Sektory takie jak branża wytwórcza, wydobywcza czy budowlana czasami nazywane są cyfrowymi luddystami, którzy nadal korzystają z biznesowych reliktów, jak faksy, papierowe katalogi, tekturowe podkładki do pisania czy samoprzylepne karteczki. W rzeczywistości przedsiębiorstwa przemysłowe pozostają już od dziesięcioleci w czołówce technologicznych innowatorów: zarówno w halach produkcyjnych, jak i w terenie robotyka oraz parki maszynowe są na najwyższym poziomie zaawansowania i automatyzacji.
Pomiędzy technologiami operacyjnymi a zorientowanymi biznesowo technologiami informacyjnymi (IT) istnieje jednak dostrzegalna luka. Branże przemysłowe pozostają w tyle, jeśli chodzi o poziom inwestycji IT. Ten trend stopniowo ulega zmianie.
Oczekuje się, że przedsiębiorstwa przemysłowe zaczną więcej inwestować w transformację cyfrową niż firmy B2C. Czy takie nakłady przyniosą równie głęboką zmianę, jaka nastąpiła w sektorach sprzedaży detalicznej, bankowości, ubezpieczeniach czy służbie zdrowia? To się dopiero okaże.
Transformacja cyfrowa to coś więcej niż zwykła cyfryzacja
IDC, globalna firma analityczna, stwierdziła, że większość inwestycji firm wytwórczych w transformację cyfrową nie przyniesie im spodziewanych efektów. W niektórych przypadkach dzieje się tak, ponieważ podejmowane wysiłki nie są tak naprawdę ukierunkowane na transformację cyfrową, a raczej na cyfryzację, która ma w pierwszej kolejności służyć poprawie wydajności.
Wzrost wydajności jest pożądany (kto nie chce oszczędzić czasu, obniżyć kosztów czy ograniczyć ilości produkowanych odpadów?), ale wywoływane przez cyfryzację zmiany nie doprowadzą do transformacji, a ich efekty będą znikome: przedsiębiorstwa przemysłowe od lat stosują już metody maksymalizujące wydajność procesów produkcyjnych i łańcucha dostaw.
Transformacja cyfrowa wykracza daleko poza samą poprawę wydajności. To strategia, która zakłada cyfryzację, ale równocześnie uruchamia ciągły i merytoryczny proces poprawy, zwiększa zwinność operacyjną i, co najważniejsze, sprzyja wypracowywaniu przełomowych innowacji.
Czym jest transformacja cyfrowa?
Firma analityczna Gartner Inc., definiuje „biznesową transformację cyfrową” jako „proces wykorzystywania technologii cyfrowych i ich potencjału do tworzenia nowego efektywnego cyfrowego modelu biznesowego”. Definicja ta jest istotna, ponieważ sytuuje „biznes” dosłownie w centrum „transformacji cyfrowej” oraz uwypukla rozwój nowego modelu działania, który zasadza się na danych („nowy cyfrowy model biznesowy”).
Właśnie o takiej definicji myślał Jeffrey Immelt, były prezes General Electric, snując rozważania na temat wpływu Internetu Rzeczy (IoT) na działalność przedsiębiorstw przemysłowych. Jaki przekaz do nich skierował? Transformacja cyfrowa zmieni kształt poszczególnych branż bardziej dogłębnie i szybciej, niż można to sobie wyobrazić: „Wczoraj byliśmy firmą przemysłową, dziś budzimy się jako firma software’owa i analityczna”.
Ściślej rzecz biorąc, transformacja cyfrowa wiąże się z wykorzystaniem danych, analiz i systemów komunikacji do planowania działań z perspektywy klienta i zastosowania dotychczasowych narzędzi jako szkieletu dla nowych produktów i usług, gwarantujących konsumentowi interesujące i spersonalizowane doświadczenia. Przyjrzyjmy się, w jaki sposób głęboka transformacja staje się możliwa przy zastosowaniu zaawansowanych technologii, takich jak sztuczna inteligencja czy uczenie maszynowe.
