Czy Twoja produkcja jest gotowa na sztuczną inteligencję?

Sztuczna inteligencja ostatnio robi furorę. Także w świecie biznesu. Warto jednak zaznaczyć, że nazwa „sztuczna inteligencja” jest bardzo adekwatna, bo to narzędzie nie ma nic wspólnego z prawdziwą mądrością. Otóż AI jest na tyle inteligentna, na ile pozwala jej na to baza danych, którą dysponuje.

Co przez to mam na myśli? Jeżeli śledzimy social media, a szczególnie ten cały szum wokół sztucznej inteligencji w modelu B2C, możemy odnieść wrażenie, że te same trendy sprawdzą się w przypadku B2B, a zwłaszcza w firmach produkcyjnych. Nic bardziej mylnego! Owszem, część narzędzi czy procedur można zapożyczyć z sektora B2C – ChatGPT, techniki generowania filmów, grafik, a więc wszystko to, co stanowi szeroko rozumiane wsparcie dla marketingu. Natomiast trzeba pamiętać o tym, że te narzędzia korzystają z tzw. publicznych baz danych, które są dostępne w Internecie.

Jak wprawić w ruch dźwignię w B2B?

Jeśli dąży się do tego, by AI stała się dźwignią biznesu, trzeba przede wszystkim zadbać o swoje bazy danych. I tu zaczynają się schody…

Typowa firma może przechowywać dane w różnych miejscach. Doprecyzujmy, że dane rozumiemy tu jako informacje, które mogą być wykorzystane przez sztuczną inteligencję do analizy i do późniejszych działań. O jakich miejscach i danych mowa?

Zacznijmy od danych związanych z finansami. Niektóre firmy mają je oczywiście lepiej uporządkowane, inne gorzej. Są przechowywane w systemach informatycznych, czasami w różnych arkuszach kalkulacyjnych. Zakres tych danych także jest różny, bo możemy rejestrować każdą godzinę pracy pracownika, a możemy ewidencjonować tylko faktury przychodzące i wychodzące.

Drugim potencjalnym źródłem informacji dla AI są dane z naszym know-how (z wiedzą z zakresu technologii produkcji lub technik zarządzania). Można wyobrazić sobie scenariusz, w którym budujemy model działający podobnie jak ChatGPT, ale bazujący na naszej dokumentacji. Jak on ma działać? Otóż mamy zbiór danych, który umieszczamy na jakimś serwerze, w chmurze. Wówczas dany model językowy, np. ChatGPT, na bazie tych informacji uczy się, aby pomagać nam dochodzić do sedna problemów w przedsiębiorstwie. Mówiąc bardziej obrazowo, mamy cały ogrom dokumentacji projektowych. Ich przeglądanie w celu znalezienia konkretnych danych zajmuje wiele czasu, więc pytamy model językowy o konkretne zagadnienia (np. Jak w realizowanym w 2022 roku projekcie X rozwiązaliśmy taki, a nie inny problem), a ten je dla nas znajduje.

Jesteśmy dla takiego modelu językowego jak nauczyciel, który w postaci danych firmowych dostarcza mu pewnej wiedzy, a ten oto nasz uczeń sobie ją przyswaja analogicznie do tego, co robi właśnie czat GPT. To jest też stosunkowo łatwe do osiągnięcia.

Jakie wyzwania czekają AI w firmie produkcyjnej

Trudniej jest w przypadku firm produkcyjnych, gdzie danych jest znacznie więcej i poza informacjami finansowymi i związanymi z know-how gromadzi się dane innego typu, np. informacje związane stricte ze specyfiką działania, z magazynowaniem pewnym rzeczy, ich kategoryzowaniem. Są to przykładowo informacje, gdzie można znaleźć konkretne materiały, narzędzia itp., gdzie i w jaki sposób najkorzystniej byłoby je składować, aby wydawać je w odpowiedniej kolejności.

