Jak ograniczać przeszkody w zastosowaniu sztucznej inteligencji w produkcji (AI 4FACTORY)?

Przedsiębiorstwa produkcyjne są pod ciągłą presją, aby zwiększać wydajność, dostarczać produkty wysokiej jakości, zachwycać klientów oraz osiągać większą rentowność jednocześnie stosując zasady zrównoważonego rozwoju. Poszukują więc nowych technologii, takich jak sztuczna inteligencja (ang. Artificial Intelligence – AI) i uruchamiają proces cyfrowej transformacji, aby pozostać konkurencyjnymi.

O sztucznej inteligencji w produkcji

Glenn Graney, dyrektor ds. rynków przemysłowych i zaawansowanych technologii w QAD Inc., określa obecną sytuację sztucznej inteligencji tak: „Sztuczna inteligencja (AI) przechodzi już z poziomu jedynie akademickiego pojęcia do konkretnej propozycji biznesowej. Możliwość wdrożenia przez daną firmę AI i algorytmów uczenia maszynowego wynika bezpośrednio z posiadania odpowiednio połączonych i skalowalnych systemów komputerowych, inteligentnych czujników czy znajomości zaawansowanej analityki.” Firma musi więc najpierw zbudować odpowiednie fundamenty, aby móc skorzystać z gwałtownego rozwoju sztucznej inteligencji. Potrzebne są między innymi, odpowiednia inwestycja w infrastrukturę informatyczną i jej uproszczona architektura, dobrze wyszkolone zespoły oraz dokładnie wybrane i opisane najlepsze praktyki działania – innymi słowy, pieniądze, planowanie, cierpliwość i silna wola.

Problemy (i ich rozwiązania) we wdrażaniu AI 4FACTORY

Żaden postęp technologiczny nie odbywa się bez pokonywania różnych przeszkód. Przed producentami stoją cztery główne wyzwania związane z realizacją obietnicy, jaką niesie ze sobą sztuczna inteligencja. Poniżej przedstawiamy kilka potencjalnych rozwiązań:

Strach przed przegapieniem (FOMO)

Aby uniknąć strasznego FOMO (ang. Fear Of Missing Out), zamiast spieszyć się z działaniami w związku z dużym szumem wokół AI, producenci muszą rozpoczynać projekty z ustaloną, jasną strategią. Jak we wszystkim, dobrze opracowany plan ma kluczowe znaczenie i powinien rozpocząć się od zbudowania portfela przykładów użycia sztucznej inteligencji, które pokażą wartość zastosowania technologii, określając co jest możliwe do osiągnięcia i w jakim termie. Plan może obejmować optymalizację procesów produkcyjnych, prognozowanie sprzedaży, ułatwienia w kategoryzacji produktów, obliczanie zapasów bezpieczeństwa, zarządzanie dostawcami czy zarządzanie magazynem. Kluczowe jest jasne przedstawienie propozycji wartości kluczowych wskaźników (ang. Key Performance Indicators, KPI, które mają być mierzone wraz z celami i zadaniami. Należy też oszacować zwrot z inwestycji (ang. Return On Investment – ROI) w oparciu o koszty związane z projektem.

Jakie są trudności we wdrażaniu systemów sztucznej inteligencji?

Wdrożenie jest łatwiejsze, kiedy firmy wybierają oprogramowanie spośród trzech poniższych typów, przy czym ważne jest, aby opracować plany zarządzania zmianą w celu lepszego przyjęcia się nowych narzędzi wśród użytkowników.

• Skoncentrowane rozwiązania lub gotowe aplikacje z przygotowanymi modelami AI, które wymagają jedynie danych wejściowych.
• Wbudowane rozwiązania AI z popularnych aplikacji, takich jak zaawansowane systemy planowania, zarządzania transportem czy zarządzania magazynem.
• Niestandardowe rozwiązania oparte na platformach open-source, frameworkach i interfejsach programowania aplikacji, które zapewniają środki do budowania niestandardowych modeli AI.

Jak przygotować dane dla sztucznej inteligencji w produkcji?

Należy skupiać się na jakości i istotności danych, a nie na ich ilości i pracować najpierw z najlepszymi danymi. Wiele rozwiązań z zakresu łańcucha dostaw opartych na sztucznej inteligencji wykorzystuje nawet mniejsze zbiory danych w celu optymalizacji swoich możliwości. W pierwszej kolejności należy zacząć od najbardziej istotnych danych. Czasami w projektach uczenia maszynowego dotyczących kategoryzacji i grupowania produktów, firmy decydują się na wrzucenie wielu źródeł danych bez zapewnienia ich istotności. Brak jakości danych może prowadzić do niepowodzenia projektu. Co więcej, przygotowanie jakościowych danych to czasochłonny proces, który wymaga staranności.

Brak wiedzy o wdrażaniu sztucznej inteligencji

Nie należy zapominać o szkoleniach w zakresie AI, ponieważ brak odpowiedniej wiedzy i umiejętności jest główną przeszkodą we wdrażaniu AI. Szkolenia są niezbędne, niezależnie od tego, czy odbywają się w firmie, w internecie, czy są oferowane w ramach programów dla absolwentów na lokalnych uniwersytetach. A szkolenia wymagają finansowania z budżetu firmy. Oczywiście, firmy mogą też znaleźć niezależnych wykonawców i dostawców usług IT, aby wypełnić luki w wiedzy i doświadczeniu. Cytując na zakończenie ponownie Glenn’a Graney’a – dyrektora ds. rynków przemysłowych i zaawansowanych technologii w QAD Inc.: „AI staje się proaktywnym elementem zaawansowanej produkcji, zarządzania cyklem życia produktu i zarządzania aktywami przedsiębiorstwa. Jej proaktywność opiera się na kontekście i tym, czego się nauczyła, a nie tylko na ustalonych metrykach, takich jak wykonywanie konserwacji zapobiegawczej na podstawie zakumulowanego czasu pracy lub składanie zamówienia na podstawie wcześniej zdefiniowanego punktu ponownego zamówienia.”

Caleb Finch

Content Manager w QAD Inc.

tłumaczenie z języka angielskiego i redakcja tekstu DSR S.A.

Dowiedz się więcej o rozwiązaniu AI 4FACTORY

Przeczytaj także:

Jak sztuczna inteligencja zmienia przemysł?

Dlaczego harmonogramowanie jest tak krytyczne?

Wskaźnik OEE – jak obliczać i interpretować wyniki?