Zastosowania sztucznej inteligencji i uczenia maszynowego w przemyśle
Zastosowania sztucznej inteligencji (AI) i uczenia maszynowego (ML) w sektorach przemysłowych są dość szerokie i różnorodne, ale z behawioralnego punktu widzenia wszystkie one są zbieżne. Podobnie jak ceniony kamerdyner, dobrze zastosowane AI lub ML służą pomocą, antycypują potrzeby, zarządzają zadaniami i udzielają rzetelnych porad (zaleceń). Poniżej podajemy przykłady wsparcia AI i ML w całym cyklu życia produktu lub składnika aktywów.
Konserwacja zapobiegawcza i wsparcie techniczne
Najczęściej przywoływanym przemysłowym zastosowaniem AI jest konserwacja zapobiegawcza, zakładająca zdolność przewidywania momentu awarii sprzętu i w ten sposób zapobiegania wysokim kosztom przestoju. Niewielu wie, że AI może być w szerokim zakresie stosowana na różnych etapach procesów. Poza tym modele predyktywne można wykorzystywać do projektowania i skalowania korzyści płynących ze sztucznej inteligencji w ramach wsparcia technicznego.
Oparte na ML rozwiązania wsparcia technicznego mogą być pomocne przy:
→ planowaniu konserwacji, napraw i działań operacyjnych;
→ przygotowaniu zaleceń w zakresie konserwacji zapobiegawczej i prognozowanej;
→ analizie problemów jakościowych;
→ automatyzacji operacji rutynowych i zadań konserwacyjnych z zastosowaniem oprogramowania automatyzującego, robotów, pojazdów autonomicznych i dronów;
→ interpretowaniu i przekazywaniu danych do zespołów projektujących usługi;
→ interpretowaniu i udostępnianiu danych o wydajności wraz z innymi danymi jakościowymi, w tym informacji zwrotnych od klienta i informacji gwarancyjnych trafiających do zespołów produkcyjnych.
Projektowanie
W fazie koncepcyjnej opracowywania produktów uczenie maszynowe stosuje się w połączeniu z wirtualnymi modelami inżynieryjnymi oraz przy symulacjach iteracyjnych.
Dzięki takim technologiom możemy weryfikować wiele wariantów projektowych w krótkim czasie i uzyskać rekomendacje odnośnie rozwiązań optymalnych pod kątem różnorakich kryteriów (koszty, zrównoważony rozwój, czas, wymogi regulacyjne itd.).
AI oraz ML okazują się również bardzo przydatne na wczesnych etapach wypracowania pomysłów. Dzięki ich zastosowaniu w systemach wyszukiwania poznawczego, w oparciu o źródła tekstowe i obrazowe, projektanci mogą poszerzyć wiedzę o istniejących już koncepcjach. Mogą także, analizując takie źródła informacji, jak media społecznościowe czy wewnętrzne systemy informacji zwrotnej od klientów, lepiej zbadać ich potrzeby.
Podsumowanie korzyści z zastosowania uczenia maszynowego w kontekstach przemysłowych
Zastosowanie ML w sektorach przemysłowych przynosi przede wszystkim wyższy poziom innowacyjności, pozwala optymalizować i uprzemysławiać procesy, wprowadzić ich automatyzację i poprawić jakość, która przynosi najszybszy zwrot.
Systemy monitorowania w czasie rzeczywistym do wczesnego wykrywania problemów, zaawansowane systemy poznawcze do weryfikacji problemów, systemy konserwacji prognostycznej oraz informacja zwrotna dla zespołów projektowych wspierają podnoszenie jakości oraz ograniczanie bezpośrednich i pośrednich kosztów powtarzania wykonywania zadań, odpadów, reklamacji i wycofanych z rynku produktów.
Rozwiązania ML opierają się na współdzielonych cyfrowych modelach produktów i są wdrażane za pośrednictwem wspólnej platformy kolaboracji. Potrafią zapewnić spójny cyfrowy wątek (ciągłość cyfrową) niezbędny do utrzymania ciągłości innowacji produktowej i procesowej. Efekty poprawy jakości stają się czynnikiem wykładniczego wzrostu korzyści z przyspieszonej innowacyjności.
Najistotniejsze wyzwania sztucznej inteligencji w sektorach przemysłowych
Zanim będzie można w pełni skorzystać z efektów płynących z poprawy jakości i innych potencjalnych dobrodziejstw AI i ML, należy stawić czoła szeregowi istotnych wyzwań. Skalowanie AI i ML na całą organizację wymaga nie tylko odpowiedniej ilości danych i właściwej infrastruktury. Do skalowania ML niezbędna jest współpraca.
