Zbyt wiele danych w silosach, zbyt mało działań: Jak liderzy branży produkcyjnej mogą przekształcić dane operacyjne w przewagę konkurencyjną dzięki sztucznej inteligencji przemysłowej?

Dla CTO, CIO i liderów digitalizacji kluczowe staje się generowanie oraz zbieranie wysokiej jakości danych, które są jednocześnie dostępne. Firmy z branży produkcji dyskretnej, procesowej oraz sektora energetycznego od lat radzą sobie z danymi. Jednak ich uwaga była skupiona na działaniach operacyjnych, co odbiło się na dojrzałości danych.

„Zazwyczaj te cenne dane wykorzystywane są w bardzo wąski sposób. Wiele informacji pozostaje w systemach operacyjnych i logach, nigdy nie jest analizowanych. W końcu dane powinny przynosić korzyści ludziom na produkcji, w terenie, w sprzedaży, w obsłudze klienta, w rozwoju produktów czy w sali zarządu,” mówi Matti Partanen, Director of Service Solutions, Etteplan.

Firmy powinny dążyć do bycia napędzanymi danymi oraz tworzyć całościowe widoki, agregując dane z różnych obszarów operacyjnych, takich jak bezpieczeństwo, jakość, konserwacja, usługi posprzedażowe oraz łańcuch dostaw.

Nie ma wątpliwości, że wszyscy chcą spróbować sztucznej inteligencji (AI), zwłaszcza po wzroście popularności AI generatywnej. Obiecuje ona różne cuda związane z danymi, prowadząc do wartościowych rezultatów.

„Firmy oczekują wielu korzyści z wykorzystania AI, takich jak optymalizacja wydajności, mniejsza liczba przestojów, obniżone koszty materiałów i energii oraz lepsza produktywność pracowników. Firmy szukają także przypadków, które mogą zakłócić rynek, ale często bezpieczniej jest zacząć od wewnętrznych operacji,” zauważa Partanen.

Przemysłowe firmy prowadzą i wspierają projekty AI, częściowo ze strachu przed tym, że przegapią rewolucję AI. Jednak według raportów branżowych, znaczny odsetek inicjatyw AI utknie w fazie pilotażowej. Dlaczego?

Zwykle AI wprowadza się bez wcześniejszego zbudowania fundamentów, co prowadzi do rozczarowań. AI nie zadziała właściwie i nie przyniesie sensownych rezultatów, jeśli występują problemy z dostępnością, dostępem i jakością danych.

Według Partanena kluczem do sukcesu jest dojrzałość danych w firmie. Dlatego firmy powinny najpierw ocenić, jak dobrze technologie cyfrowe i zautomatyzowane procesy są zintegrowane w operacjach.

„Zdarzało mi się widzieć przemysłowe firmy odkrywające trudne braki w dojrzałości danych. To nie jest zaskoczeniem, ponieważ zasoby produkcyjne i systemy operacyjne są zazwyczaj silosowane. W związku z tym dane są rozproszone w różnych miejscach i formatach. Należy zintegrować dane z odpowiednich źródeł, aby AI mogła z nich korzystać,” podkreśla Partanen.

„Są też silosy organizacyjne. Dzielenie się danymi, które posiadają różne jednostki, nigdy nie było tak istotne jak teraz.”

Partanen zaleca opracowanie odpowiedniej strategii danych i AI jako punktu wyjścia. Musi być ściśle powiązana z strategią przedsiębiorstwa, aby odnieść sukces. Strategia zazwyczaj obejmuje możliwości biznesowe i przypadki użycia oraz wytyczne dotyczące organizacji, zarządzania danymi, technologii, prywatności i etyki.

„Na poziomie przedsiębiorstwa często pojawia się pułapka, że możliwości biznesowe i przypadki użycia są sformułowane na zbyt wysokim poziomie, nie pasując do rzeczywistych problemów fabryki.”

Łatwo zatracić się w dążeniu do stworzenia idealnej struktury dla strategii danych i AI. Aby temu zapobiec, firmy powinny rozpocząć projekty AI od konkretnych przypadków użycia, które odpowiadają na operacyjne problemy. Przykładami takich problemów mogą być straty w plonach, nieplanowane przestoje czy nadmierne zużycie energii.

„Jasny przypadek użycia jest kluczowy, ponieważ musisz ukierunkować narzędzia AI, aby uzyskać konkretne wyniki, a nie przytłaczać użytkowników zbyt dużą ilością informacji. Możesz na przykład zlecić AI zbadanie przyczyn zużycia konkretnego łożyska w maszynie przemysłowej, łącząc to z wiedzą ludzką. AI może także agregować dane z różnych źródeł i dostarczać je operatorowi serwisowemu w sposób zrozumiały i użyteczny,” mówi Partanen.

W wielu sytuacjach najlepszym rozwiązaniem są tzw. agenci AI, którzy są dostosowani do realizacji konkretnych celów. W porównaniu do tradycyjnego oprogramowania opartego na regułach, są znacznie bardziej efektywni i elastyczni.

Rozwój agentów AI często przynosi najszybsze korzyści, takie jak zwiększona wydajność. Mogą być również włączani do wewnętrznych procesów, wspierając użytkowników w podejmowaniu lepszych decyzji.

Gdy AI zaczyna przynosić rezultaty, pracownicy muszą ufać i rozumieć rekomendacje napędzane przez AI. Wymaga to zarządzania zmianą, przejrzystości, szkoleń i informacji zwrotnej.

„Jednak dotarcie do tego punktu zajmuje czas i wymaga wielu umiejętności. Sukces w dziedzinie Industrial AI wymaga dogłębnej znajomości branży, kontekstowej wiedzy o środowisku przemysłowym oraz kompetencji w obszarze IT i modeli danych. Niewiele firm konsultingowych w sektorze produkcyjnym, energetycznym czy użyteczności może to zapewnić. U nas, w Etteplan, możemy, i mamy na to potwierdzony dorobek,” podkreśla Partanen.