Aastakümneid oli tipptasemel automatiseeritud inspekteerimine luksus, mis oli reserveeritud vaid Fortune 500 ettevõtetele. Kui soovisite masinat, mis tuvastaks komponendil juuspeene mõra või rõivaesemel puuduva õmbluse, pidi palkama spetsialiseerunud integraatori, paigaldama £50,000 väärtuses Cognex kaameraid ja lootma, et teie IT-osakond suudab hallata kogu seda käitavat suletud serverit.
See ajastu on läbi. Täna ei ole teie töökoja võimsaim kvaliteedikontrolli tööriist mitte spetsiaalne tööstuslik andur, vaid teie taskus olev nutitelefon.
Teadmised sellest, kuidas kasutada tehisintellekti tootmises, on liikunud kapitalikulude (CAPEX) väljakutsest rakendamisväljakutseks. Barjääriks ei ole riistvara maksumus, vaid protsessi selgus. Olen näinud, kuidas väikesemahulised täppisenergeetika ettevõtted ja väiketootjad asendavad manuaalse järelevalve arvutusnägemise mudelitega, mis on 10 korda kiiremad ja oluliselt järjepidevamad, kasutades seejuures vaid tavapäraseid seadmeid.
Riistvaravale
💡 Kas soovite, et Penny teie ettevõtet analüüsiks? Ta kaardistab, millised rollid AI võib asendada, ja koostab etapiviisilise plaani. Alustage tasuta prooviperioodi →
Tööstussektorile on aastaid räägitud valet: et tööstuslik AI nõuab "tööstusliku tasemega" riistvara. Kuigi spetsiaalsed andurid on vajalikud äärmuslikes keskkondades – mõelge kuumadele terasetehastele või veealustele kaablitele –, toimub valdav enamus kvaliteedikontrollist tavapärastes tingimustes.
Kaasaegsed nutitelefonide kaamerad on ületanud vaid viis aastat tagasi kasutatud tööstuslike kaamerate eraldusvõime ja valgustundlikkuse. Kui kombineerida see pilvevõimekusega töödelda kujutisi närvivõrkude abil, siis sisenemisbarjäär kaob. Selle asemel, et osta eritellimusel seadmeid, kohandate te sisuliselt tarbeelektroonikat professionaalse tasemega töö tegemiseks. See muutus on keskne osa tootmisseadmete säästuvõimaluste optimeerimisel, kuna see viib intelligentsuse füüsiliselt andurilt tarkvarakihti.
Citizen Inspector raamistiku tutvustus
Kui ma töötan ettevõtete omanikega AI juurutamisel tootmises, kasutame mudelit, mida ma nimetan Citizen Inspector raamistikuks. See ei tähenda teie kõige kogenuma meistri asendamist, vaid tema "sisetunde" digitaliseerimist.
Igas töökojas on keegi – nimetame teda Dave'iks –, kes suudab detailile peale vaadata ja lihtsalt teada, et midagi on valesti. Probleem on selles, et Dave ei suuda vaadata 10,000 detaili päevas. Ta väsib. Tema tähelepanu hajub. Ta jääb pensionile.
Citizen Inspector raamistik koosneb kolmest etapist:
1. Standardiseerimisetapp
AI on täpselt nii hea, kui on andmed, mida ta näeb. Kui teie nutitelefoni kaamera väriseb või valgustus muutub iga kord, kui pilv päikese varjab, jääb AI hätta. Te ei vaja puhast ruumi, kuid vajate kontrollitud keskkonna rakist (Jig).
See on lihtne, 3D-prinditud või puidust raam, mis hoiab nutitelefoni fikseeritud kaugusel ja nurga all kontrollitava detaili suhtes. Lisage £20 maksev LED-rõngasvalgusti, et tagada ühtlane valgustus. Sisendi standardiseerimisega olete lahendanud 80% arvutusnägemise tehnilistest keerukustest.
2. Kollektiivsete teadmiste talletamine
Siinkohal digitaliseerime me "Dave'i". Teete 100 fotot ideaalsetest detailidest ja 100 fotot defektsetest detailidest. Seejärel kasutate märgistamistööriista, et piirata defektid – kriimustused, kidad, värvimuutused.
See on kaasaegse tootmiskoolituse oluline osa. Selle asemel, et õpetada uusi töötajaid defekte märkama (mis võib võtta kuid õpipoisiõpet), õpetate te neid mudelit treenima. See säilitab ettevõtte intellektuaalomandi digitaalsel kujul, mis ei unusta kunagi ega lahku konkurendi juurde.
