Évtizedekig a csúcsminőségű automatizált ellenőrzés a Fortune 500 cégek kiváltsága volt. Ha valaki azt szerette volna, hogy egy gép észrevegye a hajszálrepedést egy alkatrészen vagy egy hiányzó öltést egy ruhadarabon, szakosodott integrátort kellett fogadnia, £50,000 értékben Cognex kamerákat kellett telepítenie, és imádkoznia kellett, hogy az IT-részleg képes legyen karbantartani a saját fejlesztésű szervert, amelyen az egész futott.
Ennek a korszaknak vége. Ma a műhely legerősebb minőségellenőrző eszköze nem egy dedikált ipari szenzor, hanem a zsebében lapuló okostelefon.
Annak elsajátítása, hogyan használjuk az AI-t a gyártásban, a beruházási (CAPEX) kihívásból megvalósítási kihívássá vált. Az akadályt már nem a hardver költsége, hanem a folyamat egyértelműsége jelenti. Láttam már kisléptékű precíziós mérnököket és egyedi gyártókat, akik a kézi felügyeletet olyan számítógépes látásmodellekre cserélték, amelyek tízszer gyorsabbak és lényegesen következetesebbek – mindezt késztermékként kapható eszközökkel.
A hardver-hazugság
💡 Szeretné, hogy Penny elemezze vállalkozását? Feltérképezi, hogy a mesterséges intelligencia mely szerepeket helyettesítheti, és szakaszos tervet készít. Indítsa el az ingyenes próbaidőszakot →
A gyártóipar hosszú évek óta egy hazugságban él: miszerint az ipari AI-hoz „ipari minőségű” hardver szükséges. Bár a speciális szenzorok elengedhetetlenek a szélsőséges környezetekben – gondoljunk csak a nagy hőmérsékletű acélművekre vagy a víz alatti kábelekre –, a minőségellenőrzés döntő többsége normál környezeti körülmények között zajlik.
A modern okostelefon-kamerák felbontása és fényérzékenysége már felülmúlja a mindössze öt évvel ezelőtt használt ipari kamerákét. Ha ezt kombináljuk a felhő azon képességével, hogy neurális hálózatok segítségével képeket dolgozzon fel, a belépési költség összeomlik. Ahelyett, hogy egyedi berendezéseket vásárolna, lényegében fogyasztói elektronikai eszközöket használ fel professzionális szintű munkára. Ez az elmozdulás alapvető része a gyártóeszközökön való megtakarítás optimalizálásának, mivel az intelligenciát a fizikai szenzorból a szoftverrétegbe helyezi át.
A „Citizen Inspector” keretrendszer bemutatása
Amikor cégtulajdonosokkal dolgozom az AI üzemcsarnokban történő bevezetésén, egy általam Citizen Inspector Frameworknek (Lakossági ellenőr keretrendszer) nevezett modellt használunk. Ez nem a legtapasztaltabb művezető helyettesítéséről szól, hanem az ő „megérzéseinek” digitalizálásáról.
Minden műhelyben van egy személy – nevezzük Dave-nek –, aki ránéz egy alkatrészre, és egyszerűen tudja, ha valami nem stimmel. A probléma az, hogy Dave nem tud napi 10 000 alkatrészt átnézni. Elfárad. Elkalandozik a figyelme. Nyugdíjba megy.
A Citizen Inspector keretrendszer három különálló fázist követ:
1. A standardizálási fázis
Az AI csak annyira jó, amennyire az adatok, amelyeket lát. Ha az okostelefon kamerája remeg, vagy a megvilágítás minden alkalommal megváltozik, amikor egy felhő elhalad az ablak előtt, az AI küzdeni fog. Nincs szükség tisztatérre, de szükség van egy ellenőrzött környezetet biztosító sablonra (Jig).
Ez egy egyszerű, 3D-nyomtatott vagy fából készült keret, amely fix távolságban és szögben tartja az okostelefont a vizsgált alkatrésztől. Adjon hozzá egy £20 értékű LED-gyűrűt az állandó megvilágítás biztosítása érdekében. A bemenet standardizálásával a számítógépes látás technikai nehézségeinek 80%-át megoldotta.
2. A törzsi tudás rögzítése
Itt digitalizáljuk „Dave-et”. Készítsen 100 fotót tökéletes alkatrészekről és 100 fotót hibásakról. Ezután egy „címkéző” eszközzel jelölje be a hibákat – a karcolásokat, a sorjákat, az elszíneződéseket.
Ez a modern gyártási tréning létfontosságú része. Ahelyett, hogy az új munkatársakat a hibák felismerésére tanítaná be (ami hónapokig tartó betanulást igényelhet), arra tanítja őket, hogy tanítsák a modellt. Ez digitális formában őrzi meg a vállalat szellemi tulajdonát, amely soha nem felejt, és soha nem távozik a versenytárshoz.
