В продължение на десетилетия автоматизираната инспекция от висок клас беше лукс, запазен за компаниите от Fortune 500. Ако искахте машина, която да забележи микропукнатина в компонент или липсващ шев в облекло, трябваше да наемете специализиран интегратор, да инсталирате камери на Cognex на стойност £50,000 и да се молите вашият ИТ отдел да може да поддържа собствения сървър, на който работи всичко това.
Тази ера приключи. Днес най-мощният инструмент за качествен контрол във вашата работилница не е специализиран индустриален сензор – това е смартфонът в джоба ви.
Научаването на това как да използвате ИИ в производството се измести от предизвикателство, свързано с капиталовите разходи (CAPEX), към предизвикателство на внедряването. Бариерата не е цената на хардуера; това е яснотата на процеса. Наблюдавал съм как малки предприятия за прецизно инженерство и бутикови производители заменят ръчния надзор с модели за компютърно зрение, които са 10 пъти по-бързи и значително по-последователни, използвайки стандартни устройства.
Лъжата за хардуера
💡 Искате Пени да анализира вашия бизнес? Тя картографира кои роли може да замени AI и изгражда поетапен план. Започнете своя безплатен пробен период →
На производствената индустрия от години се внушава една лъжа: че индустриалният ИИ изисква хардуер от „индустриален клас“. Докато специализираните сензори са необходими за екстремни среди – помислете за стоманодобивни заводи с висока температура или подводни кабели – по-голямата част от качествения контрол се случва при стандартни условия на околната среда.
Съвременните камери на смартфоните надминаха разделителната способност и светлочувствителността на индустриалните камери, използвани само преди пет години. Когато комбинирате това със способността на облака да обработва изображения чрез невронни мрежи, цената за навлизане се срива. Вместо да купувате поръчково оборудване, вие на практика пренасочвате потребителска електроника да извършва работа от професионален клас. Тази промяна е основна част от оптимизирането на спестявания от производствено оборудване, тъй като премества интелекта от физическия сензор към софтуерния слой.
Представяне на рамката „Гражданин инспектор“
Когато работя със собственици на бизнес за внедряване на ИИ в цеха, използваме модел, който наричам Рамка „Гражданин инспектор“ (Citizen Inspector Framework). Тук не става въпрос за замяна на вашия най-опитен майстор; става въпрос за дигитализиране на неговата „интуиция“.
Във всяка работилница има човек – да го наречем Дейв – който може да погледне една част и просто да знае, че не е наред. Проблемът е, че Дейв не може да преглежда 10,000 части на ден. Той се уморява. Разсейва се. Пенсионира се.
Рамката „Гражданин инспектор“ следва три отделни фази:
1. Фаза на стандартизация
ИИ е толкова добър, колкото са данните, които вижда. Ако камерата на вашия смартфон се тресе или осветлението се променя всеки път, когато облак премине пред прозореца, ИИ ще се затрудни. Не се нуждаете от стерилна стая, но се нуждаете от Шаблон за контролирана среда.
Това е проста, 3D-принтирана или дървена рамка, която държи смартфона на фиксирано разстояние и ъгъл спрямо проверяваната част. Добавете LED ринг лампа за £20, за да осигурите постоянно осветление. Чрез стандартизиране на входящите данни сте решили 80% от техническите трудности на компютърното зрение.
2. Улавяне на специфичното знание
Тук дигитализираме „Дейв“. Правите 100 снимки на перфектни части и 100 снимки на дефектни части. След това използвате инструмент за „етикетиране“, за да оградите дефектите – драскотини, неравности, обезцветявания.
Това е жизненоважна част от модерното обучение в производството. Вместо да обучавате нови служители да забелязват дефекти (което може да отнеме месеци чиракуване), вие ги обучавате да обучават модела. Това запазва интелектуалната собственост на компанията в дигитален формат, който никога не забравя и никога не напуска в полза на конкурент.
