Dirbtinis intelektas vis dažniau diegiamas gamyklose ne vien kaip dar vienas automatizavimo sluoksnis. Jis tampa sprendimų priėmimo įrankiu, galinčiu realiu laiku apdoroti didelius duomenų srautus iš jutiklių, kamerų ir gamybos valdymo sistemų. Tai leidžia tiksliau planuoti procesus, greičiau aptikti nukrypimus ir sumažinti broko riziką.
Pramonėje DI dažnai apibūdinamas kaip papildomi roboto „pojūčiai“, nes kompiuterinė rega ir pažangūs modeliai leidžia atpažinti defektus, kurie anksčiau pasprukdavo pro įprastą kontrolę. Praktikoje tai ypač svarbu ten, kur klaidų kaina didelė, pavyzdžiui, medienos apdirbime, automobilių pramonėje ar energetikos įrenginių priežiūroje. Kuo daugiau signalų patenka į modelį, tuo tikslesnės gali būti roboto trajektorijos ir operacijų parametrai.
„DI yra tarsi milžiniškas dešimtmetis vaikas: jis neįtikėtinai greitai apdoroja informaciją, bet jam reikia labai tikslių instrukcijų ir aiškių ribų“, – sakė Grzegorzas Putynkowskis.
Didelė dalis diegimų prasideda ne nuo visiškai naujų robotų, o nuo jau veikiančių automatizuotų linijų „praturtinimo“ DI moduliais. Dažniausiai modeliai apmokomi atskirose skaičiavimo aplinkose, o į gamyklą perkeliami lengvesni vykdomieji algoritmai, kuriems reikia papildomo kompiuterio greta PLC valdiklių. Taip įmonės gali pradėti nuo konkretaus taikymo, pavyzdžiui, kokybės kontrolės, ir palaipsniui plėsti sprendimą.
Didžiausi iššūkiai dažnai slypi ne programiniame kode, o duomenyse ir jų parengime. Kokybės kontrolėje, ypač medienos ar kitų natūralių medžiagų atveju, defektų tipų gali būti dešimtys, o dalies jų įprasta kamera patikimai nefiksuoja. Todėl įmonėms tenka sukaupti dideles, dažnai labai specifines defektų duomenų bazes ir investuoti į ilgesnį mokymą.
Dar viena praktinė kliūtis yra skaičiavimo galios ir energijos poreikis mokymo metu. Modelių mokymas gali reikalauti nepalyginamai daugiau resursų nei tradicinė automatizacija, todėl tam pasitelkiami duomenų centrai ir grafikos procesoriai. Pramonė vis aktyviau ieško „lengvesnių“ modelių, kuriems reikėtų mažiau atminties ir mažesnių energijos sąnaudų, o tai tampa svarbu ir dėl kaštų, ir dėl tvarumo tikslų.
Verslo požiūriu DI diegimas vis dažniau siejamas ne su darbo vietų mažinimu, o su našumo didinimu ir efektyvesniu resursų naudojimu. Įmonės tikisi geriau planuoti gamybą, optimizuoti žaliavų sunaudojimą, mažinti energijos nuostolius, tikslinti tiekimo grandinės sprendimus ir greičiau reaguoti į paklausos pokyčius. Taip DI tampa ne vien technologine, bet ir finansine priemone konkurencingumui palaikyti.
„DI algoritmai pirmiausia mažina ne žemiausios grandies darbuotojų poreikį, o atsigręžia į vadovų veiklos efektyvumą: dalį ataskaitų ir analizės gali atlikti elektroninis asistentas“, – teigė Grzegorzas Putynkowskis.
Čia ir atsiranda naujas pramonės posūkis: DI pradeda „matuoti“ sprendimų priėmimą. Kai duomenys apie gamybą, kokybę, energijos sąnaudas ir logistiką sujungiami į vieną vaizdą, vadovų veiklos rezultatai tampa lengviau palyginami ir labiau pagrindžiami skaičiais. Tai gali mažinti tarpininkavimo grandis, bet kartu kelia klausimų dėl atsakomybės, vertinimo kriterijų ir klaidų, kurias gali padaryti modeliai.
