Enamik inimesi arvab, et „AI tootmises“ tähendab miljon naela maksvat robotkätt või täielikult automatiseeritud tehast. Kuid väikeste, 10 inimesega masinatöökodade jaoks, kellega ma igapäevaselt vestlen, tundub selline visioon kui ulmekirjandus. Nad ei muretse humanoidrobotite pärast; nad muretsevad kasvavate materjalikulude ja suure varieeruvusega ning väikese mahuga tootmise (high-mix, low-volume) ülinappide marginaalide pärast. Töötasin hiljuti ühe väikese täppisajastatud inseneribürooga, mis tõestas, et oma tootmisprotsessi muutmiseks ei ole vaja massiivset teadus- ja arendustegevuse eelarvet. Tuvastades parimad AI-tööriistad tootmiseks, mis tegelikult sobituvad väikesemahulise eelarvega, õnnestus neil vähendada materjalikulu 30% võrra vaid kuue kuuga.
See ei seisnenud nende kogenud masinistide asendamises. Küsimus oli selles, mida ma nimetan täpsuslüngaks (The Precision Gap) – vahemaa selle vahel, mida manuaalne tabelarvutus prognoosib, ja selle vahel, mis tegelikult töökojas toimub. Väikeses töökojas on see lünk koht, kuhu kasum kaob.
Probleem: „väikepartii maks“
💡 Kas soovite, et Penny teie ettevõtet analüüsiks? Ta kaardistab, millised rollid AI võib asendada, ja koostab etapiviisilise plaani. Alustage tasuta prooviperioodi →
Enne kui vaatasime ChatGPT või muude lahenduste poole, kannatas see töökoda nähtuse all, mille olen ristinud väikepartii maksuks (The Small-Batch Tax). Suuremahulises tootmises saate 10 000-ühikulise partii alguses lubada mõnda praaktoodet kalibreerimise käigus. Aga kui toodate vaid 15 ühikut ülikvaliteetset lennunduskomponenti, ei ole üks viga lihtsalt ümardamisviga – see on 7% selle töö kogutulust.
Nende jäätmed ei tulnud ebakompetentsusest. See tuli kolmest konkreetsest valdkonnast, kus inimlik intuititsioon lihtsalt ei suuda andmemustritega võistelda:
- Materjalide ületellimine „igaks juhuks“, sest tarneajad olid ettearvamatud.
- Kalibreerimise triiv, mis jäi märkamata seni, kuni partii oli valmis ja kukkus kvaliteedikontrollis läbi.
- „Pärastlõunane madalseis“ – vead, mis hiilisid sisse vahetuse viimase kahe tunni jooksul, kui silmad olid väsinud.
Nad kulutasid peaaegu £4,000 kuus praagiks läinud alumiiniumile ja ümbertegemisele. Vaadake meie tootmissäästude juhendit, et näha, kuidas need numbrid tööstusharu lõikes jagunevad. Kui vaatasime nende kasumiaruannet, oli selge: nad ei kaotanud raha sellepärast, et nad oleksid halvad osade valmistamises; nad kaotasid raha, sest nad tegelesid muutujate ennustamisega.
1. etapp: ennustav MRP (materjalivajaduse planeerimine)
Alustasime nende materjalivajaduse planeerimisest (MRP). Traditsioonilised MRP-süsteemid on staatilised. Te ütlete süsteemile, et tarneaeg on 5 päeva, ja süsteem usub teid igavesti. Kuid AI-põhised MRP-tööriistad on dünaamilised – need õpivad igast tehingust.
Integreerisime tööriista, mis võrdleb tarnijate tulemuslikkust, saadetiste viivitusi ja ajaloolist tootmismahtu. Selle asemel, et tellida „sisetunde“ põhjal, et tarnija võib hilineda, märkis AI, et konkreetse sulami tarnija tarneajad pikenesid tegelikult 22% võrra iga kord, kui nende piirkonnas oli riigipüha.
Tulemus: Nad lõpetasid ülevirutamise. Viies oma laoseisu vastavusse tegeliku maailma saabumismustritega, vabastasid nad esimese 90 päeva jooksul £12,000 rahavoogu. See on tootmisjääkide vähendamise põhiosa – küsimus pole ainult prügikastis, vaid ka riiulil seisvas raisatud kapitalis.
2. etapp: arvutinägemine säästueelarvega
Kvaliteedikontroll on tavaliselt koht, kus tekib suurim kulu. Selle töökoja jaoks tähendas üksik mikromõra või 0,01 mm kõrvalekalle osa praagiks tunnistamist. Traditsiooniliselt nõudis see mikromeetriga inimest või tipptasemel CMM-i (koordinaatmõõtemasinat), mis võttis aega 20 minutit detaili kohta.
