Mitä on physical AI eli fyysinen tekoäly?

Physical AI eli fyysinen tekoäly tarkoittaa tekoälyä, joka havaitsee fyysistä maailmaa antureiden ja kameroiden kautta, tulkitsee havainnot ja toimii niiden perusteella. Termi tuo mieleen humanoidirobotit, mutta pk-yritykselle sen käyttökelpoisin osa on huomaamattomampi: tekoäly, joka seuraa jo olemassa olevien antureiden ja kameroiden dataa ja hälyttää, kun jokin poikkeaa. Siihen ei tarvita uusia laitteita.

Mitä physical AI eli fyysinen tekoäly tarkoittaa?

Physical AI on tekoälyä, joka lukee antureita ja kameroita dokumenttien ja järjestelmien sijaan. Se seuraa esimerkiksi varastoa, tuotantolinjaa tai kuljetusta ja reagoi siihen, mitä siellä tapahtuu. NVIDIA:n määritelmän mukaan se antaa autonomisille järjestelmille, kuten kameroille, roboteille ja itseohjautuville autoille, kyvyn havaita, ymmärtää, päätellä ja suorittaa tai ohjata toimintoja fyysisessä maailmassa.

Määritelmässä kannattaa huomata kaksi asiaa. Ensinnäkin määritelmä mainitsee kamerat ennen robotteja. NVIDIA:n esimerkeissä on robottien ja autojen lisäksi tehtaita ja varastoja, joissa kiinteät kamerat ja konenäkö valvovat turvallisuutta sekä ihmisten ja tavaroiden liikkumista. Toiseksi määritelmä puhuu toimintojen suorittamisesta tai ohjaamisesta. Tekoälyn ei tarvitse itse liikuttaa mitään: riittää, että se käynnistää oikean toimenpiteen.

Käytännössä physical AI koostuu kolmesta kerroksesta:

• Havainnointi. Anturit, kamerat ja laitteiden omat mittaukset tuottavat dataa fyysisestä ympäristöstä.
• Päättely. Malli tulkitsee datan: onko tämä poikkeama, mistä se johtuu, onko se kiireellinen.
• Toiminta. Joko laite toimii itse, tai ihminen tai järjestelmä saa tiedon ja toimii.

Englanninkielisessä keskustelussa samaa aluetta kutsutaan usein myös nimillä operational AI tai AI-powered operations, kun painopiste on operaation ohjaamisessa eikä laitteessa.

Miten physical AI eroaa IoT:stä, robotiikasta ja automaatiosta?

Physical AI on ketju, jossa IoT tuottaa havainnot, tekoäly tulkitsee ne ja robotiikka on yksi mahdollinen tapa toimia. Ero näkyy siinä, kuka tai mikä lopulta tekee päätöksen.

	Mitä se tekee	Mistä data tulee	Kuka toimii	Millainen hanke
IoT	Kerää ja siirtää mittaustietoa	Anturit ja laitteet	Ihminen katsoo lukemia	Laite- ja verkkohanke
Perinteinen automaatio	Toimii kiinteän säännön mukaan	Järjestelmät tai yksittäinen anturi	Sääntö, esimerkiksi "jos lämpötila ylittää rajan, hälytä"	Konfigurointi
Physical AI: havainnointi	Tulkitsee monimutkaisen havainnon, kuten kuvan tai usean anturin yhdistelmän	Anturit ja kamerat yhdistettynä muuhun dataan	Ihminen tai järjestelmä saa hälytyksen	Datahanke
Robotiikka	Liikkuu ja tarttuu fyysisesti	Robotin omat anturit	Robotti itse	Laiteinvestointi ja turvallisuusarviointi

Esineiden internet eli IoT on siis physical AI:n edellytys, ei sen synonyymi. IoT vastaa kysymykseen "mitä mitataan", physical AI kysymykseen "mitä mittaus tarkoittaa ja mitä sille tehdään". Raja perinteiseen automaatioon on sama kuin tekoälyagentin ja sääntöpohjaisen automaation välillä: sääntö riittää, kun poikkeama on yksi luku ja raja-arvo. Tekoälyä tarvitaan, kun poikkeama pitää tunnistaa kuvasta tai usean mittauksen yhdistelmästä.

Mitä eroa on laitteen ohjauksella ja operaation automaatiolla?

Laitteen ohjauksessa laite reagoi omaan mittaukseensa, ja päätös tehdään laitteen sisällä. Operaation automaatiossa data usealta laitteelta ja järjestelmältä yhdistetään, ja tulos muuttaa jonkun työvaihetta. Ensimmäisestä vastaa laitetoimittaja, jälkimmäinen rakennetaan laitteiden yläpuolelle.

Laitteen ohjaus on tuttua arjesta: termostaatti käynnistää kompressorin, trukin nopeusrajoitin hidastaa vauhtia ja robotin törmäyksenesto pysäyttää liikkeen. Kukin niistä tekee päätöksensä laitteen sisällä ja toimii hyvin, mutta näkee vain oman mittauksensa.

Operaation automaatio katsoo kokonaisuutta. Esimerkiksi kylmävaraston termostaatti pitää lämpötilan kurissa, mutta se ei huomaa, että lämpötilapiikit toistuvat perjantaisin iltavuorossa ja osuvat samaan aikaan kuin lastausovi on auki. Tämä havainto syntyy vasta, kun lämpötiladata yhdistetään ovien ja vuorojen tietoihin. Tulos ei ohjaa kompressoria. Se ohjaa ihmistä: kuka tarkistaa oven, mikä erä siirretään ensin, mitä iltavuoron ohjeessa muutetaan.

