Czas czytania: 11 min
Pytanie o najczęściej wykorzystywane technologie sztucznej inteligencji w przemyśle jest niezwykle skomplikowane, ponieważ w jego treści kryje się wrażenie istnienia jakiegoś jednolitego programu, który jest realizowany w przedsiębiorstwach. Rzeczywiście uogólniając można przyjąć, że sztuczna inteligencja (SI/AI) tworzy systemy i algorytmy wykonujące zadania, które dotychczas wymagało ludzkiej inteligencji. Jednak to oznacza bardzo szerokie spektrum działań. Elementy sztucznej inteligencji pojawiły się już w latach 80-tych, przyspieszenie nastąpiło od 2010 r., natomiast niesamowity wybuch aktywności wiąże się z udostępnieniem przez OpenAI w końcówce 2022 r. modelu generatywnej sztucznej inteligencji ChatGPT, które stało się błyskawicznie narzędziem umożliwiającym przetwarzanie globalnie zgromadzonej wiedzy i implementowanie jej w kolejnych technologiach. Jeżeli pytamy więc o najczęściej wykorzystywane technologie AI, to trzeba wskazać te, które były już skutecznie implementowane do analizy danych przemysłowych przez ostatnie 15 lat: uczenie maszynowe (Machine Learning), głębokie uczenie (Deep Learning – DL), wizja komputerowa (Computer Vision), przetwarzanie języka naturalnego (Natural Language Processing – NLP), systemy rekomendacyjne (Reinforcement Learning – RL), algorytmy heurystyczne, algorytmy genetyczne. Większość tych implementacji sztucznej inteligencji była lokalna – z wykorzystaniem jakiejś wybranej technologii AI optymalizowała jakiś konkretny fragment procesu produkcyjnego. Nie jest łatwo znaleźć twardych badań naukowych potwierdzających tę tezę, ale wydaje się wysoce prawdopodobne, że najczęściej stosowaną technologią była i wciąż jest Computer Vision i Deep Learning, wspierające automatyczną kontrolę jakości, śledzenie produktów na liniach montażowych, czy identyfikację defektów. Jednak od 2022 r. to duże modele językowe (Large Language Model – LLM) zawładnęły wyobraźnią wszystkich, którzy szukają przełomowych optymalizacji procesów produkcyjnych, dając perspektywę na stworzenie spójnej platformy AI wspierającej pracujących w fabryce ludzi, a nie jak dotychczas bardzo ważne i opłacalne, ale jednak punktowe rozwiązania automatyzacji procesów produkcyjnych.
Biorąc pod uwagę obecny poziom rozwoju sztucznej inteligencji, mierzalnych korzyści najłatwiej szukać w dojrzałych już technologiach AI. Z doświadczeń zastosowania rozwiązań sztucznej inteligencji we wdrożeniach DSR 4FACTORY należy przede wszystkim wskazać trzy zastosowania AI 4FACTORY wykorzystujące nowoczesne algorytmy sztucznej inteligencji.
Pierwszym jest zastosowanie systemu predykcyjnego utrzymania parku maszynowego i ruchu (Predictive Maintenance) z rozwiązaniem CMMS+EAM 4FACTORY – analiza anomalii, odniesienie do analizy danych historycznych pozwoliło jednemu z naszych Klientów zredukować przestoje maszyn – wskaźnik czasu między awariami (Mean Time Between Failures – MTBF) wzrósł z 500 do 800h.
Dowiedz się więcej o rozwiązaniach AI 4FACTORY
Drugim jest budowanie inteligentnych rekomendacji ustawienia nastaw maszyn na bazie systemu rekomendacyjnego Smart Advisor (SA 4FACTORY). Miernikiem sukcesu wykorzystywania sztucznej inteligencji w jednym z polskich zakładów produkcyjnych było podniesienie wskaźnika OEE na jednym z wydziałów o 27%.
Trzecim zastosowaniem jest użycie narzędzia bazującego na algorytmach genetycznych Dynamic Production Scheduling (DPS 4FACTORY) do przebudowywania harmonogramu po nagłych zakłóceniach przy ograniczonym dostępie do planistów (II i III zmiana) z zachowaniem wcześniej ustalonych kryteriów ważności poszczególnych zleceń produkcyjnych. Dzięki szybkiej przebudowie harmonogramu w locie, zminimalizowane jest podejmowanie niewłaściwych decyzji wynikających z niemożliwości uwzględnianie, przez osoby na hali produkcyjnej, wszystkich czynników ze względu na ich ogromną złożoność.
Wszystkie te przykłady pokazują, jak wykorzystywanie sztucznej inteligencji rewolucjonizuje przemysł, zmieniając sposób zarządzania procesami produkcyjnymi i podejmowania decyzji operacyjnych.
