Использование данных и AI для трансформации производства: преодоление отраслевых вызовов

Производство может сделать значительный прогресс через Большие Данные и AI, но сложные вызовы отрасли замедлили принятие.

«В производстве вы под давлением постоянно улучшать качество, снижая затраты и увеличивая продуктивность», — говорит лидер аналитического ПО и решений SAS. Это остаётся таким же истинным в цифровую эпоху, и технологические достижения сговорились решить вызов эффективнее чем когда-либо раньше.

Даже поверхностный взгляд делает очевидным, что из всех отраслей, потрясённых цифровой трансформацией, мало было трансформировано более заметно и драматично в недавние годы, чем производство. Это путешествие, от производственных линий Henry Ford, интенсивных по рабочей силе, к всё более безлюдным средам современных фабрик, было сильно ускорено появлением Больших Данных. Сбор информации из производственных операций, оборудования и станков, паттернов продаж и колебаний спроса позволяет лидерам стратегизировать для большей эффективности, выпуска и безопасности. Видение Индустрии 4.0 умных фабрик, работающих с минимальным человеческим вводом при более высокой продуктивности, прибыльности и надёжности, невероятно привлекательно, но реализация этой цели приносит равные по размеру вызовы, которые должны быть преодолены.

Волна данных

Ещё в 2018 году ведущий консалтинг и аутсорсинг провайдер Capgemini идентифицировал производство как имеющее среди наиболее значительных потенциалов для операционного улучшения через Большие Данные, идя так далеко, что говорил, что его принятие жизненно важно для продолжающегося бизнес-успеха. «С аналитикой Больших Данных больше не будучи "nice to have" опцией, компании должны идентифицировать правильные возможности для улучшения эффективности завода и генерации инсайтов», — сказала Capgemini в посте блога ноябрь 2018 года. «Аналитика больших данных затем предоставит конкурентное преимущество, которое компании нуждаются для успеха в всё более сложной среде».

С огромными объёмами данных — массой, которая экспоненциально растёт для операций, использующих технологии на базе Интернета вещей (IoT) и гигабит-в-секунду скорости передачи 5G — приходит огромная сложность. Не только организации должны фокусироваться на ценности широкого набора данных, но они должны превратить эту الناشную ценность в действенные инсайты до того, как они будут заменены более новыми и релевантными данными. Часто сырой данные должны быть соеденины с телеметрией других систем для извлечения их ценности, и этот ноу-хау на человеческом уровне трудно получить.

Кейс за AI

По всему миру обученные дата-сайентисты в высоком спросе и дефиците, и даже с флотом топ-аналитиков данных, истинная ценность данных организации заперта за длительным временем для сложных анализов, вероятностью человеческой ошибки и необходимостью глубоко обдуманных стратегий внедрения данных. Потребность в немедленности и точности, особенно с широко распространённым разрывом в навыках данных, может быть ответена другой الناشей технологией: искусственным интеллектом (AI).

Его алгоритмические вычисления и анализы, адаптируемые к нуждам специфических операций, дают результаты, которые являются и более точными, и быстро доступными, позволяя предприятиям превращать эти данные в информированные действия, улучшающие эффективность и продуктивность, масштабирующие операции к реальному времени спроса и улучшающие безопасность, выкорчевывая проблемы, поставленные дефицитом экспертизы, в то время как строя ценность. Он может даже ловить проблемы до их возникновения через предиктивное обслуживание, что потребовало бы значительной рабочей силы и временного распределения без обещания точности, которую AI предоставляет.

«Предиктивное обслуживание — одна из областей, где IoT, Большие Данные и аналитика делают значительное влияние», — говорит Дебби Хитон-Боуэн, партнёр в Oliver Wight EAME. «Хотя оно зародилось в 1990-х, приход передовых технологий означал, что возможности предиктивного обслуживания недавним образом были "суперзаряжены", особенно в производственном секторе с умными фабриками, становящимися реальностью. Неплановые простои и плохое обслуживание могут стоить компаниям миллионы, но IoT-включённые датчики могут детектировать, когда станку нужен чек-ап, предотвращая развитие более серьезной поломки, которая бы вызвала дорогостоящее нарушение. Не только предиктивное обслуживание идентифицирует ошибки, пропущенные человеческим глазом, но оно также делает исключительно данные-драйвен решения для улучшения срока службы станка, снижения затрат на сервис и увеличения операционной эффективности для более здоровых прибылей».

В другом месте, робототехника — другой тренд в отрасли, показывающий значительный потенциал, и AI жизненно важен для их ценностного предложения, когда развёрнуты через производственные процессы. «Когда интегрированы правильно, эти роботизированные единицы могут усилить навыки и силы людей для увеличения эффективности рабочего места и улучшения опыта сотрудника», — говорит Прасад Сатьяволу, CDO производства и логистики в лидере IT-услуг Cognizant. «Они уже развёрнуты через производственные организации, от вставки амортизаторов или резки мяса на традиционной сборочной линии до дронов, действующих как глаза офицеров безопасности, патрулирующих огромный контейнерный двор. В так делая, новая порода автономных соратников освобождает людей для взятия на себя более ценной работы. Исследователи MIT обнаружили, что человеко-роботизированные команды, работающие для BMW, были примерно на 85% более продуктивны чем люди или роботы, работающие в одиночку». AI может таким образом одновременно перемостить разрывы в навыках и максимизировать время, доступное для квалифицированных рабочих для фокуса на задачах, где они могут добавить больше ценности.

Вызовы принятия AI

Несмотря на чёткие возможности, которые оно представляет, консалтинг McKinsey отмечает, что принятие AI было заметно медленным в производственной отрасли. «Пока AI-технологии сделали осязаемые улучшения к цепочкам поставок и административным функциям, они до сих пор имели скудное присутствие в производстве», — говорит McKinsey, отмечая, что это медленное принятие было спровоцировано в части тяжёлой зависимостью от экспертизы и знающих рабочих сил, что несколько иронично, учитывая способность AI перенаправить эту экспертизу к менее повторяющимся процессам. Зависимость от квалифицированных рабочих сил сама по себе — причина ускорить интеграцию AI в отрасли.

«Поскольку вариации в квалификации операторов могут влиять не только на производительность, но и на прибыли, способность AI сохранять, улучшать и стандартизировать знания тем более важна», — говорит McKinsey. «Более того, поскольку он может принимать сложные операционные решения о установке на своих собственных, AI способен надежно доставлять предсказуемый и последовательный выход в рынках, которые имеют трудности с привлечением и удержанием таланта операторов».

Вместе с этой зависимостью от человеческого капитала, многие фабрики полагаются на наследие станков, предшествующих даже интернету, и те, введённые в последние два десятилетия, требуют некоторой меры модификации, чтобы сделать их совместимыми с технологиями сбора данных сегодня. Тем временем вопросы о том, как найти наиболее влиятельные наборы данных, как лучше интерпретировать их и внедрять находки варьируются не только по компаниям, но и по департаментам и командам.

Исследовательская фирма NelsonHall отмечает, что принятие MES (Manufacturing Execution Systems) увеличивает эту сложность дальше. MES годами позволял фирмам оцифровывать свои операции и получать доступ к данным более легко, но глубокая кастомизация каждого собственного MES объекта означает, что совместимость и интеграция с другими технологиями, такими как аналитическое ПО, которое собирает и анализирует данные из множества источников, является значительным вызовом. «Трудность, которую приносит MES, в том, что это трудно и дорого обновлять, учитывая уровень кастомизации», — говорит NelsonHall. «Также MES управляет производством завода, поэтому они критические системы и поэтому требуют строгой разработки и внедрения, тестирования и развёртывания. Другими словами, они сравнимы с мейнфрейм-приложениями: пока они работают, никто не хочет трогать их слишком глубоко». Обход этой проблемы часто делается через добавление комплементарных систем, таких как предоставляемые Dassault, Siemens, PTC и т.д., добавляя ещё больше сложности там, где многие операторы ищут упростить и сделать стройным их технологическую инфраструктуру для увеличения гибкости и ловкости.

Решение вызова гидры

Ясно, что вызовы успешного использования производственных наборов данных огромны: стратегия, телеметрия, интеграция, экспертиза и наследие инфраструктуры должны каждая быть адресована для облегчения бесшовного перехода к Индустрии 4.0. AI в одиночку, к сожалению, не может решить головные боли успешного внедрения данных-базированных технологий, которые будут вести производство в Индустрию 4.0. Индустриальный IoT, робототехника, цифровые двойники и предиктивное обслуживание все быстро набрали тракцию как мощные инструменты модернизации для производства, каждое сделанное возможным Большими Данными и AI, но как с их предшественниками они каждая требуют значительного стратегического рассмотрения для того, чтобы быть по-настоящему успешными. Человеческое прикосновение и операционное выравнивание — ключ.

«Успешная данные-драйвен трансформационная стратегия должна учитывать комплексный взгляд на различные факторы, включая организационную культуру, клиентов, сотрудников и технологии. Это не может быть достигнуто через изолированные инициативы, а вместо этого нуждается в сконцентрированном фокусе, среднесрочном и долгосрочном планировании, спонсорстве и инвестициях напрямую от бизнес-лидеров», — говорит Рохит Гупта, вице-президент и руководитель производства, логистики, энергетики и утилит в Cognizant. «Производители должны оценить свой текущий уровень цифровой зрелости, понять бизнес и технические вызовы и чётко представить дорожную карту для процветания в этой цифровой парадигме. Это должен быть итеративный подход, работающий к разработке фундамента, который может поддерживать масштабируемый и устойчивый рост и строить данные-возможности внутри организации с чёткими вехами».

Внешняя помощь — огромный акселератор, и SAS, McKinsey, и Capgemini, чтобы назвать лишь несколько, сделали много для замощения технологических и стратегических пробелов предприятий и производственных гигантов, смотрящих сделать прыжок в умное будущее. В конце концов, сегодняшние технологические экосистемы предicated на большем фокусе на аутсорсинге и знании, что внешняя экспертиза часто превосходна в технологическом пространстве, которое становится всё более гранулярным днём. Производство глубоко сложно и один размер никогда не подойдёт всем, но использование экспертизы лидеров через пространства данных и AI верно преодолеет поставленные вызовы и откроет огромный потенциал Индустрии 4.0.