Sztuczna inteligencja (AI) a zwiększenie wydajności przedsiębiorstw produkcyjnych

Algorytmy, które wykorzystują sztuczną inteligencję (AI) znajdują szerokie zastosowanie w przemyśle. To dzięki nim możemy śmiało mówić o przesunięciu praktyk produkcyjnych w kierunku IV rewolucji przemysłowej. Wielkie słowa – my stawiamy jednak nasze tradycyjne pytanie: jak sztuczna inteligencja sprawdza się w praktyce? Przeczytajcie sami!

Sztuczna inteligencja: daty, liczby, badania

Niejednokrotnie słyszeliśmy o tym, że przyjęcie strategii opartych o sztuczną inteligencję (AI) poprawia wydajność całego przedsiębiorstwa. Spójrzmy więc na przykład gospodarek światowych i ich stosunek do omawianych kwestii. Wiemy, że:

• już w 2010r. Niemcy wprowadziły założenia Przemysłu 4.0 jako plan rozwoju swojej gospodarki
• w 2011r. USA przyjęły koncepcję inteligentnej produkcji w ramach „Smart Manufacturing Leadership Coalition”[1]
• od 2018r. Francja stworzyła strategię budowania przewagi konkurencyjnej własnej gospodarki w oparciu o sztuczną inteligencję (AI) koncentrując się na 4 obszarach: służbie zdrowia, transporcie, obronie i środowisku[2]
• Chiny ogłaszając strategię „Made in China 2025” podkreśliły rolę promowania zaawansowanej produkcji[3] dążąc jednocześnie do uzyskania roli lidera w wybranych dziedzinach sztucznej inteligencji (AI)
• Gartner przewiduje, że do 2025r. połowa organizacji na całym świecie osiągnie „etap stabilizacji”, czyli dojrzałości sztucznej inteligencji (AI)[4]

Poniżej przedstawiamy mapę państw, które opublikowały strategię narodową w zakresie rozwoju i wykorzystania sztucznej inteligencji (AI) w gospodarce[5]:

Jak ta sytuacja wygląda w Polsce?

W badaniach przeprowadzonych przez PSI w 2019r. rozwiązania z zakresu sztucznej inteligencji uznało za istotne jedynie 21% dużych przedsiębiorstw (ponad 250 pracowników) oraz 27% firm zatrudniających 50-249 pracowników[6]. Jak widać sztuczna inteligencja nie była wówczas uznawana za jedno z podstawowych działań strategicznych polskich przedsiębiorstw. W tym samym badaniu zdecydowanie wskazano, że kluczowe znaczenie dla firm ma inwestycja w zaawansowane systemy informatyczne dla produkcji. Co najważniejsze właśnie tę kwestię uznano za jeden z najbardziej powszechnie stosowanych elementów założeń Przemysłu 4.0 w Polsce. W ten sposób wprowadzano do naszej gospodarki cyfryzację i modernizację IT. Pierwszym etapem musiała być inwestycja w systemy. Co dalej?

Obecnie sytuacja zmieniła się znacznie. Według danych przedstawionych w raporcie „State of Polish AI 2021”[7] nasz kraj zajmuje 1 miejsce wśród krajów CEE pod względem ekspertów pracujących nad sztuczną inteligencją. Ten wynik pokazuje, jak bardzo zmieniło się podejście Polskich przedsiębiorstw do wprowadzania modernizacji IT. Obecnie, by wypracować przewagę konkurencyjną nie wystarczy jedynie zbierać wartościowe dane. Przede wszystkim należy wykorzystywać możliwości sztucznej inteligencji (AI) do sprawnego zarządzania nimi, ich automatycznej selekcji i wyprowadzania wniosków. Informacje obrobione w taki sposób ułatwiają kadrze zarządzającej podejmowanie efektywnych decyzji biznesowych. Analiza ogromnych ilości danych, które spływają do przedsiębiorstw z różnorodnych źródeł, musi prowadzić do przedstawiania konkretnych wniosków. Właśnie takie podejście umożliwia szybkie reagowanie na dynamiczne zmiany gospodarcze i dostosowanie produkcji do oczekiwań odbiorców.

