Technologie AI wsparciem dla analityki i zarządzania produkcją

Jak wynika z raportu EY „Jak polskie firmy wdrażają AI” przedsiębiorstwa w naszym kraju coraz częściej dostrzegają korzyści wynikające z wykorzystania sztucznej inteligencji do tworzenia usprawnień procesowych i zwiększania przychodów. Już 25% badanych przedsiębiorstw twierdzi, że w 2024 r. zakończyło proces wdrażania przynajmniej jednego z takich rozwiązań, to o 5 punktów procentowych więcej niż rok wcześniej. Aż 40 % twierdzi, że jest w trakcie procesu wdrażania AI. W 2023 r. takiej odpowiedzi udzieliło 42% respondentów. Jednocześnie maleje liczba firm, które zdecydowanie nie rozważają wdrażania AI. W 2023 r. planów związanych ze sztuczną inteligencją nie miało aż 9% ankietowanych firm. Rok później już tylko 5%. Z 22 do 18% spadł odsetek firm, które nie wdrażają rozwiązań AI, ale przyglądają się pewnym rozwiązaniom.

Trendy rynkowe są więc jasne. Rośnie znaczenie sztucznej inteligencji, ze względu na coraz większe możliwości tej technologii i coraz większa świadomość jej potencjału po stronie biznesu.

A jak jest w branży produkcyjnej? W trakcie konferencji Biznes i Produkcja, która odbyła się pod koniec maja w Jachrance pod Warszawą; a która zgromadziła praktyków biznesu produkcyjnego z całego kraju; mieliśmy okazję porozmawiać z przedstawicielami wybranych firm i poznać ich zdanie na temat potencjału sztucznej inteligencji w przemyśle, a także wyzwań, które blokują przełomowe wdrożenia w tym obszarze. Oto główne wnioski z tych rozmów.

Jaki rozwiązania AI już są wykorzystywane w przemyśle

Firmy produkcyjne zdecydowanie dostrzegają potencjał sztucznej inteligencji i coraz chętniej wdrażają nowe systemy wykorzystujące tę technologię. Na zautomatyzowanych liniach produkcyjnych coraz częściej sprawdzają się na przykład systemy wizyjne wykorzystujące AI, które rozpoznają detale. Ułatwia to ich segregację oraz właściwe ułożenie na taśmie produkcyjnej.

Jedna z firm z branży spożywczej wdrożyła własnego czatbota, przypominającego ChatGPT, który ucząc się w sposób ciągły, wspiera decyzje dotyczące zachowań operatorów na liniach produkcyjnych. Dodatkowo wspiera też optymalizację tworzenia instrukcji stanowiskowych. Jest to długoterminowy proces, gdyż AI cały czas wymaga nowych próbek do uczenia. 

Inna z firm wykorzystuje z AI do predykcji zdarzeń alarmowych. System wykorzystujący sztuczną inteligencję wychwytuje anomalie w pracy systemów produkcyjnych i na podstawie ich analizy z wyprzedzeniem ostrzega, jeśli wzrasta ryzyko wystąpienia błędu, awarii czy przestoju w zakładzie. AI wspiera też mechanizmy optymalizacji parametrów procesowych, aby w przyszłości eliminować podobne incydenty.

Przedsiębiorstwo z branży elektronicznej wykorzystuje sztuczną inteligencję do optymalizowania parametrów produkcyjnych poprzez analizę zdjęć RTG łączeń lutowniczych, spoin spawów. Pozwala to utrzymywać najwyższą jakość produktu końcowego i tym samym eliminować niepotrzebne koszty dotyczące przyszłych gwarancji i reklamacji.

Podobne mechanizmy używania AI do analiz porównawczych są eksploatowane np. w branży ciepłowniczej, gdzie parametry wytwarzania ciepła są porównywane z wzorcowym modelem matematycznym dla danego źródła ciepła, czyli na przykład kotła czy bloku energetycznego po to, by optymalizować koszty wytwarzania i zużycia paliw energetycznych.

Czy firmy są gotowe na nową technologię, a jeśli nie, to jakie czynniki stanową największe ograniczenia?

Choć pojawiają się już pierwsze jaskółki, jeśli chodzi o wdrożenia, wiele firm wciąż jest raczej w fazie obserwacji lub pierwszych przygotowań. To etap, na którym ujawniają pewne braki czy to kompetencyjne, czy technologiczne, czy procesowe oraz wyzwania blokujące dalsze działania.

Kluczowym czynnikiem niezbędnym do skutecznego wdrażania systemów AI jest kompetentny i zaangażowany zespół, który potrafi wykorzystywać informacje zebrane przez sztuczną inteligencję i tłumaczyć je na język celów biznesowych przedsiębiorstwa. W zespole takim musi pojawić się lider rozumiejący mechanizmy działania AI, ale jednocześnie znający procesy w zakładzie, umiejący wyłuskać te informacje, które są najbardziej istotne dla całego zakładu od strony analizy i optymalizacji.

Zbudowanie takiego zespołu jest o tyle trudne, że działy IT oferują tu ograniczone wsparcie. Często nie rozumieją potrzeb produkcji, w rezultacie dostarczają „suche” informacje często wymagające dalszego przetworzenia i dopasowania do potrzeb poszczególnych działów: produkcji, jakości, performance czy maintenance.

Wyzwania ujawniają się także w obszarze finansowym. Problemem może być na przykład przygotowanie uzasadnienia biznesowego dla projektu wdrożenia sztucznej inteligencji czy wyliczenie ROI (Return of Investment). Wdrożenie AI nie może być postrzegane jako projekt inwestycyjny, który „zwróci się” np. w 24 miesiące, ale sposoby szacowania tego zwrotu, w przypadku tak nowatorskich rozwiązań nie są oczywiste.

Niektóre firmy zaczynają od zlokalizowania wąskich gardeł i dla nich przygotowują business case, z wykorzystaniem AI. Dobre przeprowadzenie wstępnych kalkulacji może przynosić spektakularne efekty. Tak było w przypadku wspomnianego przedsiębiorstwa z branży elektronicznej z północnej Polski, które wykorzystało sztuczną inteligencję do inspekcji zdjęć RTG spoin i lutów. Zwrot inwestycji w tym zakładzie udało się uzyskać już po 9 miesiącach, w dodatku przy zachowaniu wszystkich etatów.

Ostatnie z dużych wyzwań wymienianych przez naszych rozmówców dotyczy jakości danych. Raport firmy Seagate wskazuje, że tylko 7% agregowanych danych ma wartość biznesową. Jeśli więc chcemy, by sztuczna inteligencja pracująca na danych przynosiła realne korzyści, musimy zadbać o jakość dostarczanych jej informacji. To może być wyzwaniem, jeśli w firmie działa wiele aplikacji przemysłowych czy wiele baz danych, ale nie są ze sobą skorelowane, nie komunikują się ze sobą.

Dodatkowo nasi rozmówcy wskazali na wiele mniejszych zjawisk, które blokują dostęp do korzyści płynących z AI na produkcji. Wśród tych o charakterze technicznym wymienili na przykład trudności związane z wyborem modułu AI do konkretnego zadania, czy pewne braki w infrastrukturze informatycznej. Tu rozwiązaniem może być przygotowanie przy udziale zewnętrznych ekspertów tzw. mapy cyfrowej transformacji. Wśród wyzwań o charakterze mniej technicznym, rozmówcy wymieniali obawę załogi przed zmianami czy wręcz opór przed wdrażaniem rozwiązań, które zmieniają status quo. Tu pomóc może program szkoleń. Do tego dochodzą wyzwania natury proceduralnej czy regulacyjnej. W tym kontekście najczęściej wymieniana była dyrektywa unijna NIS2, która ma na celu zapewnienie cyberbezpieczeństwa.

Podsumowując:

Poprawne wdrożenie technologii AI w przemyśle jest procesem ciągłym, wymagającym przygotowania i higieny w trzech podstawowych wymiarach:

• dane (surowe/wstępnie przetworzone, o dużej wartości analitycznej)
• ludzie (kompetentny zespół analityków, rozumiejących możliwości techniczne AI, ale też potencjalne korzyści w wymiarze biznesowym)
• narzędzia AI (skrojone na miarę potrzeb i głównych celów biznesowych przedsiębiorstwa, odpowiadające na jego potrzeby i dopasowane do aktualnego poziomu rozwoju technologicznego).

Dodatkowo firmy produkcyjne stawiające na sztuczną inteligencję powinny pamiętać o dość prozaicznych kwestiach, takich jak tworzenie kopii zapasowych danych przygotowanych przez AI, tak by stanowiły one wiedzę ogólnie dostępną w organizacji nawet na wypadek zmian kadrowych i rotacji pracowników. Powinny też dbać o rozwój kardy i cały czas inwestować w jej kształcenie, na przykład stawiać na wewnątrz zakładowych specjalistów IT. Pozwala to nie tylko najefektywniej wykorzystywać nowe rozwiązania, ale dodatkowo buduje zaangażowany zespół, który rozumie nie tylko techniczne aspekty wdrożeń, ale też ich biznesowy wymiar, co z kolei przekłada się na lepsze wyniki całej organizacji i je wyższą pozycję konkurencyjną.