Почему производители должны внедрять искусственный интеллект и большие данные?

Manufacturing Global беседует с руководителями EY, Infor и GE Digital, чтобы разобраться в этом вопросе

Хотя стремление к цифровому преобразованию производственной отрасли было предметом обсуждения в течение последнего десятилетия, недавние события только усилили потребность в гибкости, масштабируемости и отказоустойчивости, которые могут обеспечить Индустрия 4.0, интеллектуальные производственные возможности. Беседа с Кобусом Ван Херденом, старшим менеджером по цифровым продуктам в GE Digital, Марком Пауэллом, партнером EY (UKI Consulting), и Филом Льюисом, вице-президентом по консультированию по решениям в регионе EMEA в Infor Manufacturing Global рассказывает о том, как технологии, использующие искусственный интеллект и большие данные, могут помочь производителям обеспечить операционную прозрачность в реальном времени для повышения надежности и производительности процессов.

Каковы текущие применения искусственного интеллекта (ИИ) и больших данных в обрабатывающей промышленности?

CVH: Промышленный ИИ использует комбинацию целевых технологий ИИ, данных, физики и глубоких знаний предметной области для решения ключевых задач промышленного бизнеса. Традиционный ИИ имитирует человеческий интеллект, в то время как промышленный ИИ опирается на него, чтобы раскрывать идеи и определять причинно-следственные связи в сложных, динамичных и изменчивых промышленных средах. В производстве промышленный ИИ можно использовать для обнаружения и прогнозирования ключевых проблем с процессами и активами, чтобы помочь компаниям оптимизировать свои операции, включая структуру мощностей, качества и затрат.

PL: Определения искусственного интеллекта или больших данных в учебниках упускают из виду тот факт, что отрасли различаются и будут иметь совершенно разные требования к технологии. Речь идет о применении данной технологии к конкретной проблеме, с которой может столкнуться бизнес. Эта проблема может быть «отраслевым стандартом» или чем-то, что возникает в конфигурации технологии. Но наибольшую ценность представляет применение таких инструментов, как большие данные и искусственный интеллект, к критически важным 10% бизнеса, который действительно уникален. Мы классифицируем это как разделение 60/30/10, и именно так мы пытаемся применить эти технологии для получения максимальной выгоды.

Для производителей, желающих внедрить Индустрию 4.0, интеллектуальные производственные возможности, почему производители должны использовать для этого ИИ и большие данные?

CVH: Интеллектуальное производство использует расширенную промышленную аналитику для прогнозирования будущей производительности активов и процессов с использованием данных в реальном времени и исторических данных и оптимизации в замкнутом цикле. Это включает в себя использование искусственного интеллекта и машинного обучения, чтобы инженеры-технологи могли объединять данные из промышленных источников данных и быстро выявлять проблемы, выявлять первопричины проблем на предприятии, прогнозировать будущую производительность активов и автоматизировать действия, которые сотрудники могут предпринять для повышения качества. , производительность и операции.

Депутат: Цифровизация заставляет производителей переосмысливать свои цепочки поставок. Например, большинство компаний используют внутренние данные для отслеживания баланса спроса и предложения, и им сложно предвидеть внешние события, влияющие на их цепочки поставок. Используя методы искусственного интеллекта, которые понимают неструктурированные внешние наборы данных, такие как социальные сети и другие данные о событиях, производители могут гораздо быстрее планировать сбои в цепочке поставок.

Кроме того, производители могут использовать искусственный интеллект и большие данные для создания цифровых копий своих производственных операций и использования преобразующих возможностей сокращения продолжительности производственного цикла, увеличения производственных мощностей и прогнозирования незапланированных работ по техническому обслуживанию и т. д.

PL: Некоторые статистические данные об искусственном интеллекте и больших данных просто требуют внимания. Недавно компания «Сименс» автоматизировала один из своих заводов в Германии, при этом 75% процессов были оцифрованы или автоматизированы. Производительность повысилась на 1400%. Это меняет правила игры для любого бизнеса. Это означает, что многие производители сейчас рассматривают возможность включения ИИ и больших данных в свои планы на будущее.