Współpraca a silosy danych – informacje ukontekstowione nadal tkwią w silosach
Jednym z głównych wyzwań przy stosowaniu ML pozostaje dostarczenie procesowi odpowiedniego paliwa w postaci odpowiednich danych. Zazwyczaj wymaga to likwidacji funkcjonujących w przedsiębiorstwie silosów, w tym silosów danych, analityków i narzędzi analitycznych.
Niezbędne jest łączenie różnych typów informacji wewnętrznych i zewnętrznych (dźwięk, obraz, tekst, pliki 3D, dane ustrukturyzowane itd.), w oparciu o które można zbudować pełen kontekst dla działań koncepcyjnych i produkcyjnych oraz wsparcia technicznego. Kontekst jest użyteczny nie tylko dlatego, że pozwala na wypracowanie inteligentniejszych i bardziej ugruntowanych analiz i zaleceń, ale również dlatego, że ludzie pokładają większe zaufanie w wygenerowanych przez maszyny odpowiedziach.
Współpraca na rzecz zaufania do danych – równowaga w stosowaniu metod białej i czarnej skrzynki
Zaufanie do metod ML ma w biznesie istotne znaczenie. Kadry zarządzające i zespoły operacyjne często domagają się, by wyjaśnić im przyjęte zalecenia oraz algorytmy, które posłużyły do wygenerowania analitycznych wyników. W związku z tym pracujący na danych naukowcy zmuszani są do budowania modeli bardziej czytelnych, a przez to mniej efektywnych. Lepiej więc, by specjaliści mieli możliwość ułożenia optymalnych algorytmów, które wraz z danymi będą udostępniali innym ekspertom, a metodę „białej skrzynki” stosowali wyłącznie w kontakcie z osobami, które nie są specjalistami. Pozwoli to pokazać ścieżkę dotarcia do wyników i dokładnie przeanalizować zastosowane parametry oraz użyte dane, bez „wnikania” w algorytmy.
Współpraca przy skalowaniu korzyści na całą organizację
Podobnie ważne jest wdrażanie wartościowych rezultatów działania ML. Oznacza to integrację na platformie, gdzie możliwe będzie ich udostępnienie do wielu zastosowań, w całym przedsiębiorstwie, we wszystkich zespołach i etapach procesów. Strategia platformowa pozwala na wyjście poza logikę analizy silosowej oraz zapewnia zarządzanie produktami ML poprzez standaryzację, certyfikację, ochronę własności intelektualnej, szkolenia personelu oraz możliwość śledzenia.
Dzięki odpowiedniemu systemowi zarządzania oraz wdrożeniu technologie ML będą realnym wsparciem ciągłości procesów, innowacyjności oraz rozwoju produktów.
Przy odpowiednim zdyscyplinowaniu i technologii te wyzwania są do przezwyciężenia. Kluczowy jest wybór odpowiedniej cyfrowej platformy biznesowej, która będzie otwierała możliwości współpracy w całej organizacji i wprowadzi firmę na ścieżkę maksymalizacji korzyści AI i ML w drodze ku cyfrowej transformacji. Istotna jest ocena wewnętrznych kompetencji oraz potrzeb zewnętrznych w każdym z obszarów współpracy oraz plan wykorzystania tych wewnętrznych i zewnętrznych zasobów. Efektywna współpraca to konieczność w obliczu wysokiego popytu na inżynierów danych.
Wartość sztucznej inteligencji w sektorach przemysłowych
Ciągłość cyfrowa i cyfrowe kopie bliźniacze
Ciągłość cyfrowa zakłada tworzenie środowiska, w którym wszystkie informacje, z każdego etapu cyklu życia produktu lub składnika aktywu, od fazy koncepcyjnej po utylizację lub ponowne wykorzystanie, są rejestrowane i przekształcane na generujące działania wnioski.
Producenci od dawna potrzebują wglądu w pełen cykl życia, ale realizacja tego celu jest utrudniana przez utrzymywanie danych w silosach lub pustynie danych (tj. brak danych dla niektórych obiektów i zdarzeń). Obecne rozwiązania dostępu do danych i technologie sensorowe IoT pozwalają zbierać informacje w sposób kompleksowy.
