Esu lankęsis daugelyje dirbtuvių, kur brangiausia įranga yra ne CNC staklės ar pramoninis presas, o tyla. Kai mašina netikėtai sugenda, laikrodis ne šiaip sustoja – jis pradeda suktis atgal. Jūs prarandate maržą, praleidžiate terminus ir mokate inžinieriams už tai, kad jie stovi ir laukia detalės, kuri bus pristatyta tik po trijų dienų. Daugumai MVĮ tai yra tiesiog „verslo kaina“. Jos daro prielaidą, kad aukštųjų technologijų prognozuojamoji priežiūra yra prabanga, skirta tik įmonėms, turinčioms „Boeing“ dydžio biudžetus ir pilnas sales duomenų mokslininkų.
Tačiau tai yra mitas, kurį esu pasiryžusi sugriauti. Neseniai dirbau su tiksliosios inžinerijos įmone – pavadinkime ją Miller Precision – kuri įrodė, kad AI implementation for small business nereikalauja Silicio slėnio infrastruktūros. Išleidę mažiau nei £2,000 standartiniams jutikliams ir pasinaudoję baziniu dirbtinio intelekto šablonų atpažinimu, jie per šešis mėnesius sumažino neplanuotas prastovas 40 %.
Jie pasamdė nė vieno programuotojo. Jie nesukūrė privataus debesies. Jie tiesiog nustojo spėlioti ir pradėjo klausytis. Tai istorija apie tai, kaip jie tai padarė ir kaip jūs galite pritaikyti tą pačią „Prognozuojamo remonto“ sistemą savo veikloje.
Trapumo atotrūkis: kodėl MVĮ labiausiai kenčia nuo prastovų
💡 Norite Penny analizuoti jūsų verslą? Ji nustato, kuriuos vaidmenis AI gali pakeisti, ir sudaro etapinį planą. Pradėkite nemokamą bandomąją versiją →
Didelėse gamyklose egzistuoja dubliavimas. Jei sugenda mašina A, mašina B dažnai gali perimti krūvį. Mažose dirbtuvėse jūsų mašinos paprastai yra glaudžios, nuoseklios grandinės dalis. Jei sugenda pagrindinė mašina, sustoja visas verslas. Aš tai vadinu Trapumo atotrūkiu (angl. The Fragility Gap) – neproporcingu poveikiu, kurį vienas įrangos gedimas daro mažam verslui, palyginti su didele įmone.
Prieš Miller Precision pradedant domėtis dirbtiniu intelektu, jie buvo įstrigę reaktyviosios priežiūros cikle. Jie taisydavo daiktus tada, kai jie pradėdavo rūkti, barškėti arba sustodavo. Šis „eksploatavimo iki gedimo“ modelis yra pats brangiausias verslo valdymo būdas. Jūs mokate brangiau už skubias detales, brangiau už meistro iškvietimą ir mokate didžiausią kainą prarasta reputacija, kai kliento užsakymas vėluoja.
Kai peržiūrėjome jų įrangos taupymo galimybes, tapo aišku, kad investicijų grąža (ROI) slypi ne geresnių mašinų pirkime, o esamų mašinų pavertimo išmanesnėmis.
Iššūkis „Duomenų skurdo klaidai“
Didžiausia kliūtis, su kuria susidūrė Miller Precision, buvo ne techninė, o psichologinė. Savininkas man pasakė: „Penny, mes neturime pakankamai duomenų dirbtiniam intelektui. Mes esame tik dešimties žmonių įmonė“.
Tai aš vadinu Duomenų skurdo klaida (angl. The Data Poverty Fallacy). Verslo savininkai mano, kad jiems reikia milijonų duomenų taškų, kad „ištreniruotų“ dirbtinį intelektą. Tikrovėje šiuolaikiniai dirbtinio intelekto įrankiai itin gerai atlieka tai, kas vadinama „anomalijų aptikimu“ – jiems nereikia žinoti, kaip atrodo gera mašina visoje pramonėje; jiems tiesiog reikia žinoti, kaip atrodo jūsų mašina, kai ji dirba normaliai.
