Почему производителям необходимо внедрять ИИ и большие данные для конкурентного преимущества

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

Хотя стремление к цифровой трансформации производственной отрасли обсуждалось на протяжении последнего десятилетия, недавние события лишь усилили потребность в гибкости, масштабируемости и устойчивости, которые могут обеспечить возможности Индустрии 4.0 и умного производства. В беседах с Кобусом Ван Хейрденом, старшим менеджером по цифровым продуктам в GE Digital, Марком Пауэллом, партнером EY (консалтинг UKI), и Филом Льюисом, вице-президентом по консалтингу решений в EMEA в Infor, Manufacturing Global рассматривает, как технологии, использующие ИИ и большие данные, могут помочь производителям получить оперативную видимость процессов в реальном времени для достижения лучшей надежности и производительности.

Каковы текущие применения искусственного интеллекта (ИИ) и больших данных в производственной отрасли?

CVH: Промышленный ИИ использует комбинацию целевых технологий ИИ, данных, физики и глубокой предметной экспертизы для решения ключевых промышленных бизнес-задач. Традиционный ИИ имитирует человеческий интеллект, тогда как промышленный ИИ строит на нем, чтобы извлекать инсайты и определять причинно-следственные знания в высокорисковых, динамичных и переменчивых промышленных средах. В производстве промышленный ИИ может использоваться для обнаружения и предсказания ключевых проблем процессов и активов, помогая компаниям оптимизировать свои операции, включая мощность, качество и структуру затрат.

PL: Учебные определения ИИ или больших данных упускают суть: отрасли различаются и имеют кардинально разные требования к технологиям. Речь идет о применении конкретной технологии к конкретной проблеме, с которой сталкивается бизнес. Это может быть «стандартная для отрасли» проблема или что-то, возникающее в конфигурации технологии. Но наибольшая ценность кроется в применении таких инструментов, как большие данные и ИИ, к критическим 10% бизнеса, которые действительно уникальны. Мы классифицируем это как разделение 60/30/10, и именно так мы стремимся применять эти технологии для получения максимальной ценности.

Почему производителям, стремящимся внедрить Индустрию 4.0 и возможности умного производства, следует использовать ИИ и большие данные?

CVH: Умное производство развертывает промышленную продвинутую аналитику для предсказания будущей производительности активов и процессов с использованием данных в реальном времени и исторических данных, а также оптимизации в замкнутом цикле. Это предполагает использование ИИ и машинного обучения, чтобы инженеры-процессники могли объединять данные из различных промышленных источников, быстро выявлять проблемы, находить первопричины неисправностей на заводе, предсказывать будущую производительность активов и автоматизировать действия, которые сотрудники могут предпринять для улучшения качества, производительности и операций.

MP: 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 ИИ, понимающие неструктурированные внешние наборы данных, такие как социальные медиа и другие данные о событиях, производители могут планировать прерывания в цепочках поставок гораздо раньше.

Кроме того, производители могут использовать ИИ и большие данные для создания цифровых реплик своих производственных операций и воспользоваться трансформационными возможностями сокращения цикла производства, увеличения производственных мощностей и предсказания внепланового обслуживания и т.д.

PL: Некоторые постановочные статистические данные по ИИ и большим данным просто требуют внимания. Недавно Siemens автоматизировал один из своих заводов в Германии, где 75% процессов оцифровано или имеют повышенную автоматизацию. Производительность выросла на 1400%. Это меняет правила игры для любого бизнеса. Это означает, что многие производители теперь смотрят, как интегрировать ИИ и большие данные в свои планы на будущее.

Какова лучшая стратегия для производителей, стремящихся реализовать ценность ИИ и больших данных в своих операциях?

CVH: Инженеры-процессники обладают исключительной предметной экспертизой для составления процессных моделей — или Цифровых двойников процессов — и их интерпретации. Это фундамент для улучшения конкурентного преимущества и успеха с аналитикой. Для развития аналитики и улучшения процессов производителям следует разработать стратегию, которая может согласовать предметную экспертизу с пятью возможностями: Анализ — автоматическое выявление первопричин ускоряет непрерывное улучшение; Мониторинг — ранние предупреждения снижают простой и потери; Прогнозирование — проактивные действия улучшают качество, стабильность и надежность; Моделирование — сценарии «что-если» ускоряют точные решения при меньших затратах; и Оптимизация — оптимальные уставки процессов повышают пропускную способность при приемлемом качестве до 10%.

Все инженеры-процессники могут и должны развивать возможности в аналитике и машинном обучении, чтобы оставаться конкурентоспособными. Со временем инженеры могут переходить от небольших проектов к пилотным, а затем к мультизаводской оптимизации с глубоким применением аналитики. Их глубокая предметная экспертиза предоставляет основу для моделирования процессов и разработки аналитики, которые меняют правила игры в очень конкретных приложениях.

Самое главное — начните с аналитики. «Трайстормите» (trystorm) некоторые проекты; проверьте свои интуитивные идеи на практике и подкрепите их данными и аналитикой. Не ждите, пока станете экспертом в науке о данных. Это не обязательно. Используйте проверенные простые в использовании инструменты промышленной аналитики, основанные на вашей предметной экспертизе. Это приведет к большим улучшениям быстро.