Какова наилучшая стратегия для производителей, стремящихся реализовать ценность ИИ и больших данных в своей деятельности?

CVH: Инженеры-технологи обладают исключительным опытом в предметной области, чтобы составлять модели процессов — или цифровые двойники процессов — и уметь интерпретировать модели. Это основа для повышения конкурентного преимущества и успеха с помощью аналитики. Чтобы управлять аналитикой и улучшать процессы, производители должны разработать стратегию, которая может объединить знания в предметной области с пятью возможностями:Анализ — автоматическое определение основной причины ускоряет непрерывное совершенствование; Мониторинг — ранние предупреждения сокращают время простоя и потери; Прогнозирование — упреждающие действия улучшают качество, стабильность и надежность; Моделирование — моделирование «что, если» ускоряет принятие точных решений при меньших затратах; и Оптимизация – оптимальные уставки процесса повышают производительность при приемлемом качестве до 10 %.

Все инженеры-технологи могут и должны развивать возможности в области аналитики и машинного обучения, чтобы оставаться конкурентоспособными. Со временем инженеры могут перейти от небольших проектов к пилотным проектам, а затем к оптимизации нескольких предприятий с глубоким применением аналитики. Их глубокие знания предметной области обеспечивают основу для моделирования процессов и разработки аналитики, которая меняет правила игры в очень специфических приложениях.

Самое главное, начать с аналитики. «пробовать» некоторые проекты; проверяйте свои интуитивные идеи и опирайтесь на данные и аналитику. Не ждите, чтобы стать экспертом по науке о данных. Это не обязательно. Используйте проверенные и простые в использовании инструменты промышленной аналитики, основанные на вашем опыте в предметной области. Это быстро приведет к большим улучшениям.

PL: Предприятия, в том числе производители, склонны оценивать цифровые проекты с акцентом либо на клиента, цепочку поставок, внутреннюю эффективность или людей — это четыре основных движущих силы любого перехода на цифровые технологии. Они часто органичны и возникают из-за постоянной позиции «как мы можем добиться большего». Это ускорилось из-за опасений по поводу конкуренции, поскольку компании теперь опасаются остаться позади конкурентов и прорывных участников. Существует ощутимый страх перед цифровыми технологиями, и это побуждает к большим инвестициям.

Тем не менее, стоит отметить, что многие производители уже вложили значительные средства в технологии (даже до того, как COVID заставил перейти к цифровизации), поэтому первым пунктом определения является согласование ИИ и больших данных с существующими технологиями. Когда предприятия оценивают свои технологии, используемые сегодня, они должны иметь в виду не только краткосрочную перспективу, будет ли технология обрабатывать текущие процессы, но и обеспечивает ли она платформу для будущего? Эта последняя точка зрения основана на данных. Оба элемента одинаково важны, но вторая «платформенная перспектива» требует больших данных. Уже недостаточно выбрать платформу, которая просто поддерживает/настраивает текущие процессы. Необходимо предусмотреть встроенные возможности будущего.

Затем необходимо обеспечить, чтобы эта технология была развернута наилучшим образом. Это требует открытого облачного ландшафта приложений, чтобы бизнес мог использовать новые возможности, такие как большие данные или искусственный интеллект, без необходимости проходить громоздкую интеграцию и процесс добавления. Это делает организацию более гибкой, сосредоточив внимание на творческом применении технологии к потребностям бизнеса, например, на выявлении новых возможностей для получения дохода.

Какие проблемы возникают при внедрении ИИ и аналитики больших данных в производственные операции?

CVH: Перед производителями стоит задача сокращения отходов, затрат и рисков при одновременном удовлетворении потребительского спроса. Сочетание искусственного интеллекта и данных обеспечивает ускорение цифровизации благодаря решениям на основе аналитики, которые позволяют сотрудникам работать с данными в контексте, чтобы люди, активы и процессы работали вместе эффективно.

Еще одна проблема для компаний только начинается. Они хотят узнать больше о том, как использовать аналитику в своей деятельности, но не рассматривают это как работу для своих нынешних сотрудников. К счастью, промышленные решения ИИ могут помочь и не требуют, чтобы инженеры-технологи были специалистами по обработке и анализу данных.

Депутат: Ключевая проблема при внедрении ИИ будет сводиться к способности производителей установить согласованность в рамках всей организации в некоторых важных областях, в которых ИИ окажет влияние. Например, использование машинного обучения и компьютерного зрения для прогнозирования и выявления неисправностей в оборудовании до их возникновения, что сокращает время простоя производства и снижает затраты на техническое обслуживание. Еще одна проблема — создать культуру внедрения ИИ в свои процессы с помощью культуры "тестируй и учись".

Слишком долго организации говорили о том, чтобы стать «управляемыми данными», и это, как правило, не срабатывало так, как надеялись. Производителям необходимо использовать другой подход, который начинается с понимания того, какую ценность можно извлечь из новых идей, а затем сосредоточить внимание на данных, необходимых для получения идей, которые затем могут повысить ценность для бизнеса. Организации должны стать «управляемыми знаниями и данными», а не просто «управляемыми данными» — только тогда они смогут по-настоящему использовать возможности ИИ и больших данных.

PL: Все дело в том, как изменилось отношение к данным. Раньше это считалось необходимым злом, но теперь это актив номер один в бизнесе. Как правило, это приводит к одержимости метками больших данных, но важно то, что вы делаете с данными — используя такие методы, как AI / BI / IoT и т. д., чтобы превратить эти данные в действительно ценный актив. Автомобильная промышленность является ярким примером использования и продажи данных, производимых автомобилем. Интересно, что сейчас мы воспринимаем «облако» как должное — если бы мы ответили на этот вопрос 24 месяца назад, облако было бы в первую очередь рассмотрено, но теперь это ставки на столе. Вопрос больше не в том, пойдет ли бизнес в облако, а в том, какой тип облака/облака использовать? – Мы вышли далеко за рамки разговоров об инфраструктуре (как и что) и перешли к вопросу о том, почему бизнес стремится использовать цифровые технологии.

Являются ли искусственный интеллект (ИИ) и большие данные движущей силой четвертой промышленной революции (Индустрия 4.0)?

CVH:  Комбинация промышленного ИИ и данных создает то, что мы называем цифровым двойником процесса, который помогает производителям быстро устранять неполадки в непрерывном, дискретном или пакетном производственном процессе, анализируя доступные данные датчиков и производственные данные. Эта технология, использующая предиктивную аналитику, позволяет пользователям анализировать операционные сценарии, определяя влияние операционных изменений на ключевые показатели производительности и выявляя причины изменения производительности. Цифровые двойники вдохновляют на постоянное совершенствование, что является ключевой целью будущего отрасли, поскольку они оглядываются на исторические данные, а также в режиме реального времени, чтобы быстро двигаться вперед.

PL:  Мы наблюдаем ежедневное увеличение использования AI/ML — оптимизация запасов, техническое обслуживание, ускорение финансовых процессов — все это ключевые области, которые, как мы видим, возникают много раз. Чтобы это продолжалось и окупаемость инвестиций продолжалась, ИИ должен быть подключен и готов к работе с другими системами, а не с болтовым креплением, иначе предприятия столкнутся с масштабным и дорогостоящим интеграционным проектом. Что касается следующей конкретной технологии, это действительно зависит от зрелости отдельной компании или проекта — компании только приближаются к цифровой ткани, а не к группе цифровых проектов. Предписывающая работа, основанная на искусственном интеллекте и подпитываемая массивами данных датчиков, имеет огромные перспективы для B2B/промышленных рынков, и мы видим очень обнадеживающие ранние побеги в обслуживании активов и выездном обслуживании.