Ero ratkaisee, kenen puoleen kannattaa kääntyä. Jos ongelma on laitteen oma toiminta, vastaus on laitetoimittajalla. Jos ongelma on se, että poikkeama huomataan liian myöhään tai sattumalta, vastaus on datassa, jota laitteet jo tuottavat.

Mihin pk-yritys voi käyttää physical AI:ta jo nyt?

Jo nyt pk-yritys voi käyttää physical AI:ta havainnointiin ja hälytyksiin: tekoäly seuraa anturi- tai kuvadataa jatkuvasti ja nostaa esiin sen, mihin ihmisen pitää reagoida. Tämä ei vaadi robottia eikä uutta laitekantaa, jos data on jo olemassa. Kolme Empirican toteuttamaa hanketta suomalaisissa organisaatioissa havainnollistaa, miltä tämä näyttää käytännössä.

• Kuljetusten olosuhdeseuranta. Metsä Boardin kartonkilähetysten mukana kulki anturit, jotka mittasivat sijaintia ja olosuhteita koko matkan. Ratkaisevaa oli, että anturidata yhdistettiin varastointipisteissä kirjattuihin vauriomerkintöihin: rikkoutumisen ajankohta ja paikka reitillä voitiin määrittää, ja hävikki väheni. Lue miten kuljetusten reaaliaikainen seuranta toteutettiin.
• Eläinten hyvinvoinnin seuranta. Arlan pilottitilan pihattonavetassa konenäkö seuraa lehmien hyvinvointia kahdeksalla mittarilla, kuten makuumukavuudella ja ravinnolla. Kuvat analysoidaan kameroissa, ja vain tulos siirtyy eteenpäin. Seuranta täydentää ihmisen tekemää valvontaa, ei korvaa sitä. Katso miten konenäkö toimii navetan olosuhteissa.
• Ulkoilun turvallisuus hoivassa. Kustaankartanon muistisairaiden yksikössä koekäytettiin Helsingin kaupungin pilotissa konenäkösovellusta, joka tunnistaa kaatumiset ja piha-alueelta poistumisen ja hälyttää henkilökunnalle. Tavoitteena oli mahdollistaa asukkaiden omatoiminen ulkoilu. Lue konenäköpilotista hoiva-alalla.

Yhteistä kaikille kolmelle on, että toiminta on tieto tai hälytys ihmiselle, ja hyöty syntyi datan yhdistämisestä ja tulkinnasta. Näissä hankkeissa myös anturit ja kamerat valittiin osana työtä, mutta useimmilla yrityksillä vastaava data on jo olemassa: valvontakamerat, koneiden omat anturit, kulunvalvonta ja kuljetusten seurantalaitteet. Kuvadatassa on lisäksi aina tietosuojakysymys, ja se kannattaa ratkaista ennen käyttöönottoa samalla tavalla kuin muussakin tekoälyn tietoturvassa yrityskäytössä.

Robotiikka on todellista kehitystä, mutta pk-yritykselle se on laiteinvestointi, jonka takaisinmaksu riippuu volyymista ja turvallisuusvaatimuksista. Jos varaston tai tuotannon ongelma on se, että poikkeama huomataan liian myöhään, robotti ei ole vastaus siihen.

Mistä aloittaa, kun laitteet jo tuottavat dataa?

Aloita päätöksestä, älä laitteesta. Selvitä ensin, mikä poikkeama huomataan nyt liian myöhään ja mitä sen pitäisi muuttaa. Liikkeelle pääsee vastaamalla kolmeen kysymykseen:

1. Mikä poikkeama huomataan nyt liian myöhään tai sattumalta? Vaurio, joka löytyy vasta asiakkaalta. Kaatuminen, jota kukaan ei nähnyt. Laatuvirhe, joka paljastuu erän lopussa.
2. Mikä data siitä on jo olemassa? Kamerakuva, anturin loki, koneen oma mittaus, käsin tehty kirjaus.
3. Kuka toimii, kun hälytys tulee, ja mitä hän tekee? Jos tähän ei ole vastausta, hälytys vain lisää kuormaa.

Jos kaikkiin kolmeen löytyy vastaus, kyse on datahankkeesta eikä laitehankkeesta. Kohteet kannattaa sen jälkeen asettaa järjestykseen samalla tavalla kuin mikä tahansa automaatio: prosessien pisteytys toistuvuuden, laajuuden ja virhealttiuden mukaan toimii anturidatalle yhtä hyvin kuin järjestelmädatalle.

Jos haluat ensin suuruusluokan siitä, paljonko toistuva tarkistus- ja valvontatyö maksaa teillä vuodessa, automaatiopotentiaalin pika-arvio vastaa siihen noin kahdessa minuutissa.

---

Empirica Finland on suomalainen operatiivisen tekoälyn ja automaation toteuttaja, joka rakentaa automaatiot yrityksen järjestelmien sekä laitteiden ja antureiden tuottamasta datasta ja vastaa automaatioiden jatkuvasta toiminnasta. Empirica on Claude Partner Network -jäsen ja Microsoft-kumppani.

← Takaisin pääsivulle