PL: Бизнесы — включая производителей — склонны оценивать цифровые проекты с фокусом либо на клиента, либо на цепочку поставок, либо на внутреннюю эффективность, либо на людей — это четыре основных драйвера любого входа в цифру. Они часто возникают органично из постоянного отношения «как мы можем сделать лучше». Это ускорилось из-за опасений по поводу конкуренции, так как компании теперь боятся отстать от конкурентов и дискуссионных игроков. Есть осязаемый страх быть цифрово нерелевантным, и это способствует большим инвестициям.

Однако стоит отметить, что многие производители уже сильно инвестировали в технологии (даже до того, как COVID заставил перейти к цифровизации), поэтому первый пункт определения — согласовать ИИ и большие данные с существующими технологиями. Когда бизнесы оценивают используемые сегодня технологии, они должны иметь в виду не только краткосрочную перспективу — справится ли технология с текущими процессами, но и обеспечивает ли она платформу для будущего? Эта последняя перспектива построена на данных. Оба элемента равно важны, но вторая «платформенная перспектива» требует больших данных. Больше недостаточно выбирать платформу, которая просто поддерживает/подправляет текущие процессы — встроенные будущие возможности обязательны.

Затем возникает необходимость обеспечить развертывание этой технологии наилучшим образом. Это требует открытого облачного ландшафта приложений, чтобы бизнес мог saisir новые возможности, такие как большие данные или ИИ, без необходимости проходить через громоздкий процесс интеграции и навешивания. Это делает организацию более гибкой, фокусируясь на творческом применении технологий к потребностям бизнеса, например, выявлении новых возможностей для выручки.

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

CVH: Производители сталкиваются с задачей сокращения отходов, затрат и рисков при удовлетворении спроса клиентов. Комбинация ИИ и данных обеспечивает ускорение цифровизации через решения на основе аналитики, которые уполномачивают работников данными в контексте, чтобы люди, активы и процессы работали вместе эффективно.

Еще одна проблема для компаний — просто начать. Они хотят узнать больше о том, как использовать аналитику в своих операциях, но не видят в этом работу для своего текущего персонала. К счастью, решения промышленного ИИ могут помочь и не требуют, чтобы инженеры-процессники были учеными данными.

MP: Ключевая проблема внедрения ИИ заключится в способности производителей установить согласованность во всей организации по некоторым высокоценностным областям, где ИИ воздействует. Например, использование машинного обучения и компьютерного зрения для предсказания и выявления неисправностей в оборудовании до их возникновения, тем самым сокращая производственный простой и уменьшая затраты на обслуживание. Другая проблема — установление культуры внедрения ИИ в свои процессы через культуру тестирования и обучения.

Слишком долго организации говорили о том, чтобы стать «ориентированными на данные», и это в целом не сработало так хорошо, как надеялись. Производителям нужен другой подход, который начинается с понимания того, где ценность может быть получена от новых инсайтов, а затем фокусируется на данных, необходимых для получения инсайтов, которые затем могут привести к бизнес-ценности. Организации должны стать «ориентированными на инсайты и поддерживаемыми данными», а не просто «ориентированными на данные» — только тогда они действительно воспользуются силой ИИ и больших данных.

PL: Все дело в том, как изменилось отношение к данным. Раньше их видели как необходимое зло, а теперь это актив №1 в бизнесе. Обычно это вызывает одержимость метками больших данных, но важно то, что вы делаете с данными — используя ИИ / BI / IoT и т.д., чтобы превратить эти данные в действительно ценный актив. Автомобильная отрасль — главный пример — использование и продажа данных, производимых автомобилем. Интересно, что мы теперь почти принимаем «облако» как данность — если бы мы отвечали на этот вопрос 24 месяца назад, облако было бы первым соображением, но теперь это «table stakes». Вопрос больше не в том, перейдет ли бизнес в облако, а в том, какой тип облака/использования облака? — Мы ушли далеко за разговор об инфраструктуре — в «как» и в «что» — и в «почему» бизнес стремится к цифровизации.

Являются ли искусственный интеллект (ИИ) и большие данные драйверами 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 производительности непрерывных, дискретных или пакетных производственных процессов, добывая инсайты из доступных сенсорных и производственных данных. Эта технология, использующая предиктивную аналитику, позволяет пользователям анализировать операционные сценарии, квалифицируя влияние, которое операционные изменения окажут на ключевые показатели производительности, и выявляя причины вариаций производительности. Цифровые двойники вдохновляют непрерывное улучшение, ключевую цель будущего отрасли, глядя назад на исторические данные, а также в реальном времени, чтобы быстро двигаться вперед.

PL: Мы видим ежедневный рост использования ИИ/ML — оптимизация запасов, обслуживание, более быстрые финансовые процессы — все это ключевые области, которые мы видим много раз. Чтобы это продолжалось, и возврат инвестиций продолжал расти, ИИ должен быть «подключен к трубам» и готов к работе с другими системами, а не быть навесным, иначе бизнес столкнется с дорогостоящим и затратным проектом интеграции. В плане следующей конкретной технологии, это действительно зависит от зрелости отдельной компании или проекта — бизнесы только сейчас достигают точки цифровой ткани, а не набора цифровых проектов. Прескриптивная работа, управляемая ИИ и питаемая массивами сенсорных данных, несет огромную перспективу для B2B / промышленных рынков, и мы видим очень обнадеживающие ранние ростки в обслуживании активов и полевом сервисе.