Useimmat ihmiset ajattelevat, että ”tekoäly valmistavassa teollisuudessa” tarkoittaa miljoonan punnan robottikättä tai täysin automatisoitua pimeätehdasta. Mutta niille pienille, 10 hengen konepajoille, joiden kanssa keskustelen viikoittain, tämä visio tuntuu tieteiskirjallisuudelta. He eivät ole huolissaan humanoidiroboteista; he ovat huolissaan nousevista materiaalikustannuksista ja monipuolisen piensarjavalmistuksen ohuista marginaaleista. Työskentelin äskettäin pienen hienomekaniikkayrityksen kanssa, joka osoitti, ettei tuotantotilojen muuttamiseen tarvita valtavaa T&K-budjettia. Tunnistamalla parhaat tekoälytyökalut valmistavaan teollisuuteen, jotka todella sopivat pienen mittakaavan budjettiin, he onnistuivat vähentämään materiaalihukkaa 30 % vain kuudessa kuukaudessa.
Kyse ei ollut heidän ammattitaitoisten koneistajiensa korvaamisesta. Kyse oli siitä, mitä kutsun tarkkuuskuilun (The Precision Gap) kaventamiseksi – eli eron poistamisesta sen väliltä, mitä manuaalinen taulukkolaskenta ennustaa tapahtuvan ja mitä tuotannossa todellisuudessa tapahtuu. Pienessä konepajassa juuri tuo kuilu on paikka, jonne voitot katoavat.
Ongelma: ”Pienten erien vero”
💡 Haluatko Pennyn analysoivan liiketoimintaasi? Hän kartoittaa, mitkä roolit tekoäly voi korvata, ja rakentaa vaiheittaisen suunnitelman. Aloita ilmainen kokeilu →
Ennen kuin tarkastelimme tekoälyä, tämä konepaja kärsi ilmiöstä, jota kutsun nimellä ”Pienten erien vero” (The Small-Batch Tax). Suuren mittakaavan valmistuksessa on varaa muutamaan suteen 10 000 yksikön sarjan alussa kalibroinnin aikana. Mutta kun valmistetaan vain 15 kappaletta vaativia ilmailualan komponentteja, yksi virhe ei ole vain pyöristysvirhe – se on 7 % kyseisen työn kokonaistuloista.
Hukka ei johtunut epäpätevyydestä. Se johtui kolmesta erityisestä alueesta, joilla inhimillinen intuitio ei yksinkertaisesti pysty kilpailemaan tietokuvioiden kanssa:
- Materiaalien ylitilaaminen ”varmuuden vuoksi”, koska toimitusajat olivat ennakoimattomia.
- Kalibroinnin muuttuminen (drift), joka jäi huomaamatta, kunnes erä oli valmis ja hylättiin laadunvalvonnassa.
- ”Iltapäivän väsymys” – virheet, joita alkoi esiintyä työvuoron kahden viimeisen tunnin aikana, kun tarkkaavaisuus herpaantui.
He käyttivät lähes £4,000 kuukaudessa romutettuun alumiiniin ja uudelleentyöstöön. Katso valmistavan teollisuuden säästöoppaastamme, miten nämä luvut vertautuvat koko toimialaan. Kun tarkastelimme heidän tuloslaskelmaansa, asia oli selvä: he eivät menettäneet rahaa siksi, että olisivat olleet huonoja valmistamaan osia; he menettivät rahaa, koska he joutuivat arvailemaan muuttujia.
Vaihe 1: Ennakoiva MRP (materiaalintarpeen suunnittelu)
Aloitimme heidän materiaalintarpeen suunnittelustaan (MRP). Perinteiset MRP-järjestelmät ovat staattisia. Järjestelmälle kerrotaan toimitusajan olevan 5 päivää, ja se uskoo sen ikuisesti. Mutta tekoälypohjaiset MRP-työkalut ovat dynaamisia – ne oppivat jokaisesta tapahtumasta.
Integroimme työkalun, joka vertailee toimittajien suoriutumista, toimitusviivästyksiä ja historiallista läpimenoaikaa. Sen sijaan, että tilaukset olisivat perustuneet ”mututuntumaan” siitä, että toimittaja saattaa olla myöhässä, tekoäly huomautti, että erään tietyn metalliseostoimittajan toimitusajat pitenivät todellisuudessa 22 % aina, kun heidän alueellaan oli arkipyhä.
Tulos: He lopettivat ylivarastoinnin. Supistamalla varaston vastaamaan todellisia saapumismalleja, he vapauttivat £12,000 kassavirtaa ensimmäisen 90 päivän aikana. Tämä on keskeinen osa tuotannon hukan vähentämistä – kyse ei ole vain jäteastiasta, vaan hyllyssä istuvasta hukatusta pääomasta.
Vaihe 2: Konenäkö edullisesti
Laadunvalvonta on yleensä se vaihe, jossa suurin hukka syntyy. Tälle konepajalle yksittäinen hiushalkeama tai 0,01 mm:n poikkeama tarkoitti, että osa oli romua. Perinteisesti tämä vaati henkilön mikrometrin kanssa tai huippuluokan koordinaattimittauskoneen (CMM), mikä vei 20 minuuttia osaa kohden.