Sztuczna inteligencja (AI) w praktyce

Rozważania teoretyczne dotyczące wpływu sztucznej inteligencji (AI) na przemysł zaowocowały przeprowadzeniem szeregu badań, w tych firmach, które wdrożyły te założenia w praktyce. Wyniki okazały się niezwykle obiecujące. Aż 82% przedsiębiorstw produkcyjnych oraz usługowych przyznaje, że ich wydajność wzrosła dzięki zastosowaniu AI.[8] Założenia te pozytywnie wpływają na trzy płaszczyzny każdego przedsiębiorstwa:

• system
• proces
• produkt

Monitorowanie procesów w czasie rzeczywistym jest możliwe dzięki połączeniu dwóch elementów: inteligentnych czujników zainstalowanych bezpośrednio na maszynach produkcyjnych oraz zaawansowanych algorytmów obliczeniowych (AI, ML, DL). Maszyny połączone siecią bezprzewodową przesyłają dane do jednego systemu. Informacje te są wykorzystywane do wspomagania procesów decyzyjnych, zwiększania efektywności podejmowanych działań oraz ułatwiania codziennej pracy. Mowa o:

• skutecznym planowaniu i przeprowadzaniu działań naprawczych i konserwacji
• optymalizacji serwisów oraz kontrolowaniu stanów magazynowych części zamiennych
• zaawansowanej kontroli całego cyklu życia produktu (od wydobycia surowców aż po procesy produkcyjne i logistyczne)
• monitorowaniu stanu poszczególnych procesów w czasie rzeczywistym, kontroli jakości
• prognozowaniu zapotrzebowania, skróceniu czasu cyklu produkcyjnego, zarządzaniu odpadami, itp.
• zapewnieniu najwyższej jakości produktu

Dlaczego tak trudno dziś podejmować dobre decyzje biznesowe?

Współcześnie działalność produkcyjna opiera się na technologiach wykorzystujących dane. Ogromne ilości danych. Większość przedsiębiorstw prowadzi własne rejestry, które pozwalają na bardzo podstawową systematyzację tych informacji. Ilość możliwych kanałów spływu wartościowych danych może jednak przytłoczyć. Media społecznościowe, systemy lojalnościowe, rejestry zakupowe klientów, rejestry komunikacji z klientami (chaty, telefony, e-maile, aplikacje mobilne), rejestry reklamacji, czy wzorce zachowań klientów mających określone atrybuty – przykładów można podawać wiele. Odpowiedzialne podejście od biznesu zakłada podejmowanie kluczowych decyzji w oparciu o aktualną wiedzę o stanie marki i jej klientów. W jaki sposób ją zdobyć?

Oczekiwania przedsiębiorców są jasne: zintegrowanie danych w systemach, które będą w stanie podpowiadać optymalne rozwiązania. Nowe podejście do cyfryzacji koncentruje się właśnie na tych aspektach. Nie wystarczy już samo gromadzenie danych. Teraz trzeba wykorzystać zdobycze IT do podejmowania decyzji na szeroką skalę. Wszystko z uwzględnieniem realnych danych analizowanych w czasie rzeczywistym. W praktyce to właśnie algorytmy oparte na sztucznej inteligencji (AI) umożliwiają wprowadzenie tych postulatów w życie.

W przeciągu kilku ostatnich lat w sektorze produkcyjnym wyraźnie widać wzrost zainteresowania pojęciami takimi jak: uczenie maszynowe (ML) oraz głębokie uczenie (DL). Wszystko z powodu stale powiększających się zbiorów danych, które trzeba analizować i na ich podstawie wyciągać konkretne wnioski. Wydobywanie tych najbardziej wartościowych danych jest możliwe dzięki algorytmom głębokiego uczenia (DL). Algorytmy te opierają się na sztucznej inteligencji (AI) i uczeniu maszynowym (ML). Wszystkie te elementy mają za zadanie naśladować sposób, w jaki człowiek zdobywa określoną wiedzę.

Sztuczna inteligencja a predictive maintenance

Konserwacja predykcyjna to jedno z podstawowych narzędzi, wykorzystywanych do generowania realnych oszczędności w przedsiębiorstwach. Im większa skala działania firmy, tym większe efekty płynące ze stosowania predictive maintenance. Podejście to w kontekście założeń Przemysłu 4.0 obejmuje zaplanowanie konserwacji produktów lub poszczególnych urządzeń będących na wyposażeniu parku maszynowego w przedsiębiorstwie. Serwis powinien być prowadzony w najbardziej optymalnym czasie, tak by zredukować możliwe przestoje i w pełni wykorzystać potencjał działających w maszynie części. Skąd wiadomo, kiedy ten optymalny czas nadchodzi? Odpowiedzi dostarcza sztuczna inteligencja (AI).

Przewidywanie awarii w przedsiębiorstwach produkcyjnych przy wykorzystaniu inteligentnych czujników oraz danych z nich zebranych pomaga skrócić/wyeliminować przestoje całych linii produkcyjnych. Wykorzystanie algorytmów uczenia maszynowego (ML) umożliwia zestawienie danych zebranych w czasie rzeczywistym z informacjami historycznymi. Na tej podstawie system wyprowadza wnioski dotyczące konserwacji. Mało tego! System na podstawie ustalonych wcześniej parametrów (np. prognozowane przez producenta zużycie poszczególnych części mechanicznych wykorzystywanych w maszynach produkcyjnych) informuje o tym, które elementy należy wymienić jak najszybciej oraz których żywotność się kończy. Dzięki temu można nie tylko zaplanować skuteczne prace konserwacyjne z wyprzedzeniem, ale i zapewnić dostęp do niezbędnych części zamiennych bez konieczności nadmiernego obciążania magazynów wewnętrznych.