Kur DI duoda greičiausią grąžą
Didžiausią potencialą pramonė dažnai mato ten, kur procesai standartizuoti, o duomenys renkami nuosekliai. Medienos pramonėje DI leidžia tiksliau klasifikuoti ruošinius, automobilių sektoriuje padeda užtikrinti pastovią kokybę ir mažinti broką, logistikoje gerina planavimą, o energetikoje vis labiau naudojamas priežiūros ir gedimų prognozavimo sprendimams. Tokiose srityse DI ne tik automatizuoja, bet ir padeda išvengti brangių sustojimų.
Mažesnėms įmonėms aktualus ir prenumeratos modelis, kai nereikia kurti savo duomenų centrų ar laikyti didelių komandų. Tačiau toks kelias didina priklausomybę nuo tiekėjo ir kainų politikos, todėl didesnės organizacijos dažnai siekia aiškių ilgalaikių sutarčių ir nuosavybės teisių į kritinius sprendimus. Renkantis tarp „savos“ ir perkamos sistemos vis daugiau lemia tai, ar duomenys laikomi strateginiu pranašumu.
Žmonės ir kompetencijos tampa siauruoju kakleliu
Net ir sparčiai tobulėjant technologijoms, įmonės vis dažniau susiduria su kvalifikacijos spraga. Darbuotojams reikia ne tik gebėti naudotis naujomis sąsajomis, bet ir suprasti, kaip DI priima sprendimus, kokių ribų jam reikia, kaip vertinti modelio patikimumą ir kaip suvaldyti klaidų riziką. Pramonėje vis labiau vertinamas gebėjimas sujungti patirtį apie procesą su skaitmeniniais įrankiais.
Reikšminga ir kartų sinergija: vyresni specialistai turi gilią gamybinę patirtį, o jaunesni inžinieriai dažniau atsineša duomenų analizės ir sistemų integravimo įgūdžius. Tokia partnerystė tampa viena realiausių sąlygų, kad DI sprendimai veiktų stabiliai, o ne liktų demonstraciniais projektais. Galiausiai būtent žmonės užtikrina, kad DI būtų įdarbintas kaip pagalbininkas, o ne kaip nevaldomas vertintojas.
Humanoidai ir „paskutinė mylia“ gamyboje
Pramonėje vis garsiau kalbama apie humanoidinius robotus, kurie galėtų perimti užduotis, kur klasikinė robotika stringa dėl nuolat besikeičiančios aplinkos. Vienas pavyzdžių yra pakavimas, kai vienoje linijoje gali būti šimtai ar tūkstančiai skirtingų produktų, o pakuotės ir jų paėmimo būdai keičiasi. Tokiose situacijose prisitaikymas tampa svarbesnis už maksimalią tikslumo rekordą.
Panašiai ir statybose: mūrijimas, tinkavimas ar plytelių klojimas reikalauja sudėtingų judesių, kuriuos standartiniams pramoniniams robotams atkartoti sunku. Humanoidai galėtų palengvinti sveikatą žalojančias užduotis, o ilgainiui būti „apmokomi“ amatininkų, perimant jų judesius. Vis dėlto tai dar sritis, kur realaus masto diegimai priklausys nuo kainos, patikimumo ir saugos standartų.
DI pramonėje vystosi taip greitai, kad įmonėms vis dažniau tenka diegti sprendimus ne idealiomis sąlygomis, o veikiant spaudimui dėl kaštų ir konkurencijos. Dėl to prioritetu tampa ne vien technologija, bet ir aiškūs procesai, duomenų kokybė, darbuotojų parengimas bei atsakingas DI naudojimas. Priešingu atveju įmonės rizikuoja ne tik atsilikti, bet ir priimti sprendimus, kurių negalės pagrįsti ar suvaldyti.