Przeczytaj również: Internet of Things (IoT) czym jest Internet Rzeczy w przemyśle?
Trzymając się już wcześniej wskazanych przykładów, prosto można przełożyć wykorzystywanie narzędzi takich jak analiza predykcyjna w utrzymaniu ruchu (Predictive Maintenance) do redukcji nieplanowanych przestojów, obniżenie kosztów napraw, wydłużenie żywotności maszyn, a nawet prognozowania awarii.
Zastosowanie sytemu rekomendacyjnego wpływa na wzrost wskaźnika OEE (Overall Equipment Effectiveness), zmniejszenie ilości braków, zmniejszenie zużycia energii.
Stosowanie narzędzi APS 4FACTORY do budowy harmonogramu produkcji i systemu DPS 4FACTORY do ich dynamicznej przebudowy pozwala optymalnie wykorzystać dostępne zasoby (maszyny produkcyjne, ludzi, surowce, narzędzia itp.) utrzymując ważne w danym momencie dla firmy priorytety (koszt wytworzenia, terminowość, minimalizacja przezbrojeń, minimalne zużycie energii itp.).
Generalnie wiadomym już jest, że dzięki sztucznej inteligencji skuteczne zarządzanie procesami produkcyjnymi czy zarządzanie łańcuchami dostaw staje się łatwiejsze. Chociaż raczej nie ma odrębnych wskaźników KPI do mierzenia skuteczności wdrożeń AI. Są one realizowane by poprawić parametry jakiegoś procesu i skuteczność wdrożenia sztucznej inteligencji jest mierzona poprawą tych miar. Może to więc być wskaźnik OEE (Overall Equipment Effectiveness), albo wskaźnik MTBF (Mean Time Between Failures) mierzący czas bez awarii lub downtime (czas niedostępności maszyny przez awarię/przeglądy), albo dla produkcji masowej Scrap Rate (poziom brakowości). Albo łączny czas przezbrojeń itp. itd.
Sztuczna inteligencja umożliwia radykalną poprawę efektywności operacyjnej i redukcję kosztów, co niewątpliwie może dać przewagę nad konkurencją. By jednak się tak stało, ważne jest by wdrożenie danej technologii AI było przez firmę przemyślane w zakresie korzyści, które sztuczna inteligencja wspiera i pomaga osiągnąć. Z szeregu różnych inicjatyw warto wybrać tę, która najmocniej będzie się przekładała na poprawę kondycji lub ekspansję firmy w określonych ramach budżetowych, które są możliwe do zaakceptowania.
Dowiedz się więcej o rozwiązaniach AI 4FACTORYParadoksalnie największe bariery, które występują przy wdrażaniu AI nie są jakieś bardzo inne od tych, które powodują, że dane przedsiębiorstwo nie działa optymalnie. Najczęściej jest to brak lub niska jakość danych produkcyjnych, niezintegrowane przemysłowe systemy produkcyjne (w tym IT), brak komunikacji i wymiany wiedzy między różnymi działami, niespójność, a czasami nawet przeciwstawność celów stawianych różnym pionom w firmie, brak liderów w organizacji, którzy mogą większe a nietypowe projekty przeprowadzić, a przede wszystkich opór pracowników przed zmianami. Oczywiście są też bariery specyficzne: jak brak osób w organizacji przeszkolonych do przyjęcia nowych technologii i systemów sztucznej inteligencji, czy generalny brak strategii użycia rozwiązań sztucznej inteligencji w organizacji, ale te ostatnie stosunkowo łatwo jest zniwelować.
Odpowiedzialność za błędy systemów AI oczywiście spada na ludzi. W zależności od podpisanych umów i ich zapisów, dojrzałości danej technologii, przyjętej metody użytkowania i serwisowania, odpowiada albo dostawca oprogramowania AI (błędy oprogramowania, nieprzetestowany model), albo firma, która wdrożyła, a nadinterpretowała pewne założenia (np. prawdopodobieństwo wystąpienia awarii na poziomie 95% nie oznacza 100%) lub dostarczyła złe dane, albo użytkownik końcowy, który nie trzymał się marszruty użytkowania. Za każdym prawdziwym błędem systemu AI kryje się jakiś błąd człowieka. Do niedawna to, kto ostatecznie będzie wskazany za odpowiedzialnego za dany błąd wynikało z zapisów umownych między dostawcą systemu a klientem. Jednak aktualnie w Unii Europejskiej wprowadzane są przepisy AI Act, które próbują wprowadzić silne ramy bezpiecznego rozwoju i implementacji systemów AI. Pełne stosowanie aktu przewidziane jest do trzeciego kwartału 2027 r. Najbliższe 2 lata przyniosą więc w tej przestrzeni na pewno sporo doprecyzowań, ale dużo większa odpowiedzialność jest przerzucona we wspomnianym akcie na twórców rozwiązań sztucznej inteligencji.
Przez ostatnie 15 lat stosowane narzędzia AI działały raczej punktowo, rozwój modeli językowych wykreował możliwość budowania komplementarnych systemów klasy AI 4FACTORY wzajemnie się wspierających. Rozwiązania ERP 4FACTORY, MES 4FACTORY (SFC 4FACTORY+IOT 4FACTORY), APS 4FACTORY będą wzajemnie nasycać się właściwymi danymi w odpowiednim momencie, by można było podejmować optymalne decyzje. Dla firm produkcyjnych buduje to w dalszej perspektywie perspektywę tworzenia prawie autonomicznych linii produkcyjnych.
Ciekawym kierunkiem, wzmacnianym przez EU AI Act jest uzyskanie Explainable AI (XAI), czyli zmuszenie systemów AI do wyjaśnienia/udokumentowania algorytmów, które były zastosowane. Jeśli to by się udało, stworzyłoby nową perspektywę użytkowania AI przez pracowników firm, niwelując ich lęk, że podpowiadane są im rekomendacje, których nie rozumieją.
Przeczytaj również: Kontrola jakościowa w produkcji – kompleksowe ujęcie
Działania systemów AI bazują na niewyobrażalnie wielkim przetwarzaniu i przeliczeniu bieżących ogromnych ilości danych, , a jednocześnie wynik tych działań powinien się pojawiać praktycznie bez żadnego opóźnienia. Ma to kluczowe znaczenie dla jakości kontroli procesów produkcyjnych.
Presja w tym kierunku jest nieustająco rosnąca. I to stanowi wytłumaczenie dlaczego wraz wykorzystywaniem sztucznej inteligencji będą się rozwijały technologie komplementarne: IoT (dostarczanie danych z maszyn i czujników), edge computing (uruchamianie AI lokalnie na wycinku danych), cloud computing (trenowanie modeli AI dostarczając nowe duże ilości danych wymaga olbrzymich mocy niedostępnych pojedynczym firmom), platformy integracyjne (umożliwiające bezpieczne i sprawne wymienianie danych między systemami).
Tak, pełna automatyzacja może być możliwa – to już się dzieje! Fabryka Fanuc (zakład produkcji robotów w Japonii) pracuje całkowicie bez obsługi ludzi. Jednak nie wydaje się, by stało się to zjawiskiem powszechnym. Lepszym rozwiązaniem będzie raczej wykorzystywanie automatyzacji i działań AI tam, gdzie wniesie to największą wartość dodaną do procesu. Nie należy też zapominać, że siła AI opiera się na skumulowanej wiedzy w odniesieniu do istniejącej rzeczywistości, każda zmiana wykraczająca poza założony zakres wymaga ingerencji operatorów i zbudowania odpowiedniego kontekstu.
Przeczytaj również: Przenikanie się sztucznej inteligencji i uczenia maszynowego: współczesne wykorzystanie i perspektywy
Niewątpliwie technologie sztucznej inteligencji zmieniły już i dalej będą zmieniać potrzeby firm produkcyjnych w odniesieniu do ilości i umiejętności osób je obsługujących. Agenci modeli językowych zautomatyzują wykonywanie powielanych czynności – pracowników biurowych średniego szczebla, odpowiedzialnych obecnie za analizę danych. Rozwiązania sztucznej inteligencji spowodują, że pracowników do prostych czynności na liniach produkcyjnych będzie potrzeba mniej, ale będą dalej potrzebni – wszędzie tam, gdzie wyuczenie AI byłoby nieopłacalne (duża dynamika zmian) lub przy wprowadzaniu nowych produktów, jak i w nowych zadaniach związanych między innymi ze sterowaniem i zarządzaniem systemami sztucznej inteligencji. Dodatkowo trendy demograficzne są w Europie jednoznaczne – kolejne pokolenia są coraz mniej liczne i raczej panuje niepokój skąd wziąć osoby potrzebne do obsługi fabryk. Warto jednak by osoby chcące pracować w przemyśle były otwarte na ciągłą naukę i współdziałanie z informatycznymi systemami sztucznej inteligencji napędzającymi inteligentne procesy produkcyjne.
Autor:
Paweł Daszkiewicz
Dyrektor Realizacji Usług DSR 4FACTORY
Dowiedz się więcej o rozwiązaniach AI 4FACTORY
Przeczytaj również:
Krótki przewodnik po systemach zarządzania jakością w firmach produkcyjnych
Sztuczna inteligencja w planowaniu popytu: cyfrowa transformacja w celu usprawnienia łańcucha dostaw
Utrzymanie ruchu w nowoczesnych firmach produkcyjnych: od reakcji do automatyzacji
71 889 05 60
