Andrei Kulik, XENOMin perustajaosakas – haastattelusarja

Andrei Kulik on XENOMin perustajaosakas ja toimitusjohtaja. Hän tuo teollisuuden käyttöön kokemusta laitteissa toimivasta tekoälystä, hajautetuista järjestelmistä ja koneoppimisesta. Hän oli aiemmin perustamassa AIMatteria, jonka Google osti, ja työskenteli Googlessa kuluttajalaitteisiin tarkoitettujen tekoälyjärjestelmien parissa. Hänen uransa keskiössä on ollut kehittyneen tekoälyn luotettava toiminta todellisten laitteiden ja käyttöympäristöjen asettamissa käytännön rajoissa.

XENOM kehittää teollisuuden tekoälyalustaa, jossa ohjelmistot yhdistyvät älykkäisiin suojavarusteisiin ja tarjoavat käyttäjille reaaliaikaisen näkymän työympäristöönsä. Järjestelmä kokoaa yhteen paikannuksen, henkilöstöviestinnän, ympäristön havainnoinnin ja turvallisuustiedot. Tässä haastattelussa Kulik kertoo reunalaskentaan perustuvasta tekoälystä, älykypäristä, ihmisen valvontaroolista, työntekijöiden yksityisyydestä ja siitä, miten teollisuuden seurannasta voidaan siirtyä ennakoivaan päätöksenteon tukemiseen.

Olit aiemmin perustamassa AIMatteria, jonka Google osti, ja työskentelit vuosia kuluttajalaitteissa suoraan toimivien tekoälyjärjestelmien kehittämiseksi. Mikä sai sinut perustamaan XENOMin, ja miten kokemuksesi Googlessa muovasi visiotasi tekoälyn tuomisesta teollisuusympäristöihin?

Yrityskaupan jälkeen käytin vuosia yhden tietyn ongelman ratkaisemiseen: miten kehittynyt tekoäly saadaan toimimaan luotettavasti taskuun mahtuvassa laitteessa, kun akkukapasiteetti on rajallinen, yhteydet arvaamattomia ja olosuhteet sellaisia, ettei niitä voi täysin jäljitellä laboratorio-oloissa. Toimme tämän työn tulokset käyttöön puhelimissa, laseissa ja nappikuulokkeissa – miljardeissa laitteissa. Jossain vaiheessa aloin pohtia, missä muualla tästä arkkitehtuurista voisi olla hyötyä. Kuluttajalaitteet ovat käteviä, mutta teollisuusympäristöissä väärän päätöksen – tai päätöksen tekemättä jättämisen – hinta mitataan ihmishenkien menetyksinä ja miljoonina menetettynä tuottavuutena. Useimmista teollisuusympäristöistä puuttuu yhä reaaliaikainen tilannekuva. Tämä puute tuntui juuri oikealta ongelmalta ratkaistavaksi teknologialla, jota olimme kehittäneet vuosien ajan.

XENOM yhdistää tekoälypohjaiset ohjelmistot älykkäisiin suojavarusteisiin ja tarjoaa näin reaaliaikaisen näkyvyyden teollisuuden toimintaan. Mitkä ovat perinteisten teollisuuden turvallisuusjärjestelmien suurimmat katvealueet, ja miten alustanne ratkaisee haasteita, joihin perinteiset valvontateknologiat eivät pysty vastaamaan?

Perusongelma on se, että useimmat järjestelmät on suunniteltu kirjaamaan tapahtunut, ei estämään tapahtumia. Työntekijän sijainti päivittyy muutaman minuutin välein. Tuntikirjaukset täytetään työvuoron päättyessä. Turvallisuusrikkomukset kirjataan vasta tapahtumaraportin tekemisen jälkeen. Kun esihenkilö näkee tiedot, työvuoro on jo ohi tai tapaturma on jo sattunut. Toinen katvealue on tiedon hajanaisuus: yrityksellä voi olla kaasunvalvontajärjestelmä, erillinen kulunvalvontajärjestelmä, paperinen henkilönsuojainten tarkistuslista ja manuaalinen tuntikirjauskäytäntö, jotka eivät ole yhteydessä toisiinsa. XENOM korvaa ne kaikki yhdellä jatkuvalla tietovirralla, joka kerätään työmaalta ja käsitellään reaaliajassa. Näin esihenkilö saa yhtenäisen tilannekuvan viiden toisistaan irrallisen näkymän sijaan.

Suuri osa urastasi on keskittynyt koneoppimisen ja suurten kielimallien päättelyvaiheen optimointiin rajallisten resurssien laitteissa. Miten sovellat näitä periaatteita teollisuusympäristöissä, ja mitä teknisiä etuja tekoälyn työkuormien käsittely reunalla tarjoaa pilvipalveluihin turvautumiseen verrattuna?

