AI w firmie produkcyjnej

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 mają wspólny warunek wstępny, o którym oferty milczą — miesiące historii danych z czujników, których większość zakładów po prostu nie ma. Projekt zaczyna się wtedy od budowy infrastruktury pomiarowej, a pierwszy efekt widać po roku, nie po kwartale.

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, 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 spina się w tygodnie i finansuje 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 i każda pomyłka byłaby i tak wychwycona przy potwierdzeniu zamówienia.
• Reklamacje i niezgodności. Kwalifikacja 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 DTR i 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.
• 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: jeden proces, zmierzona liczba przed startem, najwęższy możliwy pilotaż i praca równoległa przed przełączeniem — 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 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 wymagany poziom pewności. 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 danych z czujników i 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 czujników i IoT?

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, dane z ERP. Czujniki są warunkiem dopiero dla predykcyjnego utrzymania ruchu i analizy parametrów procesu — i tam trzeba najpierw zebrać miesiące historii, zanim model ma się z czego uczyć. Jeżeli ktoś proponuje predykcję awarii bez pytania o historię danych z maszyn, proponuje projekt zbierania danych, 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 wymagany poziom pewności — 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 językowym 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.