Dodatkowo cyfrowa kopia bliźniacza fizycznego procesu, produktu, składnika aktywów lub środowiska może dostarczyć unikalny, wiarygodny i spójny punkt odniesienia w cyklu życia. Na przykład trójwymiarowy model CAD produktu może służyć jako schemat referencyjny, do którego będą następnie przypisywane dane z fazy koncepcyjnej, z etapów projektowania, prac inżynieryjnych, wytwarzania, aż po obsługę posprzedażową.
Symulacyjny cyfrowy bliźniak idzie o krok dalej. Zapewnia nie tylko spójną „jedną wersję prawdy”. To także niezwykle skuteczne narzędzie do iterowania po scenariuszach i opcjach, począwszy od projektowania przez wytwarzanie po konserwacje i naprawy, służące ciągłemu doskonaleniu i innowacyjności. Im więcej danych rzeczywistych zasila model cyfrowy, tym dokładniejsze i cenniejsze będą uzyskiwane w oparciu o niego symulacje.
Właściwa infrastruktura do współpracy cyfrowej
Transformacja cyfrowa wymaga bazy opartej na technologiach sieci społecznościowych, mobilnych, chmurowych i internetowych. Łączenie ze sobą ludzi, miejsc i obiektów oraz tworzenie możliwości współpracy, z każdego miejsca i w każdym czasie, jest znakiem szczególnym ery cyfrowej.
Do ciągłości cyfrowej i prawidłowego funkcjonowania cyfrowych kopii bliźniaczych niezbędna jest platforma biznesowa ze zintegrowanymi funkcjami wyszukiwania. Tego rodzaju platforma może ze sobą łączyć lub stopniowo integrować wszelkie zasoby wewnętrzne i zewnętrzne, a także służyć unifikacji informacji ustrukturyzowanych i nieustrukturyzowanych z silosów danych. Dobrze dobrana platforma pozwala na generowanie dashboardów oraz opartych na zaawansowanej analityce rekomendacji.
Zaawansowana analityka do podejmowania kontekstowych decyzji
Tradycyjne analizy biznesowe są z natury opisowe. Zawierają skrótowy przegląd lub szczegółowe oceny bieżącego stanu faktycznego (np. sprawozdania o postępach projektu czy zestawienia wydatków) bądź też analizę zdarzeń historycznych (np. kosztów lub przychodów w cyklu życia linii produktowej). To analizy typu „jak jest” i „jak było”.
Zaawansowana analityka idzie o krok dalej, wzbogacając opisy o krytyczny kontekst. W ten sposób decydenci nie tylko lepiej wiedzą, „jak jest”, ale mogą również dokładniej prognozować, „jak będzie” i mądrzej określać, „jak powinno być”.
Zaawansowaną analitykę można przygotowywać zarówno z zastosowaniem tradycyjnych technik matematycznych lub statystycznych, jak i nowszych, opartych na danych, rozwiązaniach ML. Właśnie te nowe rozwiązania ML mają kluczowe znaczenie w procesie transformacji cyfrowej w branżach przemysłowych.
Przedsiębiorstwa przemysłowe już dziś mają ogromne ilości słabo wykorzystywanych danych ustrukturyzowanych i nieustrukturyzowanych, rozrzuconych po używanych i zastanych systemach, a dzięki przemysłowemu Internetowi Rzeczy (IIoT) do organizacji wpływają potężne nowe strumienie cennych, pozyskiwanych w czasie rzeczywistym informacji.
Aby przedrzeć się przez tę masę danych i nadać im sens, transformując na wnioski biznesowe, nowe produkty czy usługi, niezbędna jest dyscyplina. Organizacje muszą przede wszystkim wzbogacić dane o kontekst i stworzyć warunki sprzyjające ciągłości cyfrowej. Takie rozwiązania poprawią efektywność współpracy, dzięki czemu opracowanie metod AI, a w szczególności technik ML, będzie łatwiejsze.
Ireneusz Borowski – Country Manager Poland w firmie Dassault Systèmes; odpowiada za wzmocnienie lokalnej obecności i rozszerzenie pozycji rynkowej firmy w Polsce. Zajmuje się także wspieraniem klientów Dassault Systèmes w transformacji cyfrowej oraz rozwojem biznesu w Czechach, Słowacji i na Węgrzech.
