Решение производственных задач с помощью данных и ИИ

Производство должно добиться значительного прогресса благодаря большим данным и ИИ, но сложные проблемы отрасли замедлили освоение...

«В производстве вам необходимо постоянно улучшать качество при одновременном снижении затрат и повышении производительности, — говорит лидер в области аналитического программного обеспечения и решений SAS. Это остается верным как никогда в эпоху цифровых технологий, и технологические достижения позволили решить эту проблему более эффективно, чем когда-либо прежде.

Даже при беглом взгляде становится ясно, что из всех отраслей, которые потрясла цифровая трансформация, лишь немногие претерпели за последние годы более заметные и кардинальные преобразования, чем производство. Этот путь от производственных линий Генри Форда с интенсивным использованием рабочей силы до все более свободной от людей среды современных заводов значительно ускорился с появлением больших данных. Сбор информации о производственных операциях, оборудовании и машинах, моделях продаж и колебаниях спроса позволяет руководителям разрабатывать стратегии для повышения эффективности, производительности и безопасности. Представление Индустрии 4.0 об умных фабриках, работающих с минимальным участием человека и обеспечивающих более высокую производительность, рентабельность и надежность, чрезвычайно привлекательно, но реализация этой цели сопряжена с не менее серьезными проблемами, которые необходимо преодолеть.

Волна данных

Еще в 2018 году ведущий поставщик консалтинговых и аутсорсинговых услуг Capgemini назвал производство одним из наиболее значительных потенциальных возможностей для операционных улучшений с помощью больших данных, заявив даже, что его внедрение жизненно важно для дальнейшего успеха бизнеса. «Поскольку аналитика больших данных больше не является «приятным» вариантом, компании должны определить правильные возможности для повышения эффективности предприятия и получения информации», — сказал Capgemini в своем блоге в ноябре 2018 года. «Тогда аналитика больших данных предоставит компаниям конкурентное преимущество, необходимое для достижения успеха во все более сложной среде».

Огромные объемы данных — масса, которая увеличивается экспоненциально для операций, использующих технологию Интернета вещей (IoT) и скорость передачи гигабит в секунду 5G — становятся чрезвычайно сложными. Организации должны не только сосредоточиться на ценности обширного набора данных, но и превратить эту зарождающуюся ценность в действенную информацию, прежде чем ее заменят более новые и более актуальные данные. Часто необработанные данные должны быть объединены с телеметрией других систем, чтобы их можно было извлечь, и это ноу-хау трудно получить на человеческом уровне.

Обоснование ИИ

Во всем мире квалифицированные специалисты по обработке и анализу данных пользуются большим спросом, но их не хватает, и даже при наличии группы лучших аналитиков данных истинная ценность данных организации скрыта за длительным временем проведения сложного анализа, вероятностью человеческой ошибки. , а также необходимость тщательно продуманных стратегий внедрения данных. Потребность в оперативности и точности, особенно в условиях широко распространенного пробела в навыках работы с данными, может быть удовлетворена с помощью другой новой технологии:искусственного интеллекта (ИИ).

Его алгоритмические расчеты и анализ, адаптированные к потребностям конкретных операций, дают результаты, которые являются более точными и быстро доступными, что позволяет предприятиям превращать эти данные в обоснованные действия, которые повышают эффективность и производительность, масштабируют операции в соответствии с потребностями в реальном времени и улучшают безопасность, искореняя проблемы, возникающие из-за нехватки опыта при создании стоимости. Он даже может выявлять проблемы до того, как они возникнут, с помощью профилактического обслуживания, что потребовало бы значительного количества рабочей силы и времени, не обещая точности, которую обеспечивает ИИ.

«Прогностическое обслуживание — это одна из областей, в которой Интернет вещей, большие данные и аналитика оказывают значительное влияние, — говорит Дебби Хитон-Боуэн, партнер Oliver Wight EAME. «Хотя это зародилось в 1990-х годах, появление передовых технологий означало, что возможности профилактического обслуживания в последнее время были «перегружены», особенно в производственном секторе, когда умные заводы стали реальностью. Незапланированные простои и плохое обслуживание могут стоить компаниям миллионы, но датчики с поддержкой IoT могут определять, когда оборудование нуждается в проверке, предотвращая развитие более серьезной неисправности, которая может привести к дорогостоящему сбою. Прогностическое техническое обслуживание не только выявляет ошибки, которые не видит человеческий глаз, но и принимает решения, основанные исключительно на данных, для увеличения срока службы оборудования, снижения затрат на обслуживание и повышения операционной эффективности для получения большей прибыли».

В других местах робототехника — еще одна перспективная тенденция в отрасли, и ИИ жизненно важен для их ценностного предложения при развертывании в производственных процессах. «При правильной интеграции эти роботизированные устройства могут усиливать навыки и сильные стороны людей, повышая эффективность рабочего места и улучшая качество работы сотрудников», — говорит Прасад Сатьяволу, директор по производству и логистике в компании Cognizant, лидер ИТ-услуг. «Они уже используются в производственных организациях, от вставки амортизаторов или разделки мяса на традиционной сборочной линии до дронов, которые служат глазами сотрудников службы безопасности, патрулирующих обширный контейнерный двор. При этом новое поколение автономных сотрудников освобождает людей для выполнения более важной работы. Исследователи из Массачусетского технологического института обнаружили, что команды людей и роботов, работающие на BMW, примерно на 85% более продуктивны, чем люди или роботы, работающие в одиночку». Таким образом, ИИ может одновременно устранять пробелы в навыках и максимально использовать время, доступное квалифицированным работникам, чтобы сосредоточиться на задачах, которые могут принести больше пользы.

Проблемы внедрения ИИ

Несмотря на явные возможности, которые он открывает, консалтинговая компания McKinsey отмечает, что внедрение ИИ в обрабатывающей промышленности было заметно медленным. «Несмотря на то, что технологии искусственного интеллекта внесли ощутимые улучшения в цепочки поставок и административные функции, они до сих пор мало присутствовали в производстве», — говорит McKinsey, отмечая, что такое медленное внедрение было частично вызвано сильной зависимостью от опыта и квалифицированной рабочей силы, которая несколько иронично, учитывая способность ИИ перенаправлять этот опыт на менее повторяющиеся процессы. Зависимость от квалифицированной рабочей силы сама по себе является причиной ускорения интеграции ИИ в отрасль.

«Поскольку различия в квалификации операторов могут влиять не только на производительность, но и на прибыль, способность ИИ сохранять, улучшать и стандартизировать знания становится еще более важной», — говорит McKinsey. «Более того, поскольку он может самостоятельно принимать сложные оперативные решения, ИИ может надежно обеспечивать предсказуемые и стабильные результаты на рынках, которые испытывают трудности с привлечением и удержанием талантливых операторов».

Наряду с этой зависимостью от человеческого капитала многие фабрики полагаются на устаревшее оборудование, которое появилось еще до Интернета, а те, которые были внедрены в последние два десятилетия, требуют некоторой модификации, чтобы сделать их совместимыми с современными технологиями сбора данных. Между тем, вопросы поиска наиболее эффективных наборов данных, как лучше всего их интерпретировать и реализовать результаты, различаются не только в зависимости от компании, но и в зависимости от отдела и команды.

Исследовательская фирма NelsonHall отмечает, что внедрение MES (Manufacturing Execution Systems) еще больше увеличивает эту сложность. MES позволяет фирмам оцифровывать свои операции и получать доступ к данным в течение многих лет, но глубокая настройка собственной MES каждого объекта означает совместимость и интеграцию с другими технологиями, такими как аналитическое программное обеспечение, которое сопоставляет и анализирует данные из множества источников. значительный вызов. «Трудность, которую приносит MES, заключается в том, что ее сложно и дорого модернизировать, учитывая уровень настройки», — говорит НельсонХолл. «Кроме того, MES регулирует производство завода, поэтому они являются критически важными системами и поэтому требуют тщательной разработки и внедрения, тестирования и развертывания. Другими словами, они сравнимы с приложениями для мэйнфреймов:пока они работают, никто не хочет слишком глубоко их трогать». Таким образом, решение этой проблемы часто достигается за счет добавления дополнительных систем, таких как предоставляемые Dassault, Siemens, PTC и т.п., что еще больше усложняет ситуацию, когда многие операторы стремятся упростить и упростить свою техническую инфраструктуру для повышения гибкости и оперативности. .

Решаем проблему гидры

Очевидно, что проблемы успешного использования наборов производственных данных огромны:стратегия, телеметрия, интеграция, опыт и устаревшая инфраструктура должны быть решены, чтобы облегчить плавный переход к Индустрии 4.0. К сожалению, один только ИИ не может решить проблемы успешного внедрения технологий, основанных на данных, которые переведут производство в Индустрию 4.0. Промышленный Интернет вещей, робототехника, цифровые двойники и профилактическое обслуживание быстро завоевали популярность в качестве мощных инструментов модернизации производства, каждый из которых стал возможен благодаря большим данным и искусственному интеллекту, но, как и в случае с их предшественниками, каждый из них требует серьезного стратегического рассмотрения, чтобы быть по-настоящему успешным. Человеческий контакт и оперативное согласование являются ключевыми факторами.

«Успешная стратегия трансформации на основе данных должна учитывать всестороннее представление различных факторов, включая организационную культуру, клиентов, сотрудников и технологии. Этого нельзя достичь с помощью изолированных инициатив, вместо этого требуется сосредоточенное внимание, среднесрочное и долгосрочное планирование, спонсорство и инвестиции непосредственно со стороны бизнес-лидеров», — говорит Рохит Гупта, вице-президент и руководитель отдела производства, логистики, энергетики и коммунальных услуг в Cognizant. «Производителям необходимо оценить свой текущий уровень цифровой зрелости, понять деловые и технические проблемы и четко представить дорожную карту для процветания в этой цифровой парадигме. Это должен быть итеративный подход, работающий над созданием основы, которая может поддерживать масштабируемый и устойчивый рост и создавать возможности работы с данными внутри организации с четкими этапами».

Внешняя помощь — это огромный ускоритель, и SAS, McKinsey и Capgemini, среди прочих, многое сделали для преодоления технологических и стратегических разрывов между предприятиями и производственными центрами, стремящимися совершить скачок в интеллектуальное будущее. В конце концов, сегодняшние технологические экосистемы основаны на большем внимании к аутсорсингу и знании того, что внешний опыт часто лучше в технологическом пространстве, которое с каждым днем ​​становится все более гранулированным. Производство очень сложно, и один размер никогда не может подойти всем, но использование опыта лидеров в области данных и искусственного интеллекта обязательно поможет преодолеть поставленные проблемы и раскрыть огромный потенциал Индустрии 4.0.