Wdrożyć AI w przemyśle – czy to naprawdę bułka z masłem?

 

W niektórych przypadkach implementacja rozwiązań opartych na sztucznej inteligencji jest stosunkowo łatwa. Narzędzia AI, które wspierają działania marketingowe, często korzystają z ogólnodostępnych danych i nie wymagają skomplikowanej infrastruktury. Przykładem mogą być rozwiązania do:

• generowania treści – artykułów, postów, opisów produktów czy artykułów na blogi;
• analizy serwisów społecznościowych – pomagają firmom zrozumieć, co przyciąga uwagę konsumentów; 
• tworzenia grafik i wideo.

Wykorzystanie AI w analizie danych finansowych

Sztuczna inteligencja może być skuteczna w analizie danych finansowych, nawet jeśli w firmach są one różnie uporządkowane. Niektóre marki mają dane dobrze zorganizowane w systemach informatycznych, inne w różnych arkuszach kalkulacyjnych. Rozdzielczość tych danych również bywa różna – od szczegółowej rejestracji każdej godziny pracy pracownika po jedynie przychodzące i wychodzące faktury. AI jest jednak w stanie wspierać przedsiębiorstwa, pomagając w wyciąganiu chociaż podstawowych wniosków z tych danych.

Szybka analiza na wewnętrznej dokumentacji

Kolejnym sposobem wdrożenia sztucznej inteligencji w firmie jest wykorzystanie modeli językowych do analizy wewnętrznej dokumentacji. Przedsiębiorstwa mogą stworzyć model działający podobnie do ChatGPT, który jednak bazuje na wewnętrznych dokumentach zakładu produkcyjnego. Wyobraźmy sobie sytuację, w której model językowy jest zbudowany na podstawie dokumentacji firmowej przechowywanej na serwerze lub w chmurze. Taki model uczy się zawartości tych dokumentów i pomaga pracownikom szybko znaleźć odpowiedzi na pytania dotyczące konkretnych projektów czy procesów, bez konieczności ręcznego przeszukiwania ogromnej ilości. Przykładowo, rozwiązanie AI może odpowiedzieć na pytanie: "Jak w projekcie X, który realizowaliśmy w 2022 roku, rozwiązaliśmy dany problem?"

Model językowy, który nauczył się treści firmowych dokumentów, jest w stanie udzielić precyzyjnych odpowiedzi, podobnie jak ChatGPT. Implementacja takiego rozwiązania jest stosunkowo prosta i może znacząco usprawnić pracę zespołów, przede wszystkim oszczędzając czas.

Wyższy poziom AI w przemyśle

Kiedy przechodzimy do sektora B2B i przemysłu, wyzwania związane z implementacją AI stają się bardziej złożone. W firmach produkcyjnych dane są bowiem bardziej zróżnicowane i skomplikowane niż w innych branżach. Poza danymi finansowymi i know-how, obejmują także informacje o magazynach i procesach produkcyjnych. Przykładem mogą być dane dotyczące lokalizacji towarów w magazynie, optymalnego sposobu ich składowania czy sekwencji wydawania.

Automatyzacja obiegu danych

Najtrudniejszym etapem jest jednak sam proces wytwórczy. Aby miał sens, musimy najpierw zautomatyzować obieg danych i zadbać o dużo większą rozdzielczość. Oznacza to, że podstawowe informacje, takie jak liczba wykonanych sztuk w danym dniu, liczba sztuk wykonanych na danej maszynie lub u danego operatora, braki, surowce pobrane itp., nie są wystarczające. Potrzebujemy dużo bardziej szczegółowych informacji.

Ponadto większość firm produkcyjnych gromadzi dane co osiem godzin. Dzięki temu wiemy, ile i co wyprodukowano, ile pobrano surowca, ile było wadliwego towaru, a ile pełnowartościowego. Jednak taka rozdzielczość informacji nie jest wystarczająca, aby sztuczna inteligencja mogła działać skutecznie.

Warto także pamiętać, że nawet szerokie informacje, które nie są zbierane automatycznie, mogą być obarczone błędami. Jeśli sztuczna inteligencja będzie w posiadaniu błędnych danych, a próbka nie będzie duża, AI nie będzie w stanie tego skorygować.

Aby wdrożenie sztucznej inteligencji miało sens, musimy dysponować dokładnymi, automatycznymi danymi. Należy także skoncentrować się na tym, jak zapewnić dużo większą ich rozdzielczość. Mogą to być informacje związane bezpośrednio z procesem wytwórczym, takie jak jakość i efektywność wytwarzania.

Jeśli posiadamy automatyczne dane, to:

• eliminujemy czynnik ludzki, co zwiększa dokładność i rozdzielczość danych;
• umożliwiamy tworzenie korelacji z innymi informacjami.

Przykład zastosowania

Maszyna wyprodukowała określoną liczbę sztuk na danej zmianie. Przeliczając wyprodukowaną ilość przez czas, uzyskamy czas cyklu. Jeśli czas cyklu się zgadza, jest dobrze. Jeśli nie, trzeba znaleźć przyczynę. Może maszyna produkowała krócej z powodu awarii lub wydłużył się czas cyklu przez zużycie narzędzia. Sytuację można przedstawić na przykładzie zwykłego odkurzacza – jeśli będzie zapchany – dłużej będzie wciągać kurz, a w pewnym momencie przestanie go wciągać. Jeśli nóż nie jest ostry, będzie dłużej kroić niż dobrze naostrzony. Tak samo jest w maszynach i urządzeniach produkcyjnych.

Jednak większa rozdzielczość informacji pozwoli rozwiązaniu AI na korelacje i wyciągnięcie informacji o przyczynie nieodpowiedniego czasu cyklu. Podobnie jest z efektywnością i parametrami jakościowymi. Jeśli składowanie parametrów jakościowych odbywa się często, możemy znaleźć wiele korelacji. Sztuczna inteligencja lubi dane Dokonując samodzielnych analiz, możemy stwierdzić, że danych jest za dużo, aby coś z nimi zrobić. Jednak AI potrzebuje dużych ilości danych. Na podstawie składowanych informacji i szerokiej historii, sztuczna inteligencja może dostarczać sugestii dotyczących zmian.

 

Na przykład: