Gadu desmitiem augstākās klases automatizētā pārbaude bija luksuss, kas bija pieejams tikai Fortune 500 uzņēmumiem. Ja vēlējāties, lai iekārta pamanītu mikroplaisu komponentē vai iztrūkstošu dūrienu apģērbā, jums bija jāalgo specializēts integrators, jāuzstāda Cognex kameras £50,000 vērtībā un jālūdzas, lai jūsu IT nodaļa spētu uzturēt patentēto serveri, kas to visu darbina.
Šis laikmets ir beidzies. Šodien jaudīgākais kvalitātes kontroles rīks jūsu darbnīcā nav speciāls industriālais sensors — tas ir viedtālrunis jūsu kabatā.
Mācīšanās, kā izmantot AI ražošanā, ir mainījusies no kapitālieguldījumu (CAPEX) izaicinājuma uz ieviešanas izaicinājumu. Šķērslis nav aparatūras izmaksas, bet gan procesa skaidrība. Esmu novērojis, kā maza mēroga precīzijas inženierijas uzņēmumi un butika tipa ražotāji aizstāj manuālo uzraudzību ar datorredzes modeļiem, kas ir 10 reizes ātrāki un ievērojami konsekventāki, izmantojot tikai parastas, veikalā nopērkamas ierīces.
Aparatūras meli
💡 Vai vēlaties, lai Penijs analizē jūsu biznesu? Viņa kartē, kuras lomas AI var aizstāt, un izveido pakāpenisku plānu. Sāciet savu bezmaksas izmēģinājuma versiju →
Ražošanas nozarei gadiem ilgi ir tikuši stāstīti meli: ka industriālajam AI ir nepieciešama "industriāla līmeņa" aparatūra. Lai gan specializēti sensori ir nepieciešami ekstrēmā vidē — piemēram, augstas temperatūras tērauda lietuvēs vai zemūdens kabeļos —, lielākā daļa kvalitātes kontroles notiek standarta apkārtējās vides apstākļos.
Mūsdienu viedtālruņu kameras ir pārspējušas pirms pieciem gadiem izmantoto industriālo kameru izšķirtspēju un gaismas jutību. Apvienojot to ar mākoņpakalpojumu spēju apstrādāt attēlus, izmantojot neironu tīklus, ienākšanas izmaksas sabrūk. Tā vietā, lai pirktu pielāgotu aprīkojumu, jūs pēc būtības pielāgojat patēriņa elektroniku profesionāla līmeņa darbam. Šī maiņa ir būtiska daļa no ražošanas aprīkojuma ietaupījumu optimizēšanas, jo intelekts tiek pārvietots no fiziskā sensora uz programmatūras slāni.
Iepazīstinām ar "Pilsoņa-inspektora" (Citizen Inspector) struktūru
Kad es strādāju ar uzņēmumu īpašniekiem, lai ieviestu AI ražotnē, mēs izmantojam modeli, ko es saucu par Pilsoņa-inspektora struktūru. Runa nav par jūsu pieredzējušākā meistara aizstāšanu; runa ir par viņa "intuīcijas" digitalizēšanu.
Katrā darbnīcā ir kāds cilvēks — sauksim viņu par Dave —, kurš var paskatīties uz detaļu un vienkārši zināt, ka tā nav pareiza. Problēma ir tāda, ka Dave nevar pārbaudīt 10,000 detaļu dienā. Viņš nogurst. Viņa uzmanība tiek novērsta. Viņš dodas pensijā.
Pilsoņa-inspektora struktūra sastāv no trim posmiem:
1. Standartizācijas fāze
AI ir tikai tik labs, cik labi ir dati, ko tas redz. Ja jūsu viedtālruņa kamera trīc vai apgaismojums mainās katru reizi, kad mākonis aizsedz sauli, AI saskarsies ar grūtībām. Jums nav nepieciešama sterila telpa, bet gan kontrolētas vides fiksācijas ierīce (jig).
Tas ir vienkāršs, 3D drukāts vai koka rāmis, kas notur viedtālruni fiksētā attālumā un leņķī pret pārbaudāmo detaļu. Pievienojiet £20 vērtu LED riņķa gaismu, lai nodrošinātu pastāvīgu apgaismojumu. Standartizējot ievadi, jūs esat atrisinājuši 80% no datorredzes tehniskajām grūtībām.
2. Specifisko zināšanu fiksēšana
Šeit mēs digitalizējam "Dave". Jūs uzņemat 100 fotoattēlus ar perfektām detaļām un 100 fotoattēlus ar detaļām, kurām ir defekti. Pēc tam jūs izmantojat "marķēšanas" rīku, lai apvilktu defektus — skrāpējumus, atskabargas, krāsas izmaiņas.
Šī ir būtiska daļa no mūsdienu ražošanas apmācībām. Tā vietā, lai apmācītu jaunus darbiniekus pamanīt defektus (kas var prasīt mēnešiem ilgu mācekļa praksi), jūs apmācāt viņus apmācīt modeli. Tas saglabā uzņēmuma intelektuālo īpašumu digitālā formātā, kas nekad neko neaizmirst un nekad neaiziet pie konkurenta.
3. 90/10 ieviešana
Es bieži runāju par 90/10 likumu biznesa automatizācijā. Ražošanā AI var tikt galā ar 90% šķirošanas. Tas identificē acīmredzami labos un acīmredzami sliktos paraugus. Atlikušie 10% — "robežgadījumi", par kuriem AI nav pārliecināts —, tiek atzīmēti cilvēka izskatīšanai. Tas ne tikai ietaupa laiku; tas paaugstina cilvēka lomu no atkārtotas skenēšanas uz augsta līmeņa lēmumu pieņemšanu.
Reālās pasaules ekonomika: AI pret status quo
Runāsim par skaitļiem. Tradicionālā manuālā pārbaude nelielā cehā var prasīt darbiniekam 20 stundas nedēļā, pārbaudot pielaides. Pie likmes £25/stundā (ieskaitot pieskaitāmās izmaksas), tie ir £26,000 gadā par procesu, kas labākajā gadījumā ir 85% precīzs cilvēka noguruma dēļ.
Uz viedtālruņa bāzēta AI sistēma, izmantojot tādu platformu kā Roboflow vai Landing AI, varētu izmaksāt £100 mēnesī abonēšanas maksā un £0 jaunas aparatūras iegādei. Precizitāte bieži vien pieaug līdz 99%, jo AI nav "slikto pirmdienu".
Turklāt, pārejot uz kvalitātes kontroles modeli, kurā prioritāte ir AI, jūs krasi samazināt savas tekošās IT atbalsta izmaksas. Tradicionālo industriālo sistēmu labošanai ir nepieciešami specializēti tehniķi. Mūsdienu viedtālruņu lietotnes uztur programmatūras nodrošinātāji, atstājot jums sistēmu, kas "vienkārši darbojas" ierīcēs, kuras jūsu komanda jau prot lietot.
Nozares plaisas pārvarēšana
Kāpēc tas tagad darbojas tik labi? Tas ir pateicoties koncepcijai, ko sauc par Pārneses mācīšanos (Transfer Learning).
Agrāk AI bija jāmāca redzēt no nulles. Tagad mēs izmantojam modeļus, kas jau ir apmācīti, izmantojot miljoniem vispārīgu attēlu. Tie jau "saprot", kā izskatās malas, ēnas un tekstūras. Kad jūs parādāt tam savu konkrēto mehāniski apstrādāto detaļu, tas nemācās redzēt; tas tikai mācās, kā izskatās jūsu "bojātā" versija.
Mēs redzam šādus pašus panākumus modeļu atpazīšanā arī citās nozarēs. Dermatoloģijā ar AI darbināmas viedtālruņu lietotnes tagad atpazīst ādas vēzi ar augstāku precizitāti nekā ģimenes ārsti. Ja tālrunis var identificēt mikroskopisku nelīdzenumu cilvēka audos, tas noteikti var identificēt 1 mm novirzi CNC frēzētā kronšteinā.
Kā sākt (Pirmdienas rīta plāns)
Ja vēlaties uzzināt, kā izmantot AI ražošanā, nepārsniedzot budžetu, sāciet pamazām. Nemēģiniet automatizēt visu līniju uzreiz.
- Identificējiet lielāko brāķa avotu: Kura jūsu procesa daļa rada visvairāk materiālu atkritumu vēlīnā stadijā atklātu defektu dēļ?
- Izveidojiet statīvu (jig): Nostipriniet vecu iPhone vai Android tālruni uz fiksēta statīva.
- Vāciet datus: Veltiet vienu dienu, lai nofotografētu katru atrasto defektu.
- Izveidojiet prototipu: Izmantojiet bezkoda (no-code) datorredzes platformu, lai redzētu, vai AI spēj pamanīt atšķirību.
Transformācija ir kulturāla, nevis tehniska
Lielākais šķērslis nav programmatūra — tā ir pārliecība, ka AI ir "pārāk sarežģīts" jūsu darbnīcai. Esmu strādājis ar desmitiem īpašnieku, kuri domāja, ka nav pietiekami "tehniski", lai saprastu, ka viņi patiesībā ir datu eksperti — viņiem vienkārši nebija veida, kā šos datus apstrādāt.
Jūsu ražotne katru stundu jau ģenerē tūkstošiem datu punktu. Katra detaļa, kas iziet caur strādnieka rokām, ir informācijas vienība. Izmantojot viedtālruni kā industriāla līmeņa sensoru, jūs beidzot fiksējat šo informāciju un pārvēršat to par konkurētspējīgu priekšrocību.
Runa nav tikai par naudas taupīšanu. Tas ir par kļūšanu par uzņēmumu, kas var garantēt 100% kvalitāti tirgū, kur jūsu konkurenti joprojām pēta detaļas zem galda lampas. Kurš no tiem vēlaties būt jūs?
Ja esat gatavs izpētīt konkrētos ietaupījumus, kas pieejami jūsu uzņēmumam, iedziļinieties mūsu ražošanas aprīkojuma ceļvedī un ķersimies pie darba.