Малые производители используют ИИ для внедрения бережливого производства и повышения эффективности

Искусственный интеллект широко признается ключевым аспектом того, что называют Индустрией 4.0. Хотя никто еще не знает, как именно ИИ будет интегрирован в следующий этап промышленной революции, большинство согласны, что он обеспечит более тесную связь между людьми, машинами и ИТ, позволяя производителям лучше оптимизировать процессы и предсказывать проблемы.

Как малым и средним производителям (SMM), у которых обычно нет времени или капитала для тестирования новейших технологий, оценить влияние ИИ на свою организацию — и подготовиться к Индустрии 4.0?

Ожидание, пока производственный сектор «решит» за них — определенно не вариант. Задержка в один, два или пять лет может оставить производителя позади. Время действовать — сейчас, но путь вперед неясен.

Один из способов решения — оценить ИИ через непрерывное преобразование, которое многие SMM уже приняли: бережливое производство (lean manufacturing).

Внесение «непрерывности» в непрерывное улучшение с помощью ИИ

В основе бережливой философии лежит идея непрерывного улучшения (кайдзен). Это приверженность постоянным изменениям. Для практики lean необходима готовность к изменениям в любой момент, чтобы когда выявляется возможность улучшения, ее можно быстро реализовать.

Улучшения в lean происходят через вмешательства. Если выявлена проблема, скажем, в процессе, работа останавливается. Члены команды вызываются для наблюдения, вывода заключений, принятия решений и अंततः действий, устраняющих причину проблемы. Эта прерывистая операция — так работает lean, хотя ее стоп-стартовый ритм кажется принципиально противоречащим идее непрерывного улучшения. Но это то, что сейчас выполнимо — или по крайней мере человечески возможно.

А что, если не нужно останавливать работу для lean-операций? Что, если можно выполнять основные этапы lean-процесса (наблюдение, выводы, суждения, действия) пока работа идет, делая lean-процесс более непрерывным? Это одно из главных обещаний ИИ для производственных операций любого масштаба.

С чего может начаться внедрение ИИ в бережливые операции

ИИ — обширная область, включающая широкий спектр технологий — от алгоритмов, обучающихся на наборах данных, до роботов, похожих на героев научной фантастики.

Для малых производителей основным интересом представляет поддисциплина — машинное обучение (machine learning). Как определяет Амит Мангхани в своем «Кратком руководстве по машинному обучению»:

Мангхани описывает четыре типа машинного обучения, все из которых могут применяться в бережливом производстве. Это предполагает, однако, что малый производитель готов инвестировать в вычислительную мощность для предоставления данных для вычислительного анализа:

1. Обучение с учителем (Supervised machine learning)
2. Обучение без учителя (Unsupervised machine learning)
3. Частично обучение с учителем (Semi-supervised machine learning)
4. Обучение с подкреплением (Reinforcement machine learning)

Рассмотрим каждую из этих четырех возможностей применения машинного обучения к бережливому производству подробнее:

1. Обучение с учителем

При обучении с учителем алгоритмы разбирают входящие данные, присваивая метки любому элементу, соответствующему заранее заданным критериям. Бережливые производители могут использовать такую технику для автоматизации контроля качества сложных деталей, например, при условии, что соответствующие данные деталей могут быть записаны и предоставлены алгоритму.

2. Обучение без учителя

При обучении без учителя нет заранее заданных ответов для сортировки данных. Алгоритм должен наблюдать и оценивать данные по мере их накопления, выявляя закономерности и создавая возникающие метки. Этот тип машинного обучения может использоваться бережливыми производителями для мониторинг производственного станка — или сети станков — на предмет необычного поведения и тем самым предвосхищения поломки.

3. Частично обучение с учителем

Как следует из названия, частично обучение с учителем сочетает подходы с учителем и без. В таком сценарии существуют некоторые существующие метки для данных. Другие критерии также развиваются алгоритмом со временем с помощью человеческого надзора. Частично обучаемый сценарий может быть полезен для оптимизации повторяющегося производства деталей, потенциально устраняя потери и в деталях, и в процессе.

4. Обучение с подкреплением

В сценарии с подкреплением алгоритм прогнозирует, какое действие из набора возможных принесет максимальную награду. SMM, вовлеченные в lean-трансформацию, могут использовать этот тип машинного обучения для взвешивания разных путей к ориентированным на процесс изменениям, которые они планируют.

Машинное обучение может дополнять бережливое производство

Сфокусировавшись на машинном обучении, можно увидеть, как существуют применения ИИ, полезные и доступные для большинства производителей независимо от размера. В некоторых случаях части пазла уже могут быть доступны в виде данных, собранных уже установленными датчиками станков, существующей ИТ- и операционной технологией (OT).

Когда SMM начинают рассматривать применения ИИ, важно помнить, что ни один из этих сценариев не автоматически угрожает рабочим местам людей. Наоборот, эти идеи можно реализовывать способом, дополняющим рабочий усилением lean-процесс, предоставляя сотрудникам доступ к информации в реальном времени и лучшие инструменты для решения проблем на рабочем месте.

Полезная аналогия — современная автомобильная сенсорная технология, дополняющая осознанность и восприятие водителей. Она не только повышает безопасность, но и снижает трение в общей системе движения, согласовывая поведение всех на дороге. Таким образом, технологии безопасности не исключают людей из уравнения вождения — они делают вождение безопаснее и эффективнее.

Если принять эту перспективу, ИИ можно рассматривать как просто еще один инструмент в lean-инструментарии — хоть и очень мощный.