Me ei ostnud uut CMM-i. Selle asemel kasutasime arvutinägemise AI-d – täpsemalt „servseadet“ (edge device), mis oli ühendatud väljundsalve kohale paigaldatud kõrge eraldusvõimega kaameraga. Treenisime mudelit 200 „täiusliku“ osa ja 50 „defektse“ osa põhjal. Nüüd skaneerib AI iga osa millisekunditega.
Kui see märkab suundumust – näiteks viis osa järjest kalduvad tolerantsi ülempiiri poole –, teavitab see masinisti enne, kui kuues osa muutub praagiks. See on üleminek tuvastavalt kvaliteedikontrollilt (vea leidmine) ennustavale kvaliteedikontrollile (vea ennetamine).
Parimad AI-tööriistad tootmiseks (väiketöökoja väljaanne)
Kui soovite neid võite korrata, ärge vaadake suurettevõtete lahendusi, mis on loodud Fordi või Boeingu jaoks. Teil on vaja tööriistu, mis on modulaarsed, pilvepõhised ja koodivabad (low-code). Siin on tööriistad, mida ma praegu väiksematele ettevõtetele soovitame:
1. Tulip (Frontline Operations)
Tulip võimaldab teil luua oma töökoja jaoks rakendusi ilma koodi kirjutamata. See ühendub teie olemasolevate masinatega ja kasutab AI-d operaatori soorituse ja masina tööaja analüüsimiseks. See on täiuslik tuvastamaks, kus „väikepartii maksu“ tasutakse.
2. Katana (Nutikas laohaldus ja MRP)
10–50 töötajaga töökodade jaoks on Katana sageli parim valik. Nende viimased sammud AI-põhise prognoosimise suunas aitavad teil täpselt mõista, millal materjale osta. See on üks parimaid AI-tööriistu tootmiseks, kui teie eesmärk on rahavoogude optimeerimine.
3. Landing AI (Visuaalne kontroll)
Andrew Ng asutatud platvorm on kõige kättesaadavam arvutinägemise platvorm, mida olen kohanud. Te ei vaja selle treenimiseks andmeteadlast. Peamasinist saab AI-le ühe pärastlõunaga iPhone'i või standardse tööstuskaamera abil „õpetada“, milline näeb välja hea osa.
Strateegia: 90/10 reegel töökojas
Üks minu põhiraamistikke on 90/10 reegel: AI peaks tegelema 90% korduvate ja andmemahukate jälgimistegevustega, et teie eksperdid saaksid keskenduda 10% väärtuslikule probleemilahendusele.
Selles töökojas olid masinistid alguses ebakindlad. Nad arvasid, et see „must kast“ on seal nende tualettpauside mõõtmiseks. Pidin nendega olema aus: AI on seal selleks, et teie raske töö ei lõpetaks prügikastis. Kui nad nägid, kuidas AI märkas tööriista kulumise probleemi, mis oleks rikkunud pühapäevase ületunni-vahetuse, toimus kultuuriline muutus.
Lõplik kokkuvõte: investeeringu tasuvus (ROI)
Vaatame konkreetseid numbreid.
- Tarkvara/riistvara kulu: £450 kuus (tellimused ja mõned kaamerad).
- Rakendamisaeg: 4 nädalat passiivset andmete kogumist, 2 nädalat aktiivset kasutamist.
- Materjalikulu vähenemine: 30% (£1,200 säästu kuus).
- Võimsuse kasv: 15% (tänu väiksemale ümbertegemise ajale).
Selle 10 inimesega töökoja jaoks toob £450 investeering tagasi ligi £2,500 väärtust kuus. See ei ole „tehnoloogiaeksperiment“; see on fundamentaalne muutus nende ettevõtte majanduslikus mudelis.
Kui juhite oma töökoda ikka veel valgete tahvlite ja Exceli tabelitega, ei ole te lihtsalt „vanakooli“ esindaja – te maksate maksu, mille teie AI-võimekusega konkurendid on juba kaotanud. Võimalus neid tööriistu kasutusele võtta ajal, mil need pakuvad veel konkurentsieelist, on kahanemas. Varsti ei ole see enam eelis, vaid ellujäämise baastase.
Kas olete valmis nägema, kus teie töökoda raha kaotab? Kasutage meie säästuanalüüsi tööriista ja leiame teie esimesed 10%.