3. A 90/10-es bevezetés
Gyakran beszélek az üzleti automatizálás 90/10-es szabályáról. A gyártásban az AI képes elvégezni a szelektálás 90%-át. Azonosítja a nyilvánvalóan jó és a nyilvánvalóan rossz darabokat. A fennmaradó 10%-ot – a „határeseteket”, ahol az AI bizonytalan – megjelöli emberi ellenőrzésre. Ez nem csak időt takarít meg; az emberi szerepkört az ismétlődő pásztázásról magas szintű döntéshozatalra emeli.
Valós gazdasági adatok: AI kontra status quo
Beszéljünk a számokról. A hagyományos kézi ellenőrzés egy kis műhelyben azt jelentheti, hogy egy munkatárs heti 20 órát tölt a tűréshatárok ellenőrzésével. £25/órás díjjal számolva (a rezsiköltségeket is beleértve) ez évi £26,000 egy olyan folyamatért, amely az emberi fáradtság miatt legjobb esetben is 85%-os pontosságú.
Egy okostelefon-alapú AI-rendszer, amely olyan platformot használ, mint a Roboflow vagy a Landing AI, havonta körülbelül £100 előfizetési díjba kerülhet, és £0 új hardverigénye van. A pontosság gyakran 99%-ra ugrik, mert az AI-nak nincsenek „rossz hétfői”.
Ezenkívül, ha a minőségellenőrzést AI-alapú modellre helyezi át, drasztikusan csökkentheti a folyamatos IT-támogatási költségeket. A hagyományos ipari rendszerek javításához speciális technikusokra van szükség. A modern okostelefon-alapú alkalmazásokat a szoftverszolgáltatók tartják karban, így Önnek egy olyan rendszere marad, amely „egyszerűen működik” azokon az eszközökön, amelyeket a csapata már ismer.
Az iparági szakadék áthidalása
Miért működik ez most ennyire jól? Egy Transfer Learning (transzfertanulás) nevű koncepciónak köszönhetően.
A múltban az AI-t a semmiből kellett megtanítani látni. Ma már olyan modelleket használunk, amelyeket több millió általános képen tanítottak be. Ezek már „értik”, hogyan néznek ki az élek, az árnyékok és a textúrák. Amikor megmutatja neki a specifikus megmunkált alkatrészt, nem látni tanul meg, hanem csak azt tanulja meg, hogy az Ön esetében hogyan néz ki a „hibás”.
Ugyanezt a mintafelismerési sikert látjuk más iparágakban is. A bőrgyógyászatban az AI-vezérelt okostelefonos alkalmazások ma már nagyobb pontossággal szűrik ki a bőrrákot, mint a háziorvosok. Ha egy telefon képes azonosítani egy mikroszkopikus rendellenességet az emberi szövetben, akkor bizonyára képes azonosítani egy 1 mm-es eltérést is egy CNC-mart konzolon.
Hogyan kezdjük el? (Hétfő reggeli terv)
Ha szeretné megtudni, hogyan használjuk az AI-t a gyártásban a költségvetés túllépése nélkül, kezdje kicsiben. Ne próbálja meg egyszerre az egész sort automatizálni.
- Azonosítsa a legfőbb hibaforrást: A folyamat melyik része eredményezi a legtöbb anyagpazarlást a későn észlelt hibák miatt?
- Készítsen egy sablont (Jig): Rögzítsen egy régi iPhone-t vagy Android-telefont egy fix állványra.
- Gyűjtsön adatokat: Töltsön el egy napot azzal, hogy minden talált hibát lefotóz.
- Készítsen prototípust: Használjon kódolás nélküli (no-code) látásalapú platformot, hogy megnézze, az AI észreveszi-e a különbséget.
Az átalakulás kulturális, nem pedig technikai
A legnagyobb akadály nem a szoftver – hanem az a hiedelem, hogy az AI „túl nagy” az Ön műhelye számára. Több tucat olyan tulajdonossal dolgoztam együtt, akik azt hitték, hogy nem elég „kockák” ehhez, majd rájöttek, hogy valójában ők az adatok szakértői – csak nem volt módjuk az adatok feldolgozására.
Az Ön üzemcsarnoka már most is több ezer adatpontot generál óránként. Minden alkatrész, amely áthalad egy munkás kezén, egy információ. Azáltal, hogy az okostelefont ipari szintű szenzorként használja, végre rögzítheti ezeket az információkat, és versenyelőnnyé alakíthatja őket.
Ez nem csak a pénzmegtakarításról szól. Ez arról szól, hogy olyan vállalkozássá váljon, amely 100%-os minőséget tud garantálni egy olyan piacon, ahol a versenytársai még mindig az asztali lámpa alatt hunyorogva vizsgálják az alkatrészeket. Ön melyik szeretne lenni?
Ha készen áll arra, hogy megvizsgálja a saját konfigurációjához elérhető konkrét megtakarításokat, merüljön el a gyártóeszköz-útmutatónkban, és lássunk munkához.