Emme ostaneet uutta koordinaattimittauskonetta. Sen sijaan käytimme konenäkötekoälyä – tarkemmin sanottuna ”edge”-laitetta, joka oli yhdistetty korkearesoluutioiseen kameraan ulostuloalustan yläpuolella. Koulutimme mallin 200 ”täydellisellä” osalla ja 50 ”viallisella”. Nyt tekoäly skannaa jokaisen osan millisekunneissa.
Jos se havaitsee trendin – esimerkiksi viisi peräkkäistä osaa, jotka lähestyvät toleranssin ylärajaa – se hälyttää koneistajan ennen kuin kuudes osa päätyy romuksi. Tämä on siirtymä havaitsevasta laadunvalvonnasta (virheen löytäminen) ennakoivaan laadunvalvontaan (virheen estäminen).
Parhaat tekoälytyökalut valmistavaan teollisuuteen (pienen konepajan painos)
Jos haluat toistaa nämä saavutukset, älä katso Fordille tai Boeingille suunniteltuja suuryritysten ratkaisuja. Tarvitset työkaluja, jotka ovat modulaarisia, pilvipohjaisia ja ”low-code”-ratkaisuja. Tässä ovat työkalut, joita suosittelen tällä hetkellä pienemmille toiminnoille:
1. Tulip (etulinjan toiminnot)
Tulip mahdollistaa ”sovellusten” rakentamisen tuotantoon ilman koodaustaitoa. Se yhdistyy olemassa oleviin koneisiin ja käyttää tekoälyä analysoimaan operaattoreiden suoriutumista ja koneiden käyttöaikaa. Se on täydellinen tunnistamaan, missä ”pienten erien veroa” maksetaan.
2. Katana (älykäs varasto ja MRP)
10–50 hengen konepajoille Katana on usein optimaalinen valinta. Heidän tuoreet panostuksensa tekoälypohjaiseen ennustamiseen auttavat ymmärtämään tarkalleen, milloin materiaaleja kannattaa ostaa. Se on yksi parhaista tekoälytyökaluista valmistukseen, kun ensisijainen tavoite on kassavirran optimointi.
3. Landing AI (visuaalinen tarkastus)
Andrew Ng:n perustama alusta on saavutettavin löytämäni konenäköalusta. Sen kouluttamiseen ei tarvita tietotutkijaa. Vastaava koneistaja voi ”opettaa” tekoälylle, miltä hyvä osa näyttää yhden iltapäivän aikana käyttämällä iPhonea tai tavallista teollisuuskameraa.
Strategia: 90/10-sääntö konepajalla
Yksi keskeisistä viitekehyksistäni on 90/10-sääntö: tekoälyn tulisi hoitaa 90 % toistuvasta, dataintensiivisestä valvonnasta, jotta asiantuntijat voivat keskittyä 10 %:iin korkean arvon ongelmanratkaisusta.
Tässä konepajassa koneistajat olivat aluksi jännittyneitä. He luulivat, että ”musta laatikko” oli siellä mittaamassa heidän vessataukojaan. Minun oli oltava heille rehellinen: tekoäly on siellä varmistamassa, ettei teidän kova työnne päädy kierrätysastiaan. Kun he näkivät tekoälyn huomaavan terän kulumisen, joka olisi pilannut sunnuntain ylityövuoron, asenne muuttui.
Lopullinen yhteenveto: Muutoksen ROI
Katsotaanpa kovia lukuja.
- Ohjelmisto-/laitteistokustannukset: £450/kk (tilaukset ja muutama kamera).
- Käyttöönottoaika: 4 viikkoa ”passiivista” datan keruuta, 2 viikkoa aktiivista käyttöä.
- Materiaalihukan vähennys: 30 % (£1,200/kk säästö).
- Kapasiteetin kasvu: 15 % (vähemmän uudelleentyöstöaikaa).
Tälle 10 hengen konepajalle tuo £450 investointi tuottaa lähes £2,500 kuukausittaista arvoa. Se ei ole ”teknologiakokeilu”; se on perustavanlaatuinen muutos heidän liiketoimintansa yksikkötaloudessa.
Jos pyörität tuotantoasi edelleen valkotaulujen ja taulukkolaskennan varassa, et ole vain ”vanhaa koulukuntaa” – maksat veroa, jonka tekoälyä hyödyntävät kilpailijasi ovat jo poistaneet. Mahdollisuus ottaa nämä työkalut käyttöön niin, että ne tarjoavat vielä kilpailuetua, on sulkeutumassa. Pian tämä ei ole enää ”voitto” – se on eloonjäämisen perusedellytys.
Oletko valmis näkemään, mistä konepajasi vuotaa käteistä? Tutustu säästöanalyysityökaluun ja etsitään ensimmäiset 10 prosenttiasi.