Kolejnym wyzwaniem dla AI – tym najtrudniejszym – jest proces wytwórczy. Aby wdrożenie sztucznej inteligencji na tym etapie miało sens, w pierwszej kolejności powinniśmy zautomatyzować obieg danych. Mówiąc krótko, podstawowe informacje, którymi dysponuje każda firma (np. liczba sztuk wyprodukowanych w danym dniu, liczba produktów wykonanych na danej maszynie lub przez danego operatora, braki, ilość zużytych surowców), są niewystarczające. Musielibyśmy dysponować dużo większą rozdzielczością informacji, a najlepiej wzbogacić bazy danych o szereg innych informacji. Mogą to być takie informacje, jak: dane związane bezpośrednio z procesem wytwórczym, np. jakością czy efektywnością wytwarzania. Tak więc, aby implementacja sztucznej inteligencji w obszarze produkcyjnym zakończyła się sukcesem, należałoby skoncentrować się na tym, w jaki sposób zapewnić dużo większą szczegółowość danych i częstotliwość ich zbierania, niż dotychczas. Poza tym należałoby dokonać zmian w zakresie przechowywania tych informacji.

Automatyzacja sprzymierzeńcem cyfryzacji

Przyjrzyjmy się tej pierwszej z wymienionych wyżej kwestii, czyli częstotliwości raportowania. Większość firm produkcyjnych dysponuje informacjami zbieranymi przynajmniej co osiem godzin. Dzięki temu wiemy, ile sztuk danego produktu wykonaliśmy (z uwzględnieniem zarówno wadliwego, jak i pełnowartościowego towaru), ile surowca danego typu pobraliśmy. To jednak za mało, aby zasadne i efektywne było wdrożenie sztucznej inteligencji.

Poza tym nawet wówczas, gdy dysponujemy wielkimi bazami danych, ale proces ich zbierania, przetwarzania i przechowywania nie jest zautomatyzowany, to mogą być one obarczone błędem związanym z czynnikiem ludzkim. Jeśli zaś sztuczna inteligencja będzie miała dostęp do fałszywych danych, a próbka nie będzie wielka, AI nie będzie w stanie tego skorygować.

Tutaj cała na biało wchodzi automatyzacja, która pozwala nam wyeliminować ryzyko pomyłki pracownika, a tym samym zapewnia większą rozdzielczość danych oraz korelacje z innymi informacjami.

Jak ważne jest automatyczne raportowanie produkcji?

By to rozjaśnić, przyjrzyjmy się firmie, która rejestruje liczbę towaru, jaki dana maszyna wyprodukowała w trakcie danej zmiany produkcyjnej. Jeśli podzielimy sobie tę liczbę przez ilość godzin, to uzyskamy czas cyklu tej konkretnej zmiany. Idealnie, jeśli ten czas cyklu zgadza się z tym założonym przez nas. Co jednak, jeśli się nie zgadza? W takim przypadku należałoby sobie odpowiedzieć na pytanie: „Dlaczego?”. Czy ta maszyna pracowała jednak krócej, bo przykładowo była awaria. Czy z jakiegoś powodu ten czas cyklu się wydłużył? Może zużyło się jakieś narzędzie? Wszak, jeśli mamy zapchany odkurzacz, czas jego pracy się wydłuży, a w pewnym momencie to urządzenie nawet przestanie spełniać swoją funkcję. Jeśli nasz nóż jest tępy, to będzie kroił mniej efektywnie (dłużej i gorzej), niż jego dobrze naostrzony odpowiednik.

To pokazuje, że zwiększenie rozdzielczości informacji sprawi, że będziemy mieć więcej bardziej szczegółowych informacji, które wprost poinformują nas o przyczynie jakiegoś problemu i osadzą średni czas cyklu w szerszym kontekście. Tak samo jest z efektywnością i jakimkolwiek składnikiem biznesowym. Dokładnie tak samo jest z parametrami jakościowymi. Jeśli parametry jakościowe monitorujemy w sposób ciągły (np. co pół sekundy), z uwzględnieniem różnych zmiennych, to możemy znaleźć wiele korelacji między nimi.

