais sākums, kur var ātri redzēt rezultātu jeb “quick wins”

Prognozējošā apkope (predictive maintenance): tā ir pāreja no reaktīva darba (“salabot, kad saplīst”) uz proaktīvu. MI analizē vibrācijas, temperatūras svārstības vai strāvas patēriņu, brīdinot par bojājumu vēl pirms iekārta ir apstājusies. Tas tiešā veidā samazina dārgās dīkstāves stundas.

MI algoritmi spēj apstrādāt milzīgu datu apjomu un ieraudzīt tajos pat vissīkākās korelācijas.

Mašīnredzes kvalitātes kontrole: MI spēj konveijera ātrumā identificēt mikroskopiskus defektus, ko noguris darbinieks maiņas beigās varētu nepamanīt. Tā nav tikai brāķa atpazīšana, bet arī tendenču analīze — ja defekti sāk parādīties biežāk, MI signalizē, ka problēma varētu būt pašā ražošanas procesa iestatījumā. Starp citu, SICK šo jau izmanto savos produktos ar SICK Nova programmatūru.

Enerģijas un resursu optimizācija: rūpniecībā enerģijas izmaksas ir milzīgas. MI spēj balansēt slodzes, prognozēt patēriņa pīķus un optimizēt dzesēšanas vai apkures sistēmas, balstoties uz reāllaika ražošanas intensitāti.

Mākonis vai Edge - kur tas "dzīvo"?

Vēl viena būtiska lieta ir saprast, ka rūpnieciskais MI nav viens universāls modelis. Tā fiziskā atrašanās vieta nosaka sistēmas efektivitāti:

MI mākonī (Cloud): parasti šī ir vieta, kur norit lielie procesi. Mākonī ir vieglāk apstrādāt milzīgus vēsturiskos datus no vairākām rūpnīcām vienlaikus, lai trenētu sarežģītus modeļus un veiktu stratēģisku plānošanu. Mākonis ir piemērots scenārijiem, kur nav nepieciešama tūlītēja reakcija mikrosekundēs.

MI uz vietas (Edge): kritiskos procesos MI darbojas lokāli — tieši pie iekārtas. Tas ir ļoti būtiski OT (operacionālo tehnoloģiju) vidē, kur reakcijas laiks nedrīkst būt ietekmēts ar interneta aizturi (latency). Vēl svarīga nianse ir tā, ka lokālie MI risinājumi nodrošina, ka dati neiziet ārpus rūpnīcas tīkla, kas ir izšķiroši kiberdrošībai un intelektuālā īpašuma aizsardzībai.

Taču nereti pareizā pieeja ir hibrīdmodelis — modeļi tiek trenēti jaudīgā mākonī, bet izpildīti lokāli uz vietas, nodrošinot maksimālu drošību un tūlītēju reakciju reālajā ražošanas vidē.

Tirgus signāls - lielie ražotāji jau sen virzās šajā virzienā

Tas vairs nav nekāds jaunums, ka Siemens sevi pozicionē kā vienu no digitālā dvīņa un industriālā MI līderiem. Uzņēmums savos oficiālajos materiālos skaidro, ka digitālais dvīnis ļauj projektēt, simulēt un optimizēt produktus, iekārtas, ražošanu un pat veselas rūpnīcas vēl pirms izmaiņas notiek fiziskajā pasaulē. Katru gadu tiek demonstrētas jaunas novitātes šajā virzienā. 2026. gadā Siemens papildus izziņoja arī Digital Twin Composer un uzsvēra ciešāku integrāciju starp digitālo dvīni, industriālo MI un reāllaika datiem.

Arī SICK šajā jomā nav tikai “kameru ražotājs”. SICK oficiāli norāda, ka uzņēmums investē Industrial AI un ka tā Inspector sērijas kamerās jau ir deep learning un MI funkcijas, tostarp iespēja palaist noteiktas MI inspekcijas tieši uz kameras. SICK arī skaidro, ka šādas kameras ir piemērotas sarežģītākiem kvalitātes uzdevumiem, kur klasiska noteikumos balstīta mašīnredze vairs nav pietiekama — piemēram, pārtikā, iepakojumā, koksnē vai metāla virsmu kontrolē.

Savukārt Schneider Electric aktīvi attīsta MI un datu izmantošanas efektivitāti enerģijas pārvaldībā un digitālās infrastruktūras virzienā. Uzņēmuma oficiālajos resursos MI tiek pozicionēts kā būtisks instruments efektivitātei un detalizācijai. Schneider 2026. gadā publiski turpināja attīstīt MI tematiku gan infrastruktūras, gan enerģijas risinājumu pusē. Industriālajā vidē tas ir ļoti svarīgi, jo daļai uzņēmumu MI vērtība tiks saskatīta tieši enerģijas, elektroapgādes un resursu pārvaldībā, nevis “lielajā autonomijā”.

