Aastakümneid oli tehasepõrand manuaalse järelevalve viimane kants. Samal ajal kui kontor kolis pilve, jäi koosteliin sõltuvusse inimese silmast. Kui soovisite automatiseerida kvaliteedikontrolli (QC), vajasite seitsmekohalist investeeringute (CAPEX) eelarvet, spetsialiseerunud andmeteadlaste meeskonda ja kuue kuu pikkust integreerimisaega.
Olen viimase kümnendi jooksul jälginud, kuidas väikesed ja keskmise suurusega tootjad (VKE-d) on jäänud selle reaalsuse surve alla. Nad seisavad silmitsi samade täpsusnõuetega kui globaalsed hiiud, kuid neil on vaid 1/1000 nende eelarvest. Ma nimetan seda täpsuspariteedi lõksuks – ootus täiuslikkusele ilma tööriistadeta, mis seda tagaksid.
Kuid maastik on muutunud. Oleme praegu tunnistajaks no-code operatsioonide tehnoloogiabaasi (No-Code Ops Stack) tõusule. Tänapäeval ei leidu parimaid tehisintellekti tööriistu tootmiseks mitme miljoni dollarilistes ettevõtte tarkvarapakettides; need on kättesaadavad brauseripõhised platvormid, mida tootmisjuht saab välja õpetada ühe pärastlõunaga. Te ei vaja doktorikraadi; teil on vaja vaid nutitelefoni, 50-dollarilist kaamerat ja ühte nädalavahetust.
Selles juhendis näitan teile täpselt, kuidas murda välja manuaalsest kvaliteedikontrolli tsüklist vähem kui 500 dollari eest.
Muutus: "suurtelt andmetelt" "kvaliteetsetele andmetele"
💡 Kas soovite, et Penny teie ettevõtet analüüsiks? Ta kaardistab, millised rollid AI võib asendada, ja koostab etapiviisilise plaani. Alustage tasuta prooviperioodi →
Suurim vale tööstuslikus tehisintellektis on see, et mudeli treenimiseks on vaja miljoneid pilte. See oli tõsi 2018. aastal. Aastal 2026 oleme liikunud andmekeskse tehisintellekti ajastusse.
Selle asemel, et vajada 10 000 fotot defektsest keevisõmblusest, kasutavad kaasaegsed tööriistad vähese näitega õpet (few-shot learning). Te näitate tehisintellektile kümmet näidet heast detailist ja viit näidet halvast ning see hakkab mustrit mõistma. See on murranguline väiketootjale, kes tegeleb suure varieeruvuse ja väikeste partiidega.
Kui te toetute endiselt manuaalsetele pistelistele kontrollidele, ei kaota te raha ainult praagi tõttu; te maksate ka seda, mida ma nimetan vaatlusmaksuks (Observation Tax). See on varjatud kulu, mis tuleneb inimlikust väsimusest, ebakindlast hindamisest ja vananenud süsteemide IT-toe üldkuludest.
Visuaalse kontrolli pakett (Silmad)
Arvutinägemine on iga tehase jaoks kõige kiirem võit. Kui inimene suudab defekti näha, suudab tehisintellekt seda näha kiiremini ja järjepidevamalt.
1. LandingLens (LandingAI poolt)
Asutatud Andrew Ng poolt, kes on üks kaasaegse tehisintellekti pioneere. LandingLens on loodud spetsiaalselt tootmise jaoks. See on no-code platvorm, kuhu laadite üles fotod oma toodetest, märgistate defektid hiirega ja rakendate mudeli oma liinil asuvasse seadmesse.
- Maksumus: Nad pakuvad alustamiseks tasuta paketti, professionaalsed paketid on umbes $100–$300 kuus.
- Riistvara: Töötab tavaliste IP-kaameratega või isegi kinnitatud iPhone'iga.
2. Google Cloud Visual Inspection AI
Kuigi see kõlab suurettevõtte keskselt, on nende "Easy Mode" väiketootjatele üllatavalt kättesaadav. See on suurepärane anomaaliate tuvastamisel – asjad, mis lihtsalt "näevad valed välja" – isegi kui te pole seda konkreetset tüüpi defekti varem näinud.
3. Lobe.ai
Tasuta, ainult kohalikuks kasutamiseks mõeldud Microsofti tööriist. Kui olete mures oma andmete tehasest väljumise pärast, võimaldab Lobe treenida mudeleid lauaarvutis ja eksportida need Raspberry Pi seadmesse. See on ülim sisenemispunkt tootmisseadmete uuendamiseks.