Jakie zastosowanie ma AI na etapie analizy danych produkcyjnych

Możemy oczywiście stwierdzić, że danych jest za dużo, aby cokolwiek z nimi robić, że nie jesteśmy w stanie ich przetworzyć. Tutaj właśnie jest pole do popisu dla sztucznej inteligencji, która dla efektywnej pracy potrzebuje ogromu informacji. To właśnie dzięki obszernym bazom danych i szerokim kontekstom jest nam w stanie dostarczać wiele istotnych informacji. Przede wszystkim może zasugerować, co powinniśmy zmienić. Może powinniśmy zmienić maszynę do produkcji konkretnego produktu? I proszę, AI może podpowiedzieć nam, na jakiej maszynie powinniśmy produkować dany produkt. Opracuje to na podstawie historii sukcesu takiej, a nie innej maszyny.

Za sprawą danych i sztucznej inteligencji możemy też wdrożyć predykcyjne utrzymanie ruchu. Pozwala ono na przewidywanie awarii na podstawie korelacji różnych zjawisk, które w przeszłości przyczyniły się do awarii. Na przykład, jeśli mamy parametry związane ze stopniem lepkości oleju i jego temperaturą w relacji do występujących awarii, możemy przewidzieć, że odnotowanie określonych parametrów wymienionych wskaźników skutkuje uszkodzeniem maszyn, więc analizując dane, możemy nie dopuścić do awarii. Możemy szukać także innych korelacji między pewnymi zmiennymi a awaryjnością maszyn.

Dzięki dużej rozdzielności danych i automatyzacji sposobu ich gromadzenia sztuczna inteligencja daje nam możliwość natychmiastowej analizy danych. Nie musimy tracić czasu na interpretowanie, co jest pracochłonne i wymaga konkretnej wiedzy. Możemy „rozmawiać” z danym modelem językowym lub korzystać z takiego systemu, który na podstawie analityki i za sprawą uczenia maszynowego będzie wysyłał nam konkretne raporty z uwzględnieniem informacji, na co powinniśmy zwrócić uwagę.

AI dla przemysłu? Dlaczego nie?!

Wątpliwości związane z zastosowaniem sztucznej inteligencji w firmach produkcyjnych potwierdzają badania rynku. W ankiecie sprawdzającej, jaki wpływ na rozwój zakładu przemysłowego ma sztuczna inteligencja, ponad 80% badanych uznało, że wdrożenie AI w ich zakładzie pozwoliłoby na lepszy rozwój ich przedsiębiorstwa. Przy tym wielu moich rozmówców i klientów wyrażało chęć wdrożenia opartych na AI systemów z zakresu predykcyjnego utrzymania ruchu lub harmonogramowania produkcji. Natomiast po przeanalizowaniu szczegółów okazywało się, że wszystkie te pomysły kończyły się fiaskiem. Poszczególne firmy nie dysponowały bowiem wystarczającą rozdzielczością informacji, aby w ogóle móc coś takiego rozpatrywać.

Postanowiliśmy wyjść naprzeciw potrzebom przedstawicieli zakładów produkcyjnych. Chcieliśmy wyjaśnić wątpliwości ich liderów i odpowiedzieć na kluczowe pytania, związane z tym, w jaki sposób faktycznie wykorzystać sztuczną inteligencję w przedsiębiorstwach. Zorganizowaliśmy więc konferencję pod hasłem „AI dla przemysłu”. To wydarzenie online z udziałem wybitnych specjalistów. Przedmiotem ich dyskusji będą właśnie wspomniane zagadnienia. To doskonała okazja, by pokazać, jakie możliwości dla przemysłu stwarza AI.

Jeśli zastanawiasz się, o co należy zadbać przed wdrożeniem sztucznej inteligencji w przemyśle, koniecznie weź udział w tym wydarzeniu. Chcemy Ci pokazać, w jaki sposób przechowywać dane i jak wykorzystywać różnego rodzaju metodologie porządkowania danych oraz jakie są obecnie możliwości pozyskiwania środków z różnego rodzaju programów m.in. na rozwiązania oparte na AI. Zapraszamy serdecznie.

Więcej informacji na: www.aidlaprzemyslu.pl