Praktisks MI pielietojums rūpniecībā

MI jau tagad transformē ražošanu, padarot to efektīvāku, drošāku un izmaksu ziņā optimālāku, pateicoties reāllaika datu analīzei un mašīnmācīšanās modeļiem. Praksē tas nozīmē ne tikai automatizāciju, bet arī prognozējamu lēmumu pieņemšanu, kas samazina kļūdas un dīkstāvi par desmitiem procentu, piemēram, izmantojot SICK MI kameras defektu atpazīšanai vai Siemens Senseye prognozējošai apkopei.

Pielietojumi ar praktiskiem piemēriem no nozarēm

Piemērs farmācijas nozarei

Farmācijā šī tēma ir īpaši saprotama. Tur ir augstas prasības pret kvalitāti, izsekojamību, dokumentēšanu un procesa stabilitāti. Šādā vidē MI var palīdzēt vairākos līmeņos:

• kamera var pārbaudīt iepakojumu, etiķeti vai blistera kvalitāti,

• modelis var pamanīt procesa novirzes agrāk,

• digitālais dvīnis var palīdzēt izvērtēt izmaiņas līnijā pirms to ieviešanas reālajā ražošanā.

Šādā nozarē bieži būs arī saprotams arguments par lokālu modeli un lokālu infrastruktūru, jo ne visu gribas vai drīkst sūtīt ārējā mākonī. Tas ir labs piemērs tam, ka MI arhitektūra nav ideoloģijas jautājums — tā ir pielietojuma izvēle.

MI arhitektūra nav ideoloģijas jautājums — tā ir pielietojuma izvēle

Kāpēc Latvijā daudziem MI šķiet kaut kas ļoti tāls

Lai arī Latvijā šī pāreja vēl nav vienmērīga, tas nenozīmē, ka tā nenotiek vai ka tas ir kaut kas neiespējams. Eiropas Komisija norāda, ka Latvijas MVU digitālā intensitāte joprojām atpaliek no ES vidējā līmeņa, bet vienlaikus ES aktīvi būvē MI infrastruktūru un ieviešanas atbalstu, tostarp AI Factories, Apply AI Strategy un plašāku Digital Europe atbalsta ekosistēmu. Tas nozīmē, ka uzņēmumiem kļūst pieejamāki gan rīki, gan kompetences, gan ieviešanas ceļi.

Latvijā un Baltijā daudziem uzņēmumiem MI joprojām šķiet “par lielu”. Bieži trūkst sakārtotu datu, vienotas OT un IT loģikas vai vienkārši pārliecības, ka tas atmaksāsies. Šis skeptiskais fons ir reāls. Tomēr pamazām situācija mainās.

MI vairs nav neiespējams vai eksotisks process. ES jau ir izvietojusi 19 AI Factories, attīsta AI Gigafactories iniciatīvu un virza Apply AI Strategy, kas tieši domāta MI ieviešanai stratēģiskajās nozarēs un MVU segmentā. Atsaucoties uz Eiropas Komisijas ziņojumu, tuvākajos gados MI ieviešana Eiropas rūpniecībā kļūs strukturētāka, pieejamāka un mazāk “tikai lielajiem”.

ZTF Lāsma kā partneris MI ieviešanā

Lieki piebilst, ka ZTF Lāsma nav tikai komponenšu tirdzniecība. Mūsu vīzija un mērķis ir palīdzēt Latvijas un Baltijas ražotājiem attīstīties automatizācijā, ceļot reģionālo konkurētspēju ar praktiskiem risinājumiem. Ar vairāk nekā 30 gadu pieredzi sensoros, automatizācijas arhitektūrā un procesos mēs izprotam, ko vispirms ir vērts digitalizēt un vai vispār ir vērts to darīt.

Praktiski tas nozīmē palīdzēt klientam atbildēt uz trim galvenajiem jautājumiem: kur ir viena skaidra problēma, kādi dati jau ir pieejami un vai šim gadījumam labāks būs mākoņa risinājums vai lokāls edge modelis.

Labs sākums nekad nav “visa uzņēmuma MI stratēģija”, bet viens konkrēts pilotprojekts: viena kritiska iekārta, viena kvalitātes pārbaude, viena enerģijas anomāliju zona vai problēmu līnija. Tieši šādā pieejā ZTF Lāsma var savienot gatavas tehnoloģijas ar reālu pielietojumu un sagatavot klientu tuvāko gadu pārmaiņām bez liekas ažiotāžas.

MI rūpniecībā vairs nav “kaut kad nākotnē”. Siemens digitālie dvīņi, SICK MI kameras un Schneider efektivitātes risinājumi jau darbojas — kaut kur mākonī, kaut kur lokāli. Latvijā tas nozīmē mazākas uzturēšanas izmaksas un ātrāku ražošanu ar ES fondu atbalstu, nevis milzīgām investīcijām.

Lai gan Latvijā tas vēl var šķist tāls, tas vairs nav nereāls vai nepieejams process.

Ar gataviem ražotāju risinājumiem un pilotprojektiem MI ir pilnīgi reāls nākamais solis arī mūsu rūpniecībā.