Akustika- ja vibratsioonipakett (Kõrvad)
Mõnikord ei ole defekt nähtav, kuid see on kuuldav. Laager, mis on üles ütlemas, liiga lahja seguga töötav mootor või kavitatsiooniga pump – neil kõigil on eristatavad "helisignatuurid".
Varasemalt oli ennustav hooldus mõeldud naftatöötlemistehastele. Nüüd on see mõeldud kõigile, kellel on 30-dollariline andur.
- Edge Impulse: See on "TinyML-i" kuldstandard. See võimaldab teil võtta andmeid lihtsatest vibratsioonianduritest või mikrofonidest ja muuta need hoiatussüsteemiks.
- Raamistik: 90/10 hoolduse reegel. Kui tehisintellekt suudab ennustada 90% teie masinate riketest, muutub ülejäänud 10% hädaabiremontidest hallatavaks anomaaliaks, mitte äritegevust lõpetavaks kriisiks. Näete, kuidas see mõjutab kasumit meie tootmise säästujuhendis.
$500-dollariline nädalavahetuse pilootprojekt: samm-sammult
Alustamiseks pole vaja strateegiakoosolekut. Teil on vaja pilootprojekti. Siin on juhised, kuidas sel nädalavahetusel üks kvaliteedikontrolli jaam automatiseerida.
Laupäeva hommik: määratlemine ja riistvara (kulu: $150)
Valige jaam, kus on suurim praagimäär või kõige igavam manuaalne ülesanne.
- Ostke: Raspberry Pi 4 ($60) või kasutatud tööstuslik arvuti, kvaliteetne USB-veebikaamera ($70) ja lihtne LED-rõngasvalgusti ($20).
- Seadistamine: Kinnitage kaamera detailist kindlale kaugusele. Valgustuse järjepidevus on 80% arvutinägemise edust.
Laupäeva pärastlõuna: andmete kogumine
Tehke 50 fotot "täiuslikest" detailidest ja 20 fotot "defektsetest" detailidest. Kasutage erinevaid nurki, kuid hoidke valgustus samasugune.
Pühapäeva hommik: treenimine (kulu: $0–$100)
Laadige oma pildid LandingLens keskkonda. Kasutage nende "pintslitööriista" (Brush), et tõsta esile kriimustusi, mõlke või puuduvaid komponente. Vajutage "Train". Enamikul juhtudel on mudel valmis vähem kui 30 minutiga.
Pühapäeva pärastlõuna: proovikäivitus
Käivitage tehisintellekt koos oma inminspektoriga. Ärge teda veel asendage. Laske tehisintellektil lihtsalt märgistada see, mida ta peab defektiks. Kontrollige täpsust. Kui see saavutab esimesel päeval 90% täpsuse, olete võidulainel.
Teisene mõju: operaatorist arhitektiks
Nende tööriistade juurutamisel juhtub teie personaliga midagi huvitavat. Nad lakkavad olemast "filtrid" (püüdes kinni halbu detaile) ja hakkavad olemast "arhitektid" (optimeerides protsessi nii, et halbu detaile üldse ei tekiks).
See on tehisintellekti-keskse äri tuum: tehisintellekt tegeleb korduvusega, inimesed lahenduste leidmisega.
Väiketootjad muretsevad sageli, et tehisintellekt võõrandab nende oskustöölised. Tegelikkuses olen näinud vastupidist. Kui kogenud masinist näeb, et tehisintellekt tuvastab mikroprao, mis tal võis märkamata jääda, ei tunne ta end ohustatuna – ta tunneb, et tal on lõpuks ometi oma teadmistele lisaks võimas mikroskoop.
Kokkuvõte
Parimaid tehisintellekti tööriistu tootmiseks ei defineeri nende keerukus, vaid nende rakendatavus. Kui tööriist vajab selgitamiseks konsultanti, on see VKE jaoks tõenäoliselt vale tööriist.
Oleme sisenemas säästlikuma tehase (Leaner Factory) ajastusse. Delegeerides kvaliteedikontrolli visuaalse ja auditiivse koormuse no-code tehisintellektile, ei säästa te ainult tööjõukulusid; te loote andmetel põhineva kvaliteediajaloo, mis aitab teil võita suuremaid lepinguid.
Lõpetage "ideaalse" aja ootamine moderniseerimiseks. Riistvara on odav, tarkvara on valmis ja nädalavahetus on tulemas.
Mis on see üks jaam teie tehases, kus teine "silmapaar" muudaks teie praagimäära üleöö?