Työskentely rajallisten resurssien laitteiden kanssa opettaa yhden periaatteen: jokainen millisekunti, milliwatti ja tavu on perusteltava. Juuri tällaista ajattelutapaa teollisuuskypärä vaatii, sillä sitä käytetään koko työvuoron ajan, ja sen on toimittava yhtä johdonmukaisesti työvuoron yhdentenätoista tuntina kuin ensimmäisenäkin. Jaamme työtehtävät tarkoituksella: aikakriittiset ja paljon dataa käsittelevät tehtävät, kuten puhevirran ja anturisignaalien käsittely sekä kaatumisten ja iskujen havaitseminen, suoritetaan kypärän NPU:ssa tähän laitteistoon pakatuilla ja viritetyillä malleilla. Koko työmaan tilannekuva ja syvällisempi analytiikka puolestaan tuotetaan alustapuolella.

Reunalla tapahtuvasta käsittelystä on meille neljä käytännön etua. Ensimmäinen on nopeus: laite reagoi tapahtumaan heti ilman edestakaista tiedonsiirtoa palvelimelle. Toinen on luotettavuus: kevyt, laitteessa toimiva malli käyttäytyy ennustettavasti, kun taas jokainen ylimääräinen lenkki ketjussa on uusi mahdollinen vikakohta. Kolmas on verkkokuormitus: sadat kypärät eivät voi jatkuvasti suoratoistaa raakaa ääni- ja anturidataa, joten kukin lähettää sen sijaan analyysin tuloksen. Neljäs on akunkesto: tiedonsiirto kuluttaa laitteessa runsaasti virtaa, joten paikallinen käsittely ja vähäisempi tiedonsiirto pidentävät käyttöaikaa.

XENOM on kehittänyt älykypäriä, joihin on integroitu paikannus, viestintä, ympäristön havainnointi ja tekoälyominaisuuksia. Mitkä olivat suurimmat tekniset haasteet näiden teknologioiden yhdistämisessä etenkin ympäristöissä, joissa yhteydet, akunkesto ja luotettavuus voivat olla arvaamattomia?

Vaikeinta ei ollut mikään yksittäinen teknologia, vaan se, että kaikki saatiin toimimaan luotettavasti yhdessä laitteessa olosuhteissa, jotka tuhoaisivat useimmat kulutuselektroniikkalaitteet. Teollisuusympäristöt ovat likaisia, fyysisesti vaativia ja lämpötiloiltaan äärimmäisiä. Kypärä putoilee, altistuu sateelle ja sitä käytetään 12 tunnin työvuoroissa. Akunkestosta tulee todellinen rajoite, kun paikannus, anturit, viestintä ja tekoälyn päättely toimivat samanaikaisesti. Lisäksi on yhteysarkkitehtuuri: tarvitsimme saumattoman siirtymän ulkona käytettävän RTK-satelliittipaikannuksen ja sisätiloissa toimivan oman UWB-verkkoratkaisumme välillä niin, ettei tarkkuus kärsi työntekijän siirtyessä järjestelmästä toiseen. Siirtymän automatisointi niin, että se tapahtuu luotettavasti ja reaaliajassa, oli teknisesti vaativimpia toteutuksiamme.

Tiiminne on kehittänyt puheeseen perustuvan tekoälymallin, joka pystyy havaitsemaan puheesta alkoholin vaikutuksen merkkejä. Sen on raportoitu ylittävän aiemmat akateemiset vertailutulokset. Mitkä tekniset läpimurrot mahdollistivat tämän, ja miten varmistatte järjestelmän luotettavuuden eri kielillä ja murteilla, eritasoisessa taustamelussa ja todellisissa työolosuhteissa?

Keskeinen havainto oli, että päihtymys jättää puheeseen tunnistettavan jäljen, joka näkyy puheen mikrotason piirteissä – ei sanoissa vaan akustisissa ominaisuuksissa, kuten ajoituksessa, äänenkorkeuden vaihtelussa ja artikulaation tarkkuudessa. Kehitimme mallin, joka analysoi näitä piirteitä taustalla tavanomaisen puheviestinnän aikana ilman erillistä testiä tai työntekijältä vaadittavia toimia. 86,7 prosentin tarkkuus saatiin vaativissa vertailutesteissä, joissa mallia testattiin julkaistuihin akateemisiin aineistoihin nähden. Todellisissa olosuhteissa tehtävää validointia varten testaamme mallia eri kielillä ja murteilla sekä taustamelussa, joka vastaa todellisia teollisuusympäristöjä: mukana on raskasta koneistoa, tuulta ja useita samanaikaisia puhujia. Mallin oli toimittava luotettavasti myös olosuhteissa, jotka poikkeavat täysin kontrolloidusta tutkimusympäristöstä. Tämä edellytti monipuolista koulutusdataa ja toistuvaa kehitystyötä.