Optymalne wzorce pracy są generowane przez systemy nawet z niewielkiej ilości danych. Już na tej podstawie można generować automatyczne podpowiedzi wspierające pracę całej produkcji. Im więcej informacji dostarczonych do systemu IT, tym bardziej dokładne będą te automatyczne rekomendacje.

Jakość w centrum uwagi

Rozważania na temat roli sztucznej inteligencji (AI) w procesie zwiększania wydajności przedsiębiorstw produkcyjnych powinny odnosić się również do zaawansowanej kontroli jakości. Dostarczanie jak najlepszego produktu końcowego jest przecież podstawowym postulatem każdej firmy. Sztuczna inteligencja (AI) i głębokie uczenie (DL) otwierają w tym kontekście ogromne możliwości. Komputerowo obrobione dane dotyczące produktu pozwalają wykryć jego wady nawet we wczesnych etapach procesu produkcyjnego. Margines błędu jest tutaj minimalny. Wada rozpoznana odpowiednio wcześnie pozwala często na przeprowadzenie procesów naprawczych tak, by finalna wersja produktu nie odbiegała od przyjętych norm. Podejście to generuje zdecydowanie większe oszczędności niż przerabianie niezgodnego produktu końcowego.

Przykład? Badania przeprowadzone w fabryce produkującej ubrania pokazują, że wykorzystanie technologii AI i DL pozwala osiągnąć wykrywalność defektów ściegów na poziomie ponad 92%[9]. Sztuczna inteligencja wywiera pozytywny wpływ nie tylko na jakość produktów, ale i bezpieczeństwo pracy, czy wydajność produkcji.

Wniosek: przyjęcie podejścia opartego o algorytmy AI, DL, ML pozwala lepiej przewidywać i kontrolować jakość produkcji. Dodatkowo firmy mogą podejmować decyzje biznesowe w oparciu o dużo większe zestawy danych pozyskanych z różnych źródeł. I to danych, które przetwarzane są błyskawicznie.

Dlaczego to tak istotne? Sztuczna inteligencja (AI) znajduje zastosowanie niemal w każdym aspekcie funkcjonowania przedsiębiorstw produkcyjnych: od przewidywania możliwych usterek, poprzez optymalne gospodarowanie zasobami, aż po zaawansowaną kontrole jakości i wspieranie szeroko pojętego zrównoważonego rozwoju.

Czy warto? To zależy od tego, jak bardzo chcesz zyskać przewagę nad konkurencją 😉

---

[1] A.Jamwala, R.Agrawala, M.Sharmaab, Deep learning for manufacturing sustainability: Models, applications in Industry 4.0 and implications, International Journal of Information Management Data Insights, Volume 2, Issue 2, November 2022, 100107 https://www.sciencedirect.com/science/article/pii/S2667096822000507?via%3Dihub

[2] https://arp.pl/documents/42/Raport_ARP_2018_Przemysl_4_0.pdf

[3] C.G. Machado, M.P. Winroth, E.H.D. Ribeiro da Silva, Sustainable manufacturing in Industry 4.0: An emerging research agenda, International Journal of Production Research, 58 (5) (2020), pp. 1462-1484, 10.1080/00207543.2019.1652777

[4] https://www.gartner.com/en/newsroom/press-releases/2021-11-22-gartner-forecasts-worldwide-artificial-intelligence-software-market-to-reach-62-billion-in-2022

[5] https://fintechpoland.com/wp-content/uploads/2022/03/AI_raport_FIN-1.pdf

[6] https://przemysl-40.pl/index.php/2019/11/04/cztery-raporty-o-przemysle-4-0-w-polsce/

[7] https://www.erp-view.pl/it-solutions/30104-przemyslowe-ai-jak-sztuczna-inteligencja-rewolucjonizuje-przemysl-produkcyjny.html

[8] S. Akter, G. McCarthy, S. Sajib, K. Michael, Y.K. Dwivedi, J. D’Ambra, K.N. Shen, Algorithmic bias in data-driven innovation in the age of AI, International Journal of Information Management, 60 (2021), Article 102387

[9] A. Abou Tabl, A. Alkhateeb, W. ElMaraghy, Deep learning method based on big data for defects detection in manufacturing systems Industry 4.0, International Journal of Industry and Sustainable Development, 2 (1) (2021), pp. 1-14