Automatyzacija ir dirbtinis intelektas gamybos įmonėms dažnai žada didesnį našumą, mažesnes sąnaudas ir tikslesnį planavimą. Tačiau praktika rodo, kad dalis diegimų ne tik neatsiperka, bet ir sukuria naujų rizikų: nuo duomenų chaoso iki neteisingai parinktų technologinių sprendimų.
Ši tema aptarta diskusijoje apie ateities fabriką pramonės konferencijoje, kur gamybos vadovai pabrėžė paprastą taisyklę: technologija veikia tik tada, kai aiškiai įvardyta problema, paruošti duomenys ir organizacija turi kompetencijų pokyčiui suvaldyti. Priešingu atveju automatizacija gali tapti papildoma našta, o ne konkurenciniu pranašumu.
Kur prasideda nesėkmės?
Viena dažniausių klaidų – pradėti nuo įrankio, o ne nuo uždavinio. Įmonės neretai perka sprendimus, kurie gražiai atrodo prezentacijose, bet realiame ceche nesprendžia pagrindinių kliūčių: įrangos gedimų, prastovų, kokybės svyravimų ar tiekimo grandinės netolygumų.
Kita problema – duomenų kokybė ir prieinamumas. Dirbtinis intelektas, robotizacija ir skaitmeninimas paprastai reiškia dar daugiau jutiklių, sistemų ir ataskaitų, tačiau be aiškios duomenų architektūros organizacija greitai paskęsta informacijoje ir nebemato, kurie rodikliai iš tiesų svarbūs.
Diskusijos dalyviai atkreipė dėmesį, kad kai kuriose įmonėse pereinama nuo vėlyvos analizės prie sprendimų realiu laiku. Tai leidžia greičiau reaguoti į broką, energijos vartojimo šuolius ar įrangos nuokrypius, tačiau reikalauja disciplinos: renkami ne visi, o tik sprendimams būtini duomenys.
Dirbtinis intelektas nėra universalus vaistas
Pramonėje DI geriausiai pasiteisina ten, kur galima aiškiai išmatuoti rezultatą ir turėti pakankamai patikimų duomenų, pavyzdžiui, prognozuojant įrangos gedimus ar optimizuojant kokybės kontrolę. Vis dėlto biuro procesų ar bendrų pagalbinių funkcijų srityje investicijų grąža ne visada akivaizdi ir dažnai paaiškėja tik po ilgesnio laiko.
„Pirmiausia turime tiksliai įvardyti problemą ir pasirinkti tinkamą technologiją – DI daugeliu atvejų nėra geriausias sprendimas. Reikia įvertinti, kokią konkrečią vertę tai sukurs: ar bus sutaupyta, ar klientas gaus geresnę paslaugą“, – sakė vienas diskusijos dalyvių.
Dar vienas iššūkis – lūkesčių valdymas. Įmonės neretai tikisi greito efekto, tačiau realybėje didžiausią naudą sukuria ne vien algoritmas, o visas pokyčių paketas: procesų standartizavimas, darbuotojų mokymai, atsakomybių perskirstymas ir aiškūs rodikliai, pagal kuriuos vertinamas rezultatas.
Kaip didinti tikimybę, kad diegimas atsipirks?
Praktinis kelias dažnai prasideda nuo mažesnių pilotų, kurie leidžia patikrinti prielaidas ir įvertinti tikrąją naudą dar prieš mastelio didinimą. Tokie bandymai taip pat parodo, ar organizacija turi pakankamai kompetencijų prižiūrėti sprendimą po įdiegimo, kai prasideda kasdienė eksploatacija.
Ekspertai pabrėžia, kad vien tik duomenų kaupimas „vėlesniam laikui“ nėra tikslas, tačiau sukaupti duomenys gali būti naudingi modelių mokymui ir gamybos krypčių koregavimui. Vis dėlto svarbiausia išlieka paprastas principas: jei nėra aiškaus verslo tikslo, automatizacija ir DI gali sukurti daugiau triukšmo nei realios vertės.
Galiausiai, pereinant į naują pramonės raidos etapą vis dažniau akcentuojamas žmogaus vaidmuo. Technologijos turi stiprinti operatorių ir inžinierių sprendimus, o ne pakeisti atsakomybę už procesą, nes net pažangiausi modeliai klysta ir reikalauja nuolatinės priežiūros.