3. Внедряване 90/10
Често говоря за Правилото 90/10 в бизнес автоматизацията. В производството ИИ може да се справи с 90% от триажа. Той идентифицира очевидно доброто и очевидно лошото. Останалите 10% – „граничните случаи“, в които ИИ не е сигурен – се маркират за преглед от човек. Това не само спестява време; то издига ролята на човека от повтарящо се сканиране до вземане на решения на високо ниво.
Икономика от реалния свят: ИИ срещу статуквото
Нека поговорим за цифри. Традиционната ръчна инспекция в малък цех може да изисква служител да прекарва 20 часа седмично в проверка на допуските. При £25/час (включително режийните разходи), това са £26,000 годишно за процес, който е в най-добрия случай 85% точен поради човешката умора.
Базирана на смартфон ИИ система, използваща платформа като Roboflow или Landing AI, може да струва £100/месец за абонаменти и £0 за нов хардуер. Точността често скача до 99%, защото ИИ няма „лоши понеделници“.
Освен това, чрез преместване на вашия качествен контрол към модел, базиран първо на ИИ, вие драстично намалявате вашите текущи разходи за ИТ поддръжка. Традиционните индустриални системи изискват специализирани техници за ремонт. Модерните приложения за смартфони се поддържат от доставчиците на софтуер, оставяйки ви със система, която „просто работи“ на устройства, които вашият екип вече знае как да използва.
Преодоляване на индустриалната пропаст
Защо това работи толкова добре сега? Това се дължи на концепция, наречена Трансферно обучение (Transfer Learning).
В миналото ИИ трябваше да бъде обучен от нулата как да вижда. Сега използваме модели, които вече са обучени върху милиони генерични изображения. Те вече „разбират“ как изглеждат ръбовете, сенките и текстурите. Когато му покажете вашата специфична машинно обработена част, той не се учи да вижда; той просто се учи как изглежда вашата версия на „счупено“.
Виждаме същия успех при разпознаването на образи и в други индустрии. В дерматологията приложенията за смартфони, задвижвани от ИИ, сега откриват рак на кожата с по-висока точност от общопрактикуващите лекари. Ако един телефон може да идентифицира микроскопична нередност в човешка тъкан, той със сигурност може да идентифицира отклонение от 1 мм в CNC фрезована скоба.
Как да започнете (Планът за понеделник сутрин)
Ако искате да знаете как да използвате ИИ в производството, без да надвишавате бюджета си, започнете с малко. Не се опитвайте да автоматизирате цялата линия наведнъж.
- Идентифицирайте „виновника за големия брак“: Коя част от вашия процес води до най-много похабен материал поради късно откриване на дефекти?
- Създайте шаблон (Jig): Монтирайте стар iPhone или Android телефон на фиксирана стойка.
- Събирайте данни: Прекарайте един ден в правене на снимки на всеки дефект, който откриете.
- Прототипирайте: Използвайте платформа за визуално разпознаване без програмиране (no-code), за да видите дали ИИ може да забележи разликата.
Трансформацията е културна, а не техническа
Най-голямото препятствие не е софтуерът – това е убеждението, че ИИ е „твърде голям“ за вашата работилница. Работил съм с десетки собственици, които мислеха, че не са достатъчно „технологично ориентирани“, само за да осъзнаят, че всъщност са експерти по данните – те просто нямаха начин да обработят тези данни.
Вашият цех вече генерира хиляди точки от данни на всеки час. Всяка част, която минава през ръцете на работника, е част от информацията. Използвайки смартфона като сензор от индустриален клас, вие най-накрая улавяте тази информация и я превръщате в конкурентно предимство.
Тук не става въпрос само за спестяване на пари. Става въпрос за превръщане в бизнес, който може да гарантира 100% качество на пазар, където вашите конкуренти все още присвиват очи пред детайлите под настолна лампа. Кой от двамата искате да бъдете?
Ако сте готови да разгледате специфичните спестявания, налични за вашата конфигурация, потопете се в нашето ръководство за производствено оборудване и нека започваме работа.