Työntekijöiden toimintakyvyn heikkenemisen tai väsymyksen tunnistamiseen suunnitellut tekoälyjärjestelmät herättävät merkittäviä kysymyksiä vääristä positiivisista tuloksista ja vastuusta. Miten XENOM tasapainottaa riskien varhaisen havaitsemisen ja ihmisen tekemän varmistuksen tarpeen? Millä suojatoimilla estetään se, että virheellinen tekoälyn arvio vaikuttaa epäoikeudenmukaisesti työntekijään?

Pohdimme tätä hyvin tietoisesti jo alusta lähtien. Järjestelmä on suunniteltu ilmoittamaan mahdollisesta huolenaiheesta esihenkilölle, ei tekemään itsenäisiä päätöksiä. Tekoälyn arvio mahdollisesta toimintakyvyn heikkenemisestä käynnistää ihmisen tekemän tarkistuksen: esihenkilö voi tarkkailla työntekijää suoraan, esittää kysymyksiä tai tarvittaessa pyytää tekemään fyysisen testin. Tekoäly ei poista ketään työmaalta. Se antaa ihmiselle tiedot, joiden avulla tämä voi tehdä harkintaan perustuvan päätöksen nopeammin kuin muuten. Seuraamme myös käyttöönoton yhteydessä väärien positiivisten tulosten määrää ja kehitämme mallia jatkuvasti. Tavoitteena on vähentää tapauksia, jotka sattuvat siksi, ettei kukaan huomannut ongelmaa – ei luoda järjestelmää, joka rankaisee työntekijöitä pelkän algoritmin perusteella.

Ennen XENOMin perustamista toimit OneSoilin teknologiajohtajana. Siellä hyödynsit konenäköä ja koneoppimista maatalouden seurannassa ja tuottavuuden analysoinnissa. Mitkä tekoälyn käyttöönotosta maataloudessa saadut opit ovat osoittautuneet arvokkaimmiksi, kun olette kehittäneet älykkäitä järjestelmiä rakennustyömaille, kaivoksiin, satamiin ja energiantuotantolaitoksiin?

Tekoälyn käyttöönotto fyysisessä maailmassa on aivan erilainen haaste kuin sen käyttöönotto ohjelmistoissa. On otettava huomioon vaihtelevat olosuhteet, laitteet, jotka eivät toimi joka kerta samalla tavalla, sekä operaattorit, jotka ovat tehneet työtään vuosikymmeniä ja suhtautuvat syvällä epäluulolla kaikkeen, mikä käskee heitä toimimaan toisin. Teollisuusympäristöissä on samanlaisia haasteita. Teknologian on ansaittava luottamus toimimalla luotettavasti oikein useammin kuin ihmiset odottavat. Sen on myös oltava niin helppokäyttöinen, että viidenkymmenen hengen työryhmää johtava henkilö pystyy käyttämään sitä ilman koulutusta. Toinen tärkeä oppi on, että kentällä kerätyn datan laatu on lähes aina suunniteltua heikompaa. Järjestelmät on rakennettava kestämään kohinaa, puutteita ja poikkeustilanteita, joita ei koskaan esiinny siistissä aineistossa.

Teollisuuden tekoälyalustat voivat tuottaa yksityiskohtaista tietoa työntekijöiden sijainnista, toiminnasta, viestinnästä ja tuottavuudesta. Miten huomioitte tietosuojan, työntekijöiden suostumuksen ja työpaikkavalvontaan liittyvät riskit ja varmistatte samalla, että nämä teknologiat todella parantavat turvallisuutta ja toiminnan tehokkuutta?

Lähestymme tätä käyttötarkoituksen rajaamisen näkökulmasta. XENOMin keräämiä tietoja käytetään turvallisuuden ja toiminnan näkyvyyden parantamiseen – kyseessä ei ole tuottavuuden valvontatyökalu, eikä tietoja pidä käyttää siihen tarkoitukseen. Määrittelemme yhdessä toiminnanharjoittajien kanssa selkeät tiedonhallinnan käytännöt ennen käyttöönottoa: mitä kerätään, kuinka kauan tiedot säilytetään, kenellä on niihin pääsy ja missä tilanteissa niitä voidaan käyttää henkilöstöpäätöksissä. Tuottavuusanalyysia varten työntekijöiden sijaintitiedot yhdistetään ja anonymisoidaan. Yksittäisen työntekijän seuranta on turvallisuudesta vastaavien esihenkilöiden käytettävissä hätätilanteissa, ei linjaesihenkilöiden käytettävissä suorituksen arviointiin. EU:n tekoälysäädöksen ulottuessa teollisuuden tekoälyjärjestelmiin odotamme sääntelykehysten vakiinnuttavan monia näistä käytännöistä. Haluamme mieluummin olla kehityksen edellä kuin joutua kiirehtimään vaatimusten täyttämiseksi.

