Machine Learning og cybersikkerhed i produktionen

Danmarks produktionsklynge MADE og Danmarks digitale klynge DigitalLead har udviklet et unikt projekttilbud, der giver adgang til viden fra både MADE og DigitalLeads eksperter og samarbejdspartnere.

I takt med, at produktionsprocesser bliver mere avancerede, og mængden af data fra produktionen stiger, er der i stigende grad behov for at anvende kunstig intelligens (AI), herunder specielt Machine Learning (ML) til at automatisere behandling af data.

ML har et stort potentiale ift. at øge både kvalitet og effektivitet i produktionen. F.eks. kan man træne en ML-model til at overtage opgaver inden for kvalitets tjek. Den kan afgøre, hvornår et produktionsskridt er udført tilfredsstillende og holde øje med kvaliteten af produktionsprocesserne ved at trække på live procesdata fra produktionslinjen.

Der er dog en række praktiske udfordringer forbundet med at rulle teknologien ud. Specielt er der behov for værktøjer og metoder til at understøtte den første udvikling af ML-modeller samt sikre løbende vedligehold, overvågning og videreudvikling af modellerne. Håndtering af disse udfordringer kaldes ofte for ML-Ops eller ML Operations og dækker over alle de understøttende aktiviteter, der ligger ud over selve udviklingen af modellerne. Den type af vedligehold, overvågning og videreudvikling af modeller kræver ofte en bred vifte af software- og it-kompetencer – og her kan dette samarbejdsprojekt udgøre en kærkommen hjælp.

I dette projekt sættes der fokus på to centrale aspekter af Machine Learning Model Operationalization Management (ML-Ops):

1. Integration/udrulning af machine learning (ML) modeller til produktionslinjen vha. værktøjet FactoryML, som er udviklet i MADE´s forskningsplatform MADE FAST. MADE står for denne del.
2. Håndtering af cyber-sikkerhedsproblemstillinger, der opstår som følge af at introducere it-teknologier og machine learning i miljøer med operativ teknologi (OT-miljøer), hvor både hardware og software traditionelt opererer autonomt fra både internet (air gapped) og organisationens IT-eksperter. DigitalLead står for denne del.

Deltag i MADE og DigitalLead Samarbejdsprojekt og få:

• Indblik i metoder til at rulle ML ud på en produktionslinje.
• Afprøvet integration af ML via FactoryML.
• Forståelse og indsigt i de cyber-sikkerhedsimplikationer og potentielle nye angrebstrusler, som mere digitaliserede processer medfører.
• Overblik over, hvilke muligheder der er for at imødekomme sikkerhedsudfordringer via best practice og ved introduktion af standarder for både tekniske og organisatoriske tiltag tilpasset den enkelte deltagerorganisation og baseret på en konkret vurdering af sektor, størrelse, modenhed m.m.

Målgruppe

Projektet retter sig mod små og mellemstore fremstillingsvirksomheder, der falder inden for EU’s definition af SMV, og som ønsker at integrere machine learning i deres produktionslinje. Virksomhederne skal helst allerede være i gang med at arbejde med at bruge data til at optimere processer i produktionslinjen. Det vil være en fordel, men ikke nødvendigvis et krav, at virksomheden har data science kompetencer og er bekendt med at udvikle machine learning modeller i gængse teknologier, som f.eks. Jupyter notebooks, PyTorch, ONNX modeller etc., som vil blive benyttet i projektet.

Hvordan forløber samarbejdsprojektet?

De deltagende virksomheder indgår i en iterativ proces og er derfor selv med til at forme projektet. På opstartsmødet vil projektgruppen i fællesskab identificere, hvilken konkret proces og produktionslinje der skal integreres med en ML-model. Det er ikke et krav, at der allerede er udviklet en ML-model, da projektets fokus er på integration og udrulning af modellen, og der derfor kan anvendes en stand-in model, der blot bruges som eksempel.

Den tekniske del af projektet kræver, at mindst én af de deltagende virksomheder kan være med til at opfylde følgende krav:

• Adgang og villighed til at lave mindre ændringer i PLC-programmet i forbindelse med test.
• Mulighed for at afvikle FactoryML på en maskine koblet til samme netværk som en PLC. Det kan evt. være en almindelig PC i forbindelse med testen eller en eksisterende industri-PC koblet på linjen. Mindstekrav er, at maskinen kører, kan afvikle Docker containers og kører Linux.
• Krav til virksomheden ift. cybersikkerhed vil være villighed til allokering af adgang til som minimum både OT-sikkerhedsressourcer og it-sikkerhed ressourcer i hele projektperioden samt villighed til at dele information om det eksisterende organisatoriske set-up.

Aktivitetsplan

Overordnet vil samarbejdsprojektet bestå af nedenstående fem faser. Projektets endelige aktivitetsplan aftales med de deltagende virksomheder afhængigt af virksomhedernes specifikke udfordringer og behov.

Fase 1: Scoping af projektet
Mødedato: Primo november

• Opstart med virksomhederne
• Diskussion af mulige ML-egnede produktionsprocesser
• Identificering af konkret produktionslinje, der kan bruges som case i projektet
• Scoping af målsætninger og milepæle for resten af projektet, herunder tilrettelæggelse af det optimale tidspunkt for opstart af cybersikkerhedsdelen på en måde så projektet sikrer, at integrationen af ML-modeller og IT-teknologier i OT-miljøet sker på en måde, der beskytter systemets integritet, tilgængelighed og fortrolighed mod trusler og angreb.

Fase 2: Indsamling af viden

Periode på ca. 1-2 mdr.

• Kortlægning af de konkrete tekniske elementer i den valgte produktionslinje
• Identificere eventuelle mangler i de ML-ops værktøjer der bydes ind med.

Fase 3: Udvikling af ny komponent/proces/prototype

Mødedato: Februar 2024

• Tilpasning af den valgte ML-model/eller placeholder-modellen
• Integration af ML-model i produktionslinje
• Workshop omkring de nye potentielle cybersikkerhedsudfordringer og typiske mitigeringstiltag som risikovurderinger, isolering af systemer, segmentering af netværk, adgangsstyring, sikkerhedsopdateringer intruision detection/prevention, sikkerhedmonitoring og overvågning, sikkerhedsarkitektur, test, uddannelse mm. Endvidere drøftelse af om det organisatoriske design måske har brug for opdatering af governance-modeller, roller og ansvar, processer, vedligeholdelse, leverandørforhold mm.

Fase 4: Evaluering af potentiale og evt. gevinster

Mødedato: April/maj 2024

• Fælles evaluering af brugen af ML i produktionslinjer.

Fase 5: Dokumentation og formidling

• Projektdeltagerne forventes aktivt at bidrage til formidlingsaktiviteterne, der bl.a. vil bestå af teknisk rapportering og artikler i relevante tekniske tidsskrifter samt video (altid under hensyntagen til fortrolighed) og præsentation på relevante seminarer.