Jedną z firm przodujących w nowej fali transformacji, czyli Przemysłu 4.0, jest General Electric, wytwórca m.in. silników samolotowych. Dla GE motywacją do wypróbowania możliwości SI była malejąca wydajność w jej sektorze. „Do 2010 r. wzrost wydajności mieścił się w przedziale od 4 do 5%” – mówi Colin Parris, wiceprezes ds. rozwoju oprogramowania. Potem przemysł się zmienił. Doświadczeni inżynierowie odchodzili na emeryturę, podczas gdy w nowych rejonach geograficznych GE, w tym w Indiach i Chinach, pracowali głównie młodzi ludzie.

Jak sztuczna inteligencja rewolucjonizuje produkcję. Zalety cyfrowych bliźniaków

Jak twierdzi Colin Parris, wymagania klientów stawały się coraz bardziej złożone. Pojawiły się nowe trasy do miejsc docelowych o ekstremalnych warunkach pogodowych i zanieczyszczeniu powietrza, które miały wpływ na silniki odrzutowe produkowane przez GE. Jednocześnie klienci oczekiwali dalszych spadków cen, większej niezawodności i krótszych przestojów.

Zobacz również:

• Sztuczna inteligencja od Apple wymagać może nowych procesorów
• Jak wykorzystać potencjał sztucznej inteligencji w cyfrowej transformacji? Poznaj nowoczesne narzędzia AI dla biznesu podczas spotkań Dynamics 365. Kierunek: AI
• Mercedes-Benz przyspiesza dzięki AI

Aby rozwiązać ten problem, firma General Electric zwróciła się w stronę sztucznej inteligencji i uczenia maszynowego, zaczynając od usług świadczonych klientom, np. konserwacji silników odrzutowych i turbin. Następnie GE zastosowała SI w produkcji wewnętrznej, później w projektowaniu, a na koniec w procesach wewnętrznych, m.in. w kadrach.

„Od co najmniej 10–15 lat korzystamy z modeli i odmian analityki w usługach” – mówi Colin Parris. Pięć lat temu GE zaczęła korzystać z maszynowego uczenia się i cyfrowych bliźniaków (digital twins), które stanowią wirtualny odpowiednik pojedynczej maszyny, np. turbiny wiatrowej, lub grupy maszyn takiej jak farma wiatrowa. Cyfrowe bliźniaki mogą być również wykorzystywane do reprezentowania linii montażowej, całej fabryki lub procesu zaopatrzenia. W GE cyfrowe bliźniaki są stosowane do modelowania wydajności, przewidywania awarii i szybkiego testowania potencjalnych ulepszeń.

„Możemy przewidzieć, które rzeczy zawiodą, więc mamy odpowiednich inżynierów i odpowiednie części w magazynie” – mówi Colin Parris. „Możemy uzyskać lepszą wydajność paliwową i dłużej latać samolotami bez niepotrzebnego sprowadzania części do serwisu. Dzięki temu nasi klienci oszczędzają miliony dolarów”.

Inną zaletą posiadania cyfrowego bliźniaka każdego urządzenia, systemu lub procesu było to, że GE mogła wykorzystać drukowanie przestrzenne do tworzenia części na zamówienie, zamiast polegać na częściach zamiennych, które musiały być produkowane hurtowo na tradycyjnych liniach montażowych. Druk przestrzenny pozwala wytwarzać pojedyncze części w celu rozwiązania nietypowych problemów, które maszyna ma w danym środowisku, bez potrzeby budowania fabryk wyrabiających setki części, jakie będą działać w typowy, uśredniony sposób.

„Wcześniej trzeba było wydawać setki milionów dolarów na budowę fabryk” – kontynuuje Colin Parris. „Teraz można drukować po jednej części i stale dostosowywać maszynę i jej umysł. Mam maszynę, która może się nieustannie udoskonalać pod kątem produktywności, co nazywamy nieśmiertelną maszyną. Myślę, że z tego powodu przyszłość staje się bardzo interesująca dla GE”.

Jak sztuczna inteligencja rewolucjonizuje produkcję. Prewencyjna konserwacja

W Jabil, firmie z listy Fortune 500 z siedzibą na Florydzie, która zajmuje się produkcją kontraktową podzespołów elektronicznych dla największych światowych marek, sztuczna inteligencja zaczęła być kilka miesięcy temu wykorzystywana do wykrywania wad produkcyjnych i do konserwacji prewencyjnej. Na przykład w jednej z fabryk w Chinach zautomatyzowane maszyny kontrolne mają kilka kamer poszukujących defektów w obwodach drukowanych produkowanych przez firmę.

Podstawowa technologia rozpoznawania obrazu stosowana w wyszukiwaniu usterek istniała już od jakiegoś czasu, ale 35–40% płytek wskazanych przez system i przekazanych operatorom do przeglądu w rzeczywistości nie miało żadnych wad. „Operatorzy mają dwie sekundy na analizę obrazu, a niektóre z tych płytek mogą być dość duże i zawierać setki komponentów” – mówi Ryan Litvak, jeden z dyrektorów firmy. Wyzwaniem było więc wsparcie intuicji operatorów, by móc zidentyfikować wadę lub ją wykluczyć.

Dzięki zmniejszeniu liczby płytek wskazanych przez system, ale z zachowaniem dotychczasowej dokładności, operatorzy Jabila mogą poświęcić więcej czasu na sprawdzenie zakwestionowanych produktów albo zostać przydzieleni do innych zadań. Firmie udało się osiągnąć naprawdę dobre wyniki: odsetek wyłapanych rzeczywistych defektów mieścił się w przedziale 93–98%. Testowy system składał się z dwóch linii produkcyjnych o bardzo podobnym wyposażeniu i procesach. Teraz Jabil pracuje nad przystosowaniem tego systemu do różnych linii, do przetwarzania większych ilości danych oraz włączenia nowego procesu decyzyjnego bezpośrednio do przepływu pracy.

Kolejnym obszarem, na którym koncentruje się firma, jest konserwacja prewencyjna, gdzie wyzwaniem jest uzyskanie potrzebnych danych. „W użyciu jest wiele różnych systemów, wiele różnych urządzeń” – kontynuuje Ryan Litvak. „Niektóre urządzenia mają własne systemy do przeprowadzania konserwacji, inne nie. Część dostawców śledzi konserwację na arkuszach kalkulacyjnych, inni stworzyli całe systemy”. Eksperci od obróbki danych z Jabil pracują nad normalizacją tych informacji i współpracują z Microsoftem w celu zbudowania modeli głębokiego uczenia się wymaganych do przewidywania awarii sprzętu.

Według badań McKinsey & Co. prewencyjna konserwacja urządzeń przemysłowych wspomagana przez sztuczną inteligencję przyczyni się do 10-proc. redukcji rocznych kosztów konserwacji, skrócenia przestojów nawet do 20% i 25-proc. zmniejszenia kosztów kontroli.

Zdaniem Matthiasa Kässera z McKinseya w ostatnim czasie dużym zainteresowaniem cieszyły się pilotażowe projekty specyficznych zastosowań sztucznej inteligencji w przemyśle. Te o największym znaczeniu to komputerowe rozpoznawanie obrazu i dane sensoryczne w kontroli jakości i konserwacji zapobiegawczej. Jednakże, aby w pełni wykorzystać ten potencjał, przedsiębiorstwa będą musiały szybko przekuć wnioski z tych pilotaży w całościowe przekształcenia SI dotyczące wszystkich funkcji i procesów. Tu zaczyna się prawdziwa praca.

Jak sztuczna inteligencja rewolucjonizuje produkcję. Przewidywanie awarii

Kolejnym wytwórcą, który dopiero zaczyna wykorzystywać rozpoznawanie obrazu do wykrywania problemów produkcyjnych, jest Lennox International, producent systemów HVAC. Lennox wynajmuje również sprzęt klientom biznesowym i – podobnie jak w przypadku General Electric – usprawnienie procesu utrzymania oraz konserwacji jest niezbędne.

Tradycyjny sprzęt HVAC przesyła do chmury informacje o swojej wydajności, zapisując mniej więcej 8 mln nowych rekordów na godzinę. Dodanie inteligencji umożliwia firmie przewidywanie awarii sprzętu w czasie rzeczywistym, co wcześniej się nie udawało. „Właśnie tu wkracza SI” – wskazuje Sunil Bondalapati, dyrektor IT w firmie. „Jest w stanie odzyskać dane o konkretnym urządzeniu, powiedzmy, sprzed dwóch lat – jak działało w temperaturze poniżej 40 stopni C, gdy poziom wilgotności był na takim a takim poziomie; jak działało wówczas i jak działa teraz”.

Firma Lennox rozpoczęła projekt w maju 2018 r., a jego wyniki były na tyle obiecujące, że zadecydowano o rozpoczęciu pełnego wdrożenia technologii do końca roku. Sunil Bondalapati uważa, że trudno będzie obliczyć zwrot z inwestycji za konserwację. „Jak obliczyć zwrot z inwestycji, gdy sprzęt nie zawiedzie? W ciągu najbliższego roku będziemy musieli zebrać dane na ten temat”. Ale już teraz spółka chwali się, że obniżyła koszty przechowywania i przetwarzania danych o połowę, ponieważ była w stanie wykorzystać technologię firmy DataBricks do konsolidacji danych.

Innym zastosowaniem sztucznej inteligencji w Lennoksie są finanse. Na przykład obliczenie, ile firma powinna przeznaczyć na zobowiązania gwarancyjne. „Wcześniej po prostu zatwierdzaliśmy pewną kwotę w dolarach – 20 lub 30 mln – bo nie było naukowego sposobu, aby dowiedzieć się, ile pieniędzy trzeba odłożyć dla klientów zwracających produkty” – mówi Sunil Bondalapati. „Dziś, korzystając z SI, jesteśmy w stanie przewidzieć wskaźniki awaryjności każdego komponentu i powiedzieć działowi gwarancyjnemu, ile należy odłożyć, a my jesteśmy w stanie zrewidować tę kwotę każdego dnia, gdy otrzymujemy więcej danych”. Bondalapati spodziewa się 10-proc. spadku koniecznych rezerw.

Lennox wykorzystuje również sztuczną inteligencję do wynajdywania problemów księgowych. „Robimy miliony wpisów w księdze głównej” – mówi Sunil Bondalapati. „Człowiek nie ma szans przebrnąć przez wszystko, co zostaje zapisane każdego dnia”. Twierdzi, że jego zespół nieustannie poszukuje możliwości wykorzystania sztucznej inteligencji, aby pomóc biznesowi. „Jesteśmy jak wewnętrzna firma doradcza. Co tydzień rozmawiamy z jednostkami biznesowymi oraz innymi interesariuszami i przedstawiamy im kolejne przypadki zastosowania, aby mogli je wypróbować”.

Zdaniem Bondalapatiego firma weszła nieco za wcześnie do gry ze sztuczną inteligencją. „Dla takich gałęzi przemysłu jak nasza SI jest trudną drogą i wymaga intensywnego przekonywania bardzo sceptycznie nastawionych odbiorców” – stwierdza.

Jak sztuczna inteligencja rewolucjonizuje produkcję. Ograniczenia SI

„Obecnie większość uwagi poświęca się stosowaniu sztucznej inteligencji i technologii maszynowego uczenia się w celu obniżenia kosztów” – mówi Kumar Krishnamurthy, dyrektor PwC specjalizujący się w strategii IT. „Przewiduję jednak, że niektóre z tych technologii pomogą firmom skalować i zwiększać produktywność na innym poziomie. Popyt ze strony klientów i presja ze strony podmiotów burzących status quo branży zmuszą firmy produkcyjne do zmian”.

Maszynowe uczenie się i zaawansowana analityka odgrywają ważną rolę w konserwacji prewencyjnej i innych aspektach procesu produkcyjnego. Według ostatniego badania przeprowadzonego przez PwC 78% firm produkcyjnych wdrożyło lub planuje wdrożyć technologię konserwacji prewencyjnej, 73% wprowadziło lub zamierza wprowadzić systemy realizacji produkcji, 60% – cyfrowe bliźniaki, a 59% – zrobotyzowaną automatyzację procesów.

Tylko 29% wykorzystuje sztuczną inteligencję lub planuje ją wykorzystać, Warto dodać, że PwC definiuje sztuczną inteligencję jako wyjście poza maszynowe uczenie się i zaawansowaną analitykę aż do podejmowania niezależnych decyzji poznawczych.

Kumar Krishnamurthy uważa jednak, że technologia nie jest jeszcze tak dojrzała, jak się wydaje. Ponadto brak umiejętności związanych ze sztuczną inteligencją oraz użytecznych danych również utrudniają ten proces. Według badania PwC 52% firm produkcyjnych wdrażających SI twierdzi, że brak wykwalifikowanych pracowników jest głównym wyzwaniem, a 42% wskazuje na kwestię wiarygodności danych.

Jak sztuczna inteligencja rewolucjonizuje produkcję. SI w procesie projektowania

Jedną z organizacji, która próbuje przezwyciężyć problem braku umiejętności i braku danych w trudnej i niezwykle czasochłonnej fazie projektowania procesu produkcyjnego, jest Palo Alto Research Center – należąca do Xeroksa firma stojąca za takimi innowacjami, jak: druk laserowy, programowanie obiektowe, graficzny interfejs użytkownika, pamięć optyczna i wiele innych fundamentalnych technologii.

„Sztuczna inteligencja może sprostać wymaganiom funkcjonalnym, ograniczeniom kosztowym, prawnym i produkcyjnym oraz stworzyć projekty, o których ludzie by nie pomyśleli” – mówi Ersin Uzun, kierownik laboratorium PARC i wiceprezes działu badawczo-rozwojowego. „Gdybym poprosił cię o zaprojektowanie czegoś, co pozwoliłoby mi trzymać płyny, prawdopodobnie zacząłbyś od przedmiotu w rodzaju kubka. Niekoniecznie od razu wymyśliłbyś projekt w stylu torby camelback”.

Projektowanie w pewnym momencie się kończy, więc PARC pracuje również nad stworzeniem technologii, która określi, w jaki sposób można daną rzecz zbudować, wykorzystując zarówno metody obróbki ubytkowej, jak i drukowania przestrzennego oraz pamiętając o niedoskonałościach, które są wprowadzane przez różne decyzje projektowe i produkcyjne. „Dziś projektujesz coś, wysyłasz to do eksperta od produkcji, ten kombinuje, jak to wyprodukować, a następnie inżynierowie i analitycy patrzą, czy wyprodukowany element spełnia wymagania operacyjne” – opowiada Ersin Uzun. „To się ciągnie miesiącami. Tymczasem produkcja jest jednym z nielicznych obszarów, w którym możliwości fizyczne są znacznie większe niż możliwości oprogramowania. Mamy nowe materiały, które są niezwykle ekscytujące, nowe technologie druku przestrzennego i maszyny do produkcji hybrydowej. Ale gdy patrzysz na oprogramowanie, którego używają ludzie, to jest ono zacofane o całą generację wobec tego, co można osiągnąć za pomocą materiałów i narzędzi, jakimi dysponujesz. Mamy maszyny, które mogą teraz wytwarzać zarówno przyrostowo, jak i ubytkowo, ale tak naprawdę nie da się jeszcze projektować pod kątem wykorzystania tej możliwości produkcyjnej”.

Wszystko wykonuje się więc ręcznie, co w zasadzie wykracza poza możliwości poznawcze każdego człowieka w przypadku większości współczesnych, złożonych potrzeb produkcyjnych. Dlatego aby pozyskać narzędzia projektowe, które nadążą za tempem zmian w materiałoznawstwie i technologiach produkcyjnych, trzeba w te narzędzia wbudować sztuczną inteligencję.

PARC pracuje również nad stworzeniem standardów i protokołów, które pozwolą wszystkim tym odmiennym systemom w zakładach produkcyjnych komunikować się ze sobą, a także nad stworzeniem algorytmów opartych na SI w celu optymalizacji zużycia energii, przepustowości, wydajności i bezpieczeństwa. „PARC nie wytwarza technologii jako takiej” – mówi Ersin Uzun. „Jesteśmy partnerem innowacyjnym i dostawcą technologii. Opracowujemy te technologie, doprowadzamy je do etapu prototypu oraz znajdujemy odpowiedniego partnera, który wprowadzi je na rynek”.

Obecnie PARC współpracuje zarówno z dużymi, jak i małymi firmami produkcyjnymi w celu testowania technologii i wprowadzenia ich na rynek. „Technologie SI mogą pomóc małym i średnim producentom stać się konkurencyjnymi na rynku i przywrócić miejsca pracy w przemyśle wytwórczym w Stanach Zjednoczonych” – przewiduje Ersin Uzun. „A gdy tak się stanie, pojawią się inne miejsca pracy wokół tego ekosystemu”.