Pēdējo desmitgadi esmu pavadījis, pētot izklājlapas uzņēmumiem, kas ražo fiziskas preces. Neatkarīgi no tā, vai tā ir specializētās kafijas grauzdēšana, precīzijas inženierija vai bioloģisko uzkodu ražošana, viena pozīcija tajās vienmēr ir redzama kā spītīgs zilums: Ienesīguma plaisa.
Pārtikas ražošanas pasaulē šī plaisa parasti ir „pieļaujamo zaudējumu” rezultāts — tie ir 5% līdz 12% produkcijas, kas nonāk atkritumu tvertnē, jo tā ir bijusi pārāk apcepta, sasista vai nepareizi marķēta. Mazam uzņēmumam tas nav tikai atkritums; tā ir visa jūsu tīrā peļņa, kas burtiski pazūd izgāztuvē.
Lielākā daļa īpašnieku uzskata, ka šīs problēmas novēršanai ir nepieciešamas sešciparu investīcijas „viedajās” konveijera lentēs un Siemens sensoros. Taču nesen es strādāju ar nelielu dārzeņu čipsu ražotāju, kurš pierādīja, ka šis pieņēmums ir kļūdains. Viņi sasniedza AI ieviešana mazajā biznesā veiksmes stāstu, kas izklausās pēc zinātniskās fantastikas: viņi samazināja defektu līmeni no 10% līdz gandrīz nullei, izmantojot £400 vērtu viedtālruni un specializētu redzes modeli.
Šeit ir precīzi aprakstīts, kā viņi to paveica un kāpēc „Aparatūras deficīta maldi” visticamāk ir vienīgais šķērslis starp jums un uzņēmuma līmeņa kvalitātes kontroli.
Problēma: Vizuālās skenēšanas trauslums
💡 Vai vēlaties, lai Penijs analizē jūsu biznesu? Viņa kartē, kuras lomas AI var aizstāt, un izveido pakāpenisku plānu. Sāciet savu bezmaksas izmēģinājuma versiju →
Uzņēmums — sauksim to par Root & Crisp — ražo augstas klases pastinaku un biešu čipsus. Viņu lielākās galvassāpes bija „piedegums”. Ja fritēšanas temperatūra paaugstinājās kaut par diviem grādiem, daļa partijas pārlieku karamelizējās.
Cilvēki pārsteidzoši slikti pamana šādus defektus ātras darbības vidē. Pēc četrām stundām maiņā darbinieka „vizuālais bāzes līmenis” mainās. Viņi sāk pieņemt nedaudz tumšāku čipsu kā „atbilstošu”, jo ir redzējuši desmit tūkstošus šādu paraugu. To es saucu par Noguruma gradientu. Līdz brīdim, kad iepakojums nonāca lielveikalā, kvalitāte bija nevienmērīga.
Izvērtējot viņu pārtikas un dzērienu ražošanas ietaupījumi, mēs sapratām, ka viņi zaudē £4,200 mēnesī izejvielās un nelietderīgi izmantotā darbaspēkā.
Risinājums: Plaša patēriņa aparatūras lēciens
Tradicionālās rūpnieciskās redzes sistēmas (Cognex vai Keyence) ir lieliskas, taču to cena ir piemērota Coca-Cola, nevis mazam uzņēmumam, kas atrodas pārveidotā šķūnī. Tām ir nepieciešamas patentētas kameras, specializēts apgaismojums un PLC (programmējamais loģiskais kontrolleris) integrators, kurš prasa £1,500 dienā.
Mēs to visu apgājām, izmantojot Plaša patēriņa aparatūras lēcienu.
Šis ir princips, par kuru es runāju bieži: moderna viedtālruņa sensori tagad ir spējīgāki par rūpnieciskajiem sensoriem pirms pieciem gadiem.
Uzstādīšana
- Aparatūra: Atjaunots iPhone 13 (izvēlēts tā NPU — neironu apstrādes bloka — dēļ), kas uzstādīts ūdensnecaurlaidīgā, vibrācijas slāpējošā korpusā 40 cm virs dzesēšanas lentes.
