Olen viimase kümnendi jooksul vaadanud lugematul hulgal tabelarvutusi ettevõtete puhul, mis toodavad füüsilisi asju. Olgu tegemist erikohvi röstimise, täppislihvimise või mahepõllumajanduslike suupistete tootmisega, üks rida tabelis püsib seal alati nagu kangekaelne verevalum: saagise vahe (The Yield Gap).
Toiduainetööstuses on see vahe tavaliselt „aktsepteeritava kao” tulemus – need 5% kuni 12% toodangust, mis rändavad prügikasti, sest need on liiga kaua küpsenud, muljutud või valesti märgistatud. Väikeettevõtte jaoks ei ole see lihtsalt raiskamine; see on teie kogu netomarginaal, mis kaob otseses mõttes prügimäele.
Enamik omanikke eeldab, et selle parandamine nõuab kuuekohalist investeeringut „nutikatesse” konveierlintidesse ja Siemens sensoritesse. Kuid ma töötasin hiljuti ühe väikese köögiviljakrõpsude tootjaga, kes tõestas, et see arusaam on vale. Nad saavutasid väikeettevõtte AI rakendamise eduloo, mis kõlab nagu ulme: nad viisid oma defektimäära 10%-lt peaaegu nullini, kasutades £400 maksvat nutitelefoni ja spetsiaalset visioonimudelit.
Siin on täpne ülevaade, kuidas nad seda tegid ja miks „riistvara defitsiidi eksiarvamus” on tõenäoliselt ainus asi, mis seisab teie ja suurettevõtte tasemel kvaliteedikontrolli vahel.
Probleem: visuaalse kontrolli haprus
💡 Kas soovite, et Penny teie ettevõtet analüüsiks? Ta kaardistab, millised rollid AI võib asendada, ja koostab etapiviisilise plaani. Alustage tasuta prooviperioodi →
Ettevõte – nimetagem neid Root & Crispiks – toodab kvaliteetseid pastinaagi- ja peedikrõpse. Nende suurim peavalu oli „kõrbemine”. Kui fritüüri temperatuur tõusis kas või kahe kraadi võrra, karamelliseerus osa partiist üleliia.
Inimesed on üllatavalt halvad selliste defektide märkamises kiires töökeskkonnas. Pärast neljatunnist vahetust nihkub töötaja „visuaalne lähtepunkt”. Nad hakkavad aktsepteerima veidi tumedamat krõpsu kui „sobivat”, sest nad on näinud neid juba kümme tuhat tükki. Seda nimetan ma väsimusgradiendiks (The Fatigue Gradient). Selleks ajaks, kui kott supermarketisse jõudis, oli kvaliteet ebaühtlane.
Kui vaatasime nende toidu- ja joogitootmise säästuvõimalusi, mõistsime, et nad kaotasid tooraine ja raisatud tööjõu tõttu £4,200 kuus.
Lahendus: tavatarbevara hüpe
Traditsioonilised tööstuslikud visioonisüsteemid (Cognex või Keyence) on suurepärased, kuid nende hind on mõeldud Coca-Cola, mitte ümberehitatud küünis tegutseva väikeettevõtte jaoks. Need nõuavad patenteeritud kaameraid, spetsiaalset valgustust ja PLC (programmeeritav loogikakontroller) integraatorit, kes küsib £1,500 päeva eest.
Me jätsime selle kõik vahele, kasutades põhimõtet nimega tavatarbevara hüpe (The Commodity Hardware Leap).
See on põhimõte, millest ma räägin sageli: kaasaegse nutitelefoni sensorid on nüüd võimekamad kui viie aasta tagused tööstuslikud sensorid.
Seadistus
- Riistvara: Kasutatud iPhone 13 (valitud selle NPU – Neural Processing Unit – tõttu), mis on paigaldatud veekindlasse ja vibratsioonikindlasse korpusesse 40 cm kõrgusele jahutuslindi kohale.
- Tarkvara: Kohandatud YOLO (You Only Look Once) visioonimudel. Me ei palkanud arendajat seda nullist kirjutama. Kasutasime madala koodivajadusega arvutinägemise platvormi, kuhu omanik laadis lihtsalt üles 200 fotot „headest krõpsudest” ja 200 fotot „kõrbenud krõpsudest”.
- Tegevus: Telefon oli ühendatud kohaliku Wi-Fi-ga. Kui AI tuvastas „kõrbenud” krõpsu, saatis see millisekundi jooksul signaali £20 maksvale Raspberry Pi-le, mis käivitas väikese pneumaatilise „õhupahvaku”, et defektne toode lindilt maha lükata.
Kogu seadistuse maksumus? Alla £800.
Miks enamik AI rakendamisi ebaõnnestub (ja miks see õnnestus)
Enamik inimesi laseb end eksitada terminist „AI” ja unustab „rakendamise”. Root & Crisp õnnestus, sest nad ei püüdnud lahendada üldist „kvaliteeti” – nad püüdsid lahendada „kõrbemist”.