Kai dirbtinis intelektas sužino jūsų bazinį lygį, jis gali pastebėti mikroskopinį guolio „virptelėjimą“ arba nedidelį temperatūros kilimą, kuris prognozuoja katastrofišką gedimą likus kelioms savaitėms. Jums nereikia didžiųjų duomenų; jums reikia tinkamų duomenų.
1 žingsnis: „Inkaro taško“ nustatymas
Mes nebandėme automatizuoti visų dirbtuvių iš karto. Būtent čia žlunga dauguma dirbtinio intelekto projektų – po savo paties ambicijų svoriu. Vietoj to atlikome kritiškumo auditą. Paklausėme: Jei ši mašina sustoja 48 valandoms, ar verslas išgyvens savaitę?
Miller Precision atveju tai buvo 15 metų senumo vertikalaus frezavimo centras. Tai buvo pagrindinis dirbtuvių „darbinis arklys“. Jei jis sugestų, likusi įmonės dalis taptų labai brangiu sandėliu.
Sutelkę dėmesį į vieną inkaro tašką, mes sumažinome projekto sudėtingumą. Tai pagrindinis mano filosofijos principas: Eikite gilyn, o ne plačiai. Norėdami sužinoti daugiau apie tai, kaip nustatyti šias didelio poveikio sritis kituose sektoriuose, skaitykite mūsų gamybos taupymo vadovą.
2 žingsnis: Pigus jutiklių diegimas
Prieš dešimt metų prognozuojamosios priežiūros sąranka būtų kainavusi £50,000. Šiandien galite nusipirkti pramoninio lygio vibracijos ir temperatūros jutiklius po £150 už vienetą, kurie jungiasi per jūsų esamą Wi-Fi.
Frezavimo centre sumontavome trijų tipų „ausis“:
- Vibracijos jutiklius: guolių nusidėvėjimui ir veleno išsireguliavimui aptikti.
- Termoporas: variklio korpuso karščiui stebėti.
- Akustinius jutiklius: aukšto dažnio cypimui, kurio žmogaus ausis negali pagauti, „išklausyti“.
Šie jutikliai nekeliavo į sudėtingą duomenų bazę. Jie buvo prijungti prie paprastos, standartinės dirbtinio intelekto stebėjimo platformos, kuri per mėnesį kainuoja mažiau nei standartinė IT palaikymo sutartis.
3 žingsnis: „Sveiko bazinio lygio“ nustatymas
Pirmąsias dvi savaites dirbtinis intelektas nieko nedarė, tik stebėjo. Jis išmoko mašinos „simfoniją“ – tai, kaip ji dūzgia atliekant sunkų pjūvį, kaip ji atvėsta keičiant įrankį ir kokiomis vibracijomis pasižymi esant skirtingiems greičiams.
Tai yra „mokymosi“ etapas, tačiau jis yra visiškai autonomiškas. Dirbtinis intelektas sukuria matematinį „Normalios būsenos“ modelį. Kai šis modelis egzistuoja, bet koks nukrypimas nuo jo sukelia įspėjimą.
„Aha“ momentas: vibracija, kuri nebuvo garsas
Septintąją bandomojo projekto savaitę Miller darbų vadovas gavo pranešimą į savo telefoną. Dirbtinis intelektas aptiko „2 tipo anomaliją“ pagrindiniame suklyje. Žmogaus akiai ir ausiai mašina dirbo puikiai. Darbų vadovas buvo nusiteikęs skeptiškai – jis dirbo su ta mašina dešimtmetį ir „žinojo“, kad viskas gerai.
Padrąsinau jį pasitikėti duomenimis. Suplanuotos šeštadienio prastovos metu jie atidarė korpusą. Jie rado guolio takelį, kuris pradėjo dilti. Jei jis būtų likęs eksploatuojamas, jis greičiausiai būtų subyrėjęs per kitas 20–30 darbo valandų, galimai užkirtęs suklį ir padaręs žalos už £12,000, jau nekalbant apie dvi savaites prastovų.
Vietoj to, šeštadienio rytą jie pakeitė £200 kainuojantį guolį. Bendra prastova: 4 valandos. Bendra kaina: £450 (detalė + darbas).