Tekoälyn siirtäminen hallituista laboratorio-olosuhteista turvallisuuden kannalta kriittiseen teolliseen toimintaan tuo mukanaan haasteita, joita pelkästään ohjelmistoihin keskittyvät tekoälyyritykset kohtaavat harvoin. Mitkä ovat olleet suurimmat yllätykset XENOMin käyttöönotossa todellisissa toimintaympäristöissä, ja miten mittaatte, tuottaako teknologia merkittäviä parannuksia tapaturmien ehkäisyssä, toiminnan tehokkuudessa ja työvoiman tuottavuudessa?

Suurin yllätys on se, miten paljon hyötyä saadaan jo siitä, että tiedetään tarkasti, missä ihmiset ovat ja miten heidän aikaansa käytetään. Odotimme, että turvallisuus olisi operaattoreiden kanssa käytävän keskustelun pääaihe. Huomasimme kuitenkin, että tuottavuuden näkyvyys — ymmärrys siitä, missä työvuoroissa menetetään aikaa, miksi jotkin työryhmät suoriutuvat muita paremmin ja missä pullonkaulat ovat — tuottaa usein nopeammin sijoitetun pääoman tuottoa ja saa organisaation sisältä paljon nopeammin alustan puolestapuhujia. Toinen yllätys on se, miten paljon vaihtelua on eri toimialojen välillä ja jopa saman toimialan eri toimipaikkojen kesken. Rakennusala toimii Saksassa hyvin eri tavoin kuin Arabiemiirikunnissa. Yhtä tuotetta ei voi rakentaa ja olettaa sen sopivan kaikkialle ilman merkittävää jatkokehitystä ja mukauttamista.

Tulevaisuutta ajatellen XENOM visioi teollisuuden tekoälyapuria, joka pystyisi valvonnan lisäksi ennakoimaan riskejä ja suosittelemaan toimintaa koskevia päätöksiä. Miten näette fyysisen tekoälyn kehittyvän seuraavien viiden vuoden aikana, ja mitä teknologisia läpimurtoja vielä tarvitaan, jotta teollisuuden tekoälyjärjestelmät voivat toimia aiempaa itsenäisemmin ihmisen valvonnan säilyessä?

Teollisuuden tekoälyn nykytila perustuu enimmäkseen näkyvyyteen — siihen, että tiedetään, mitä tapahtuu. Seuraava vaihe on ennakointi: sellaisten mallien tunnistaminen, jotka edeltävät tapaturmaa tai tuottavuuden heikkenemistä ennen kuin kumpikaan tapahtuu. Tämä edellyttää rakenteisen ja luokitellun datan keräämistä suuressa mittakaavassa ajan mittaan, ja juuri tätä XENOM tekee ensimmäisestä päivästä lähtien. Sitä seuraava vaihe on suositusten antaminen: järjestelmä ei ainoastaan kerro, mitä todennäköisesti tapahtuu, vaan ehdottaa, mitä asialle pitäisi tehdä — miten henkilöstöä pitäisi sijoittaa uudelleen, milloin toiminta pitäisi keskeyttää ja millainen työryhmän kokoonpano tuottaa parhaat tulokset tietyssä tehtävässä. Industrial AI Copilotin kehityksessä tähtäämme tähän kolmanteen vaiheeseen. Sen edellyttämä teknologinen läpimurto ei ole ensisijaisesti mallinnuksen kehitysaskel — kyse on datasta. Tarvitaan riittävästi laadukasta toimintadataa riittävän monista erilaisista toimipaikoista, jotta voidaan kouluttaa luotettavasti yleistyvä malli. Yrityksillä, jotka alkavat kerätä tällaista dataa nyt, on etulyöntiasema, jota on myöhemmin hyvin vaikea jäljitellä.

Kiitos hienosta haastattelusta! Lukijoiden, jotka haluavat tutustua reunalaskennan tekoälyyn, älykkäisiin suojavarusteisiin ja teollisuuden reaaliaikaiseen turvallisuuden valvontaan, kannattaa vierailla sivustolla XENOM.