See on eduka väikeettevõtte AI rakendamise strateegia nurgakivi: 90/10 reegel. Kui AI tegeleb 90% korduva visuaalse ülesandega, ei asendata inimesi, vaid nad vabastatakse. Selle asemel, et vahtida lintiseni, kuni silmad vett jooksevad, suunas meeskond oma fookuse 10%-le ülesannetest, mis nõuavad süvenemist – näiteks maitseainesegu kohandamine või tootmise tarneahela kulude haldamine.
Riistvara defitsiidi eksiarvamus
Ma näen seda igas sektoris. Advokaadibüroo arvab, et neil on vaja kohandatud LLM-i; jaemüüja arvab, et neil on vaja eritellimusel valmistatud laorobotit. Nad usuvad, et neil on „riistvara” või „tarkvara” puudujääk.
Tegelikkuses on neil protsessi tõlgendamise puudujääk (Process Translation Deficit).
Nad ei ole tõlkinud oma inimlikke teadmisi vormingusse, mida AI suudaks mõista. Root & Crispi omanik kulutas kolm tundi, et „õpetada” AI-le, milline halb krõps välja näeb. See oli kõige väärtuslikum töö, mida ta kogu aasta jooksul tegi. Ta ei parandanud lihtsalt konveierlinti; ta digitaliseeris oma teadmised.
Kui need teadmised on pilves, ei väsi need kunagi, need ei pea lõunapausi ega oma „väsimusgradieti”.
Teisene mõju: kaugemale kui ainult raiskamine
Vahetu võit oli raiskamise vähenemine 10% võrra. Kuid teisesed mõjud olid ettevõtte kasumi seisukohalt veelgi sügavamad:
- Suurem liini kiirus: Kuna „visuaalne valvur” tabas defekte koheselt, said nad tõsta liini kiirust 15%. Inimesed ei suutnud kiirema tempona sammu pidada, kuid AI-d see ei häirinud.
- Kindlustus ja vastavus: Neil on nüüd digitaalne logi iga partii kohta. Kui klient esitab kaebuse, saavad nad vaadata selle tunni „visioonilogi”. See vähendas drastiliselt nende IT-toe ja vastavuse kulusid.
- Brändi lisaväärtus: Nad hakkasid turundama oma „null-defekti garantiid”. See võimaldas neil tõsta hulgimüügihinda 4% võrra, sest jaemüüjad teadsid, et iga kott on täiuslik.
Kuidas alustada oma visiooni-AI teekonda
Te ei pea olema tehnoloogiaettevõte, et seda teha. Kui teie ettevõte hõlmab füüsiliste objektide liigutamist – olgu see siis kastide pakkimine, pesu sordiimine või komponentide kokkupanek –, olete visiooni-AI kandidaat.
Samm 1: Tuvastage „visuaalne maks”
Kus kulutavad teie inimesed aega lihtsalt asjade vaatamisele, et veenduda, et need pole katki? See on teie lähtepunkt.
Samm 2: Lõpetage „tööstuslike” lahenduste otsimine
Alustage mobiiltelefoni ja statiiviga. Olemas on kümneid madala koodivajadusega (No-Code) visiooniplatvorme (nagu Roboflow, Lobe või isegi Google Vertex AI), mis võimaldavad teil treenida mudelit oma fotodega. Kui see statiivil töötab, siis võite muretseda selle püsiva paigaldamise pärast.
Samm 3: Lahendage tegevus, mitte ainult ülevaade
Teadmine, et krõps on kõrbenud, on kasutu, kui te seda ei eemalda. See on koht, kus enamik väikeettevõtteid takerdub. Otsige „lihtsa loogikaga” päästikuid. Kas AI saab saata Slacki sõnumi? Kas see saab lülitada releed? Kas see saab lindi peatada?
Penny perspektiiv: täpsuse demokratiseerimine
Kümnendeid oli „täpsus” luksus, mis oli reserveeritud vaid Fortune 500 ettevõtetele. Väikeettevõtted jäid ellu „piisavalt hea” tasemega, sest „täiuslikkuse” hind oli liiga kõrge.
See ajastu on läbi.
Oleme nüüd demokratiseeritud valvuri (Democratized Sentinel) ajastul. Võimsa mobiilse riistvara ja kättesaadavate AI-mudelite kombinatsioon tähendab, et kolme töötajaga suupistefirmal võib nüüd olla parem kvaliteedikontroll kui rahvusvahelisel konglomeraadil viis aastat tagasi.
See ei ole ainult raha säästmine krõpsude pealt. See on põhimõtteline muutus väikeettevõtluse majanduses. Kui eemaldate „raiskamismaksu”, muudate mängureegleid. Te liigute ellujäämiselt õhukeste marginaalidega täpsusel põhineva eduni.
Kui te ootate ikka veel „inimest”, kes tuleks ja paigaldaks „korraliku” süsteemi, siis te magate maha oma elu suurima konkurentsieelise. Tööriistad on juba teie taskus.
Mida te ootate?