Data science zmienia sposób, w jaki podchodzimy do wytwarzania – od projektowania linii produkcyjnych i towarów po zarządzanie dystrybucją. Warunkiem skutecznego korzystania z analiz i algorytmów są poprawne i odpowiednio zebrane dane, które napędzają cyfrową transformację firm produkcyjnych. Sprawdźmy, w jaki sposób przedsiębiorstwa mogą wykorzystywać informacje płynące z bitów.

Po raz pierwszy o sztucznej inteligencji i badaniach nad problemami „myślących maszyn” świat usłyszał w latach 50. ubiegłego wieku, kiedy John McCarthy ze współpracownikami zawnioskował o finansowanie dwumiesięcznych prac nad koncepcją programów imitujących ludzką inteligencję. Po okresie nadziei na powodzenie w dziedzinie maszyn myślących, w latach 70. nastała tzw. zima AI. Jednak i ta minęła wraz z rozwojem mocy obliczeniowej z jednej strony i wytwarzaniem coraz większych ilości danych z drugiej. W przemyśle sztuczna inteligencja zawitała na przełomie lat 70. i 80., kiedy algorytmy były stosowane w oprogramowaniu sterującym robotami. Obecnie dane są podstawą cyfrowej gospodarki, a ich analizę i wykorzystanie przez uczenie maszynowe uznaje się za jeden z głównych elementów rewolucji data science w przemyśle.

Powstawanie nowych produktów

Algorytmy uczenia maszynowego mogą posłużyć do projektowania nowych wyrobów. Wykorzystuje się je m.in. w projektowaniu generatywnym, czyli procesie, w którym program komputerowy przygotowuje propozycje produktów, bazując na informacjach dotyczących materiałów, dostępnych metod czy też oczekiwanych parametrów wytrzymałościowych. To pomaga w szybszym tworzeniu prototypów, a tym samym – testowaniu nowych pomysłów i wypuszczaniu towarów na rynek. W tej dziedzinie sztuczna inteligencja dobrze współpracuje z drukiem 3D. Połączenie obu technologii skraca czas projektowania i umożliwia zebranie informacji zwrotnych od potencjalnych klientów.

Zarządzanie produkcją i konserwacja predykcyjna

Kiedy już wiadomo, co produkować, algorytmy wesprą sam proces wytwarzania. Dzięki analizie danych z maszyn produkcyjnych i informacji o pracy przy poszczególnych stanowiskach sztuczna inteligencja może wskazać tzw. wąskie gardła, czyli najmniej sprawne etapy procesów zmniejszające płynność pozostałych. Monitorowanie stanu urządzeń przez AI przydaje się także w wykrywaniu problemów ze sprzętem, jeszcze zanim doprowadzą do przestoju. Na przykład, na podstawie informacji o prawidłowych wartościach drgań i przetwarzaniu bieżących danych z czujników, oprogramowanie może zaalarmować zespół utrzymania ruchu o potrzebie wymiany konkretnego elementu.

Kontrola jakości i bezpieczeństwa

Sprawdzanie poprawności przedmiotów schodzących z taśm produkcyjnych jest czasochłonne i podatne na błędy osób, które po godzinach pracy tracą koncentrację. To zadanie można z powodzeniem powierzyć systemom wizyjnym korzystającym z uczenia maszynowego. Maszyna w ciągu sekundy przetwarza informacje dotyczące kilku lub nawet kilkunastu produktów: sprawdza poprawność etykiety, a także ocenia zgodność przedmiotu ze wzorcem. Innym przykładem zastosowania wizji maszynowej jest poprawa bezpieczeństwa pracy w zakładach produkcyjnych. Urządzenia monitorujące hale sprawdzają m.in., czy ludzie znajdują się w pobliżu niebezpiecznych urządzeń, a nawet – czy mają odpowiednie ubrania ochronne.