3. 90/10 rakendamine
Ma räägin äri automatiseerimises sageli 90/10 reeglist. Tootmises suudab AI hallata 90% sorteerimisest. See tuvastab ilmselgelt korras ja ilmselgelt defektsed tooted. Ülejäänud 10% – piirpealsed juhtumid, kus AI on ebakindel – suunatakse inimesele ülevaatamiseks. See ei säästa ainult aega, vaid tõstab inimese rolli korduvast skaneerimisest kõrgetasemelise otsustamiseni.
Reaalne majanduslik külg: AI vs. status quo
Räägime numbritest. Traditsiooniline manuaalne kontroll väikeses tsehhis võib tähendada, et töötaja kulutab 20 tundi nädalas tolerantside kontrollimisele. Arvestades kuluks £25 tunnis (koos üldkuludega), on see £26,000 aastas protsessi eest, mis on inimliku väsimuse tõttu parimal juhul 85% täpne.
Nutitelefonil põhinev AI-süsteem, kasutades platvorme nagu Roboflow või Landing AI, võib maksta tellimustasudena £100 kuus ja £0 uue riistvara eest. Täpsus tõuseb sageli 99%-ni, sest tehisintellektil ei ole "halbu esmaspäevi".
Lisaks vähendate te oma kvaliteedikontrolli AI-põhiseks muutes drastiliselt pidevaid IT-toe kulusid. Traditsioonilised tööstussüsteemid nõuavad parandamiseks spetsialiseerunud tehnikuid. Kaasaegseid nutitelefoniäppe hooldavad tarkvarapakujad, jättes teile süsteemi, mis "lihtsalt töötab" seadmetel, mida teie meeskond juba kasutada oskab.
Tööstusliku lõhe ületamine
Miks see praegu nii hästi toimib? Põhjuseks on kontseptsioon nimega Transfer Learning (siirdeõpe).
Möödanikus pidi AI-le nullist õpetama, kuidas näha. Nüüd kasutame mudeleid, mida on juba treenitud miljonite üldiste kujutistega. Nad "mõistavad" juba, millised näevad välja servad, varjud ja tekstuurid. Kui näitate talle oma konkreetset masintöödeldud detaili, ei õpi ta nägema, vaid ta õpib tundma, milline on teie versioon "katkisest" asjast.
Me näeme seda sama mustrituvastuse edukust teistes valdkondades. Dermatoloogias tuvastavad AI-toega nutitelefoniäpid nahavähki suurema täpsusega kui üldarstid. Kui telefon suudab tuvastada mikroskoopilise ebakorrapärasuse inimkoes, suudab see kindlasti tuvastada 1 mm hälbe CNC-freesitud klambril.
Kuidas alustada (esmaspäevahommikune plaan)
Kui soovite teada, kuidas kasutada tehisintellekti tootmises ilma eelarvet lõhki ajamata, alustage väikselt. Ärge püüdke automatiseerida kogu liini korraga.
- Tuvastage suurima praagiga etapp: Milline osa teie protsessist tekitab kõige rohkem materjalikadu hilises etapis avastatud defektide tõttu?
- Ehitage rakis: Kinnitage vana iPhone või Android telefon fikseeritud alusele.
- Koguge andmeid: Kulutage üks päev iga leitud defekti pildistamisele.
- Prototüüpige: Kasutage koodivaba (no-code) nägemisplatvormi, et näha, kas AI suudab erinevust märgat.
Muutus on kultuuriline, mitte tehniline
Suurim takistus ei ole tarkvara – see on uskumus, et AI on teie töökoja jaoks "liiga suur". Olen töötanud kümnete omanikega, kes arvasid, et nad pole piisavalt tehnoloogiataibukad, et siis mõista, et nad on tegelikult andmeeksperdid – neil lihtsalt puudus viis nende andmete töötlemiseks.
Teie tootmises tekib juba praegu igas tunnis tuhandeid andmepunkte. Iga detail, mis läbib töötaja käsi, on informatsioon. Kasutades nutitelefoni tööstusliku tasemega andurina, jäädvustate te lõpuks selle info ja muudate selle konkurentsieeliseks.
See ei ole ainult raha säästmine. See on muutumine ettevõtteks, mis suudab garanteerida 100% kvaliteedi turul, kus teie konkurendid vaatavad detaile ikka veel laualambi all kissitades. Kumb neist soovite olla teie?
Kui olete valmis tutvuma konkreetsete säästuvõimalustega oma seadistuse jaoks, süvenege meie tootmisseadmete juhendisse ja asume tööle.