Naujos technologijos pramonėje dažnai pristatomos kaip greitas kelias į didesnį našumą, mažesnes sąnaudas ir stabilesnę kokybę. Tačiau praktika rodo, kad automatizacija ir dirbtinis intelektas ne visada duoda lauktą efektą, o daliai įmonių tampa papildomu rizikų ir kaštų šaltiniu.
Apie tai kalbėta diskusijoje apie ateities gamyklą, kur pabrėžta, kad pramonė po ketvirtosios pramonės revoliucijos bangos juda į naują etapą. Šiame etape vis daugiau dėmesio skiriama ne tik skaitmeninimui, bet ir žmogaus vaidmeniui, kompetencijoms, atsparumui bei tvarumui.
Kodėl diegimai nuvilia?
Automatizacijos projektai dažniausiai veikia tada, kai aiškiai apibrėžta problema, turimi kokybiški duomenys ir paskirtos atsakomybės. Jei įmonė diegia technologiją vien dėl mados ar bendro tikslo skaitmenizuotis, sprendimas gali sustiprinti esamas bėdas, pavyzdžiui, sukurti daugiau trikdžių, nei jų panaikina.
Diskusijoje remtasi ir MIT tyrimų išvadomis, kad didelė dalis DI diegimų įmonėse nepasiekia tikslų. Tokiais atvejais problema dažnai būna ne pats DI, o pasirengimo lygis: nepakankamai sutvarkyti duomenys, per silpnos procesų disciplinos, per mažai laiko pokyčių valdymui.
DI nėra universalus vaistas
Gamyboje DI nauda paprastai akivaizdžiausia ten, kur tikslas pamatuojamas tiesiogiai, pavyzdžiui, sumažinti rankinio darbo apimtį, broką ar prastovas. Tačiau DI, taikomas palaikomosiose funkcijose ar biuro procesuose, ne visada sukuria aiškiai išmatuojamą investicijų grąžą, todėl lūkesčiai neretai prasilenkia su realybe.
„Pirmiausia reikia tiksliai įvardyti problemą ir parinkti tinkamą technologiją. DI daugeliu atvejų tiesiog netinka, todėl būtina įvertinti, kokią konkrečią vertę jis sukurs ir ar bus realių sutaupymų“, – sakė diskusijos dalyvis Grzegorzas Pondelis.
Duomenų daugėja, bet vertė neatsiranda savaime
Automatizacija ir DI beveik visada reiškia daugiau sensorių, daugiau matavimų ir daugiau ataskaitų. Vis dėlto didesnis duomenų kiekis nebūtinai padeda, jei įmonė neturi aiškaus plano, ką su jais daryti, kokius rodiklius laikyti svarbiausiais ir kas priima sprendimus remdamasis analitika.
Dalies gamyklų patirtis rodo, kad didžiausią praktinę naudą duoda perėjimas nuo analizės po fakto prie realaus laiko stebėsenos. Kai duomenys vertinami iškart, sprendimai priimami greičiau, o reakcija į nukrypimus tampa operatyvi, tačiau tai reikalauja ir procesų, ir žmonių pasirengimo.
Kita vertus, net ir vėliau panaudojami duomenys gali būti vertingi mokant DI modelius. Jie gali padėti prognozuoti gedimus, aptikti paslėptus kokybės dėsningumus ar pasiūlyti, kur koreguoti režimus, tačiau modeliai nėra neklystantys, todėl svarbi žmogaus kontrolė ir aiškūs kokybės kriterijai.
Leave a Reply