- Programmatūra: Pielāgoti apmācīts YOLO (You Only Look Once) redzes modelis. Mēs nebijām nolīguši izstrādātāju, lai to rakstītu no nulles. Mēs izmantojām zemkoda (low-code) datorredzes platformu, kurā īpašnieks vienkārši augšupielādēja 200 „labu čipsu” fotogrāfijas un 200 „piedegušu čipsu” fotogrāfijas.
- Darbība: Tālrunis tika pieslēgts lokālajam Wi-Fi tīklam. Kad AI noteica „piedegušu” čipsu, tas milisekundes laikā nosūtīja signālu £20 vērtam Raspberry Pi, kas iedarbināja nelielu pneimatisku „gaisa pūtienu”, lai nosviestu bojāto produktu no lentes.
Kopējās uzstādīšanas izmaksas? Zem £800.
Kāpēc lielākā daļa AI ieviešanu cieš neveiksmi (un kāpēc šī izdevās)
Lielākā daļa cilvēku novēršas ar „AI” un aizmirst par „Ieviešanu”. Root & Crisp guva panākumus, jo viņi nemēģināja atrisināt „kvalitātes” jautājumu kopumā — viņi mēģināja atrisināt „piedegumu”.
Tas ir veiksmīgas AI ieviešana mazajā biznesā stratēģijas pamatpīlārs: 90/10 likums. Kad AI pārņem 90% atkārtota vizuāla uzdevuma, cilvēki netiek aizstāti; viņi tiek atbrīvoti. Tā vietā, lai skatītos uz lenti, līdz acis sāk sāpēt, komanda pārvirzīja uzmanību uz tiem 10% uzdevumu, kuriem nepieciešama niansēta pieeja — piemēram, garšvielu maisījuma pielāgošana vai ražošanas piegādes ķēdes izmaksas pārvaldība.
Aparatūras deficīta maldi
Es to redzu visās nozarēs. Advokātu birojs domā, ka tam ir nepieciešams pielāgots LLM; mazumtirgotājs domā, ka tam ir nepieciešams pēc pasūtījuma izgatavots krājumu robots. Viņi uzskata, ka viņiem ir „aparatūras” vai „programmatūras” deficīts.
Patiesībā viņiem ir Procesu tulkošanas deficīts.
Viņi nav pārtulkojuši savas cilvēka zināšanas formātā, ko AI spēj saprast. Root & Crisp īpašnieks pavadīja trīs stundas „mācot” AI, kā izskatās slikts čipss. Tas bija vērtīgākais darbs, ko viņš paveica visa gada laikā. Viņš ne tikai laboja lenti; viņš digitalizēja savu kompetenci.
Kad šī kompetence nonāk mākonī, tā nekad nenogurst, tai nekad nav pusdienas pārtraukuma, un tai nav „Noguruma gradienta”.
Otrās kārtas sekas: tālu aiz atkritumu samazināšanas
Tūlītējs ieguvums bija atkritumu samazināšanās par 10%. Taču otrās kārtas sekas uzņēmuma peļņai bija vēl nozīmīgākas:
- Palielināts līnijas ātrums: Tā kā „vizuālais sargs” defektus pamanīja acumirklī, viņi varēja palielināt lentes ātrumu par 15%. Cilvēki nespēja sekot līdzi lielākam ātrumam, bet AI tas nerūpēja.
- Apdrošināšana un atbilstība: Viņiem tagad ir digitāls žurnāls par katru partiju. Ja klients sūdzas, viņi var atvērt konkrētās stundas „redzes žurnālu”. Tas krasi samazināja viņu IT atbalsta un atbilstības pieskaitāmās izmaksas.
- Zīmola premiālais statuss: Viņi sāka reklamēt savu „Nulles defektu garantiju”. Tas ļāva viņiem paaugstināt vairumtirdzniecības cenu par 4%, jo mazumtirgotāji zināja, ka katrs iepakojums ir izcils.
Kā sākt savu