Tai ir yra „Prognozuojamo remonto“ posūkis.
Sistema: 3-P modelis DI diegimui
Jei norite tai pakartoti savo versle, nustokite galvoti apie „programinę įrangą“ ir pradėkite galvoti apie „signalą“. Štai sistema, kurią sukūriau Miller Precision:
1. Suvokimas (Perception – Signalas)
Kokią fizinę realybę galite išmatuoti? Gamyboje tai karštis ir vibracija. Paslaugų versle tai gali būti klientų el. laiškų nuotaika arba „pasiteiravimo“ skambučių dažnumas. Negalite automatizuoti to, ko nesuvokiate.
2. Šablonas (Pattern – DI)
Naudokite dirbtinį intelektą, kad rastumėte skirtumą tarp „Šiandien“ ir „Normalu“. Jūs neieškote genijaus; jūs ieškote nepavargstančio stebėtojo, kuriam niekada nebūna nuobodu ir kuris niekada nepraleidžia net menkiausio pokyčio.
3. Nurodymas (Prescription – Veiksmas)
Įspėjimas yra nenaudingas be proceso. Miller Precision sukūrė „Geltonos šviesos protokolą“. Jei dirbtinis intelektas pažymėdavo anomaliją, darbų vadovas turėjo iš anksto nustatytą patikros sąrašą. Jie ne ignoravo problemos, o ją tyrimo.
Antriniai efektai: daugiau nei tik taisymas
40 % sumažintos prastovos buvo pagrindinė pergalė, tačiau antriniai efektai buvo bene vertingesni ilgalaikei verslo sėkmei:
- Draudimo įmokos: Kai Miller parodė savo draudikui prognozuojamosios priežiūros žurnalus, jie sugebėjo susiderėti dėl 15 % mažesnių verslo nutraukimo draudimo įmokų.
- Darbuotojų moralė: „Nuolatinio gaisrų gesinimo“ kultūra išnyko. Inžinieriai nebejautė streso dėl staigių gedimų; jie perėjo prie proaktyvaus, ramaus „tiksliųjų intervencijų“ grafiko.
- Pardavimų pranašumas: Miller pradėjo įtraukti savo „Prognozuojamo patikimumo ataskaitą“ į konkursus dėl didelės vertės sutarčių. Jie galėjo įrodyti klientams, kad jų gamybos linija turi mažesnę tikimybę sugesti nei jų konkurentų.
Penny perspektyva: DI yra jūsų naujausias pameistrys
Daug mažų verslų savininkų bijo, kad dirbtinis intelektas ateis pakeisti jų kvalifikuotų darbuotojų. Šis pavyzdys įrodo priešingai. Dirbtinis intelektas nepakeitė darbų vadovo; jis suteikė jam „superklausą“. Tai leido jo dešimties metų patirtį pritaikyti prieš įvykstant nelaimei, o ne tvarkant jos padarinius.
Sėkmingas AI implementation for small business nėra susijęs su žmogaus faktoriaus pakeitimu; tai susiję su „spėlionių mokesčio“, kurį moka kiekvienas mažas verslas, panaikinimu.
Jei vis dar naudojate savo įrangą tol, kol ji sugenda, jūs ne tiesiog laikotės „senosios mokyklos“ – jūs paliekate savo maržas atsitiktinumui. Įrankiai, leidžiantys išgirsti jūsų technikos ateitį, jau yra prieinami, ir jie yra pigesni nei vieno sulūžusio veleno kaina.
Klausimas ne tas, ar galite sau leisti diegti dirbtinį intelektą. Klausimas, ar galite sau leisti toliau mokėti Trapumo atotrūkio mokestį.
Ar esate pasirengę nustoti spėlioti? Peržiūrėkime jūsų veiklą ir raskime jūsų inkaro tašką. Tyla jūsų dirbtuvėse turėtų būti dėl to, kad darbą baigėte anksčiau, o ne dėl to, kad mašinos pasidavė.
Norite sužinoti, kur jūsų verslas praranda maržą? Susipažinkite su mūsų gamybos efektyvumo rodikliais arba pradėkite savo vertinimą svetainėje aiaccelerating.com.