Cyfrowe bliźniaki

Dane pochodzące z urządzeń w zakładach przemysłowych można wykorzystać do stworzenia wirtualnych modeli odwzorowujących działanie maszyn, linii produkcyjnych, produktów, a nawet całych fabryk. Cyfrowe bliźniaki (ang. digital twins) służą monitorowaniu działań i stanu urządzeń oraz towarów, ale są także wykorzystywane do przeprowadzania symulacji. Z takim oprogramowaniem przedsiębiorcy mogą np. sprawdzić, czy nowe ustawienie urządzeń zwiększy efektywność działań bez rzeczywistych zmian w fabryce. Z kolei na wirtualnych odpowiednikach produktów można testować zmiany materiałów czy prognozować ich zużycie.

Roboty autonomiczne w wytwarzaniu i intralogistyce

W kontekście braku pracowników, z którym boryka się branża produkcyjna, istotne są roboty przejmujące takie obszary jak sortowanie produktów, pakowanie, spawanie, polerowanie czy lakierowanie. Urządzenia te korzystają z kamer, czujników siły, a także innych sensorów. Oprogramowanie, które steruje robotami, analizuje zbierane informacje, żeby ulepszać pracę maszyn, a także umożliwiać kooperację z ludźmi. Coboty, czyli roboty współpracujące, mogą dzielić przestrzeń z pracownikami firmy, nie narażając ich na niebezpieczeństwo. Przykładowo, urządzenia zwalniają lub zatrzymują się, kiedy w ich pobliżu znajdzie się człowiek. Z kolei autonomiczne maszyny mobilne znajdują zastosowanie w logistyce wewnętrznej – przewożą palety z produktami i dowożą surowce z magazynów do linii produkcyjnych.

Zautomatyzowana robotyzacja procesów

Maszyny przejmują pracochłonne i niesatysfakcjonujące prace fizyczne, ale także działania w innych obszarach. Zrobotyzowana automatyzacja procesów, czyli przekazanie programom czynności wykonywanych wcześniej przez ludzi, jest pomocne w działach zajmujących się zamówieniami, marketingiem czy księgowością. Roboty programowe (ang. software robots) napędzane algorytmami AI mogą przenosić dane pomiędzy aplikacjami, sprawdzać poprawność faktur, porównywać informacje z różnych systemów, jak również planować nowe zamówienia i dystrybucję towarów. Dobrze zaprojektowany system RPA (ang. Robotic Process Automation) pozwoli zaoszczędzić czas, a także uniknąć błędów, które mogłyby się pojawić przy ręcznym przetwarzaniu informacji.

Korzyści z wdrożenia data science w przemyśle

Zbieranie danych analizowanych później przez algorytmy w firmach produkcyjnych przyczynia się do poprawy wydajności wytwarzania, jak również logistyki wewnętrznej i łańcuchów dostaw. Z lepszą efektywnością wiążą się oszczędności i możliwość reinwestowania zysków, a co za tym idzie – zwiększenie konkurencyjności przedsiębiorstwa. Więcej pieniędzy da się wygospodarować za sprawą monitoringu i optymalizacji zużycia mediów. Przejęcie żmudnych zadań od pracowników daje im szansę wykazania się w bardziej wymagających czynnościach oraz czas na podnoszenie kwalifikacji. Stosowanie robotów to dodatkowy plus w postaci ograniczenia liczby popełnianych błędów.

Ryzyka i bariery wdrożeń data science w przemyśle

Mimo zalet z wprowadzania data science w przemyśle przedsiębiorcy powstrzymują się przed wdrożeniami. Wśród powodów wymieniają przede wszystkim brak specjalistów, którzy odpowiednio przygotują i zrealizują strategię stosowania AI. Sygnalizują również, że nie są przygotowani do inwestycji przez brak pieniędzy, a także odpowiednich narzędzi i platform do opracowywania modeli. Kolejne obawy dotyczą zbyt dużej złożoności przedsięwzięć i trudności w skalowaniu rozwiązań. Dodatkowe wątpliwości wiążą się z kwestiami etyki, bezpieczeństwa w zakresie przechowywania i analizy danych oraz zgodności z regulacjami.