AI w produkcji

Dlaczego AI w produkcji zaczyna się w biurze, nie na hali

Firmom produkcyjnym AI sprzedaje się od strony hali: wizyjna kontrola jakości, predykcja awarii, optymalizacja parametrów procesu. Te projekty bywają wartościowe, ale każdy ma inny warunek wstępny, który sprawdzamy przed startem. Kontrola wizyjna potrzebuje opisanych przykładów obrazów z wadami, optymalizacja procesu — historii parametrów i wyników, a predykcja awarii — zapisanej historii awarii wraz z sygnałami, które je poprzedzały, dość licznej, żeby model miał się z czego uczyć. Tego ostatniego brakuje najczęściej, więc projekt zaczyna się od zbierania danych, nie od modelu.

Równolegle w tej samej firmie codziennie płynie strumień pracy, którą AI potrafi przejąć już dziś: zamówienia od klientów w kilkunastu formatach przepisywane ręcznie do ERP (systemu, w którym firma prowadzi zamówienia, zapasy i księgowość), reklamacje wymagające skompletowania dokumentacji z trzech miejsc, zgłoszenia awarii zapisywane na kartkach i w mailach, raporty zmianowe składane z arkuszy. To są procesy oparte na dokumentach i tekście — dane istnieją, reguły da się spisać, a pomyłka jest wykrywalna i odwracalna.

Dlatego dobry pierwszy projekt AI w firmie produkcyjnej wygląda mało spektakularnie: nie dotyka maszyn, dotyka obiegu informacji wokół nich. Za to pierwsze efekty widać w ciągu tygodni, a to pomaga sfinansować kolejne kroki.

Co konkretnie automatyzujemy w firmach produkcyjnych

• Obsługa zamówień i specyfikacji. Odczyt zamówień przychodzących mailem i w PDF-ach — w układach, których nikt wcześniej nie opisał — i przygotowanie wpisu do ERP do zatwierdzenia przez człowieka. To najczęstszy pierwszy proces, bo powtarza się codziennie, a potwierdzenie zamówienia jest dodatkowym punktem kontroli. W pilotażu mierzymy zarówno poprawność wpisów, jak i czas potrzebny na ich sprawdzenie.
• Reklamacje i niezgodności. Klasyfikacja zgłoszenia, skompletowanie dokumentacji jakościowej z systemów i skanów, przygotowanie odpowiedzi do akceptacji. Skraca czas obsługi tam, gdzie dziś najdłużej trwa nie decyzja, tylko zebranie materiału do niej.
• Utrzymanie ruchu. Uporządkowanie zgłoszeń awarii w jeden rejestr i asystent, który odpowiada na pytania techników na podstawie instrukcji i dokumentacji technicznej maszyn oraz historii napraw — zamiast szukania w segregatorach. To nie jest predykcja awarii; to warunek, żeby kiedyś była możliwa, bo buduje historię danych.
• Raportowanie produkcyjne. Zbieranie danych zmianowych z arkuszy i systemów do jednego raportu, z oznaczeniem braków i wartości odstających do wyjaśnienia — zamiast ręcznego składania tego samego co tydzień.
• Przygotowanie danych do planowania. Ujednolicenie danych o zapotrzebowaniu i zapasach na potrzeby planisty. Prognozy tak — ale dopiero wtedy, gdy dane wejściowe są kompletne; prognoza na dziurawych danych to generator liczb.

Wspólny mianownik: człowiek zatwierdza wynik, system przygotowuje. Które procesy w ogóle nadają się do takiej automatyzacji — pięć warunków, które musi spełnić dobry kandydat — opisaliśmy na stronie automatyzacji AI; w firmie produkcyjnej te warunki sprawdza się dokładnie tak samo.

Czego nie obiecujemy

• Predykcji awarii bez historii danych. Model uczy się z przebiegów, które poprzedzały awarie. Jeżeli zakład ich nie rejestruje, uczciwa oferta zaczyna się od zbierania danych — i mówi wprost, że efekt predykcyjny przyjdzie później. Czy zakład ma z czego przewidywać, da się sprawdzić w jedno popołudnie: pięć pytań opisaliśmy w tekście o predykcyjnym utrzymaniu ruchu.
• Wizyjnej kontroli jakości „przy okazji”. To osobny projekt z kamerami, oświetleniem i stanowiskiem — z własnym budżetem i harmonogramem. Da się go zrobić dobrze, ale nie jako dodatek do automatyzacji dokumentów.
• Optymalizacji „całego zakładu”. Automatyzujemy konkretne procesy, z liczbą zmierzoną przed startem. Projekt bez tej liczby nie ma jak wykazać, że się opłacił.

Jak pracujemy

Tak samo jak w każdym wdrożeniu: wybieramy jeden proces i przed startem mierzymy jeden wskaźnik. Potem robimy możliwie mały pilotaż. Przed przełączeniem system przez pewien czas działa równolegle z dotychczasowym sposobem pracy. Najpierw system przygotowuje, człowiek zatwierdza każdy wynik, a decyzję o poluzowaniu nadzoru podejmuje się na podstawie danych z pilotażu, nie z entuzjazmu. Pełny przebieg — cztery fazy i to, co dostajesz na końcu każdej z nich — opisuje metodyka wdrożenia, a cały zakres usługi, od audytu procesów po utrzymanie, strona wdrożenie AI w firmie.

Osobnym tematem, który w produkcji wraca w każdej rozmowie, jest poufność: rysunki techniczne, cenniki, dane klientów. Gdzie trafiają dane w integracji z modelem AI i o co pytać każdego dostawcę, opisaliśmy na stronie bezpieczeństwo i RODO.

Ile to kosztuje

O koszcie decydują trzy rzeczy: liczba systemów do połączenia, stan danych i wymagana wiarygodność wyników, czyli jak rzadko mogą zawierać błąd. Wielkość zakładu prawie nie ma znaczenia — liczy się to, czy proces żyje w jednym ERP, czy w mailach i skanach obok niego. Wszystkie składniki, łącznie z utrzymaniem, rozpisaliśmy w tekście o tym, ile kosztuje wdrożenie AI.

Najczęstsze pytania

Od czego zacząć wdrożenie AI w firmie produkcyjnej?

Od procesu biurowego wokół produkcji, nie od hali. Obsługa zamówień, reklamacje, dokumentacja jakościowa i zgłoszenia utrzymania ruchu to procesy oparte na dokumentach i tekście — dane już istnieją, pomyłka jest odwracalna, a efekt widać w tygodnie. Projekty na hali — wizyjna kontrola jakości, predykcyjne utrzymanie ruchu — wymagają zapisanych sygnałów z maszyn, a tam, gdzie nikt ich dziś nie archiwizuje, także osobnej infrastruktury, więc są droższe i dłuższe. Zaczynanie od nich to najczęstszy sposób, w jaki firmy produkcyjne wydają budżet, zanim zobaczą pierwszy efekt.

Czy wdrożenie AI w produkcji wymaga nowych czujników lub urządzeń?

Nie na początku. Większość pierwszych projektów, które prowadzimy w firmach produkcyjnych, pracuje na danych, które już są: zamówienia od klientów, specyfikacje, protokoły jakościowe, zgłoszenia awarii i dane z ERP. Zapisane dane z maszyn są potrzebne dopiero do przewidywania awarii (predykcyjnego utrzymania ruchu) i analizy parametrów procesu. Często dostarczają ich sterowniki i systemy nadzoru, które zakład już ma (PLC, SCADA), o ile ktoś zapisuje odczyty z poszczególnych maszyn. Brak zapisów najczęściej nie oznacza braku czujnika. Sterownik zwykle zna bieżącą wartość, tylko nikt jej nie przechowuje, archiwum sięga niedaleko wstecz albo obejmuje tylko całą linię. To kwestia ustawienia zbierania i przechowywania danych, nie zakupu sprzętu. Nowe czujniki kupuje się dopiero tam, gdzie potrzebnego parametru nic nie mierzy, mierzony jest inny parametr albo pomiar jest zbyt rzadki, żeby wychwycić dany rodzaj usterki. W obu przypadkach trzeba najpierw zebrać historię z wystarczającą liczbą awarii danego typu, żeby model AI miał się na czym uczyć. Jeżeli ktoś proponuje przewidywanie awarii bez pytania o historię danych z maszyn, proponuje projekt zbierania danych, a nie projekt AI.

Czy dane z naszego ERP wystarczą?

To jest dokładnie pytanie, które rozstrzyga audyt na początku projektu — i da się je częściowo rozstrzygnąć samodzielnie w jedno popołudnie: spróbuj wyeksportować z ERP ostatnie sto przypadków procesu, który chcesz usprawnić, jako jedną tabelę. Jeżeli się da, zakres pierwszego etapu jest mały. Jeżeli część danych żyje w skrzynkach mailowych, skanach i arkuszach obok systemu — a w firmach produkcyjnych zwykle tak jest — to uporządkowanie tego przepływu jest pierwszym etapem projektu, nie przeszkodą w nim.

Ile kosztuje wdrożenie AI w firmie produkcyjnej?

O koszcie decyduje liczba systemów do połączenia, stan danych i wymagana wiarygodność wyników, czyli jak rzadko mogą zawierać błąd — nie wielkość zakładu. Proces obsługi zamówień z danymi w jednym ERP to skala tygodni; ten sam proces rozrzucony po mailach, skanach i dwóch systemach to inny projekt i inna wycena. Osobną pozycją jest utrzymanie: opłaty zależne od liczby operacji i okresowe testy po zmianach wersji modeli. Składniki kosztu rozpisaliśmy szczegółowo w tekście o tym, ile kosztuje wdrożenie AI.

Co z poufnością rysunków technicznych i danych klientów?

To pytanie trzeba rozstrzygnąć przed projektem, nie po nim. W integracji z modelem AI da się kontrolować, które dane w ogóle opuszczają firmę, dokąd trafiają i na jakiej podstawie — od wyboru dostawcy i regionu przetwarzania po ograniczenie zakresu danych do minimum potrzebnego w procesie. Zasady, według których to ustalamy, oraz pytania, które warto zadać każdemu dostawcy, opisaliśmy na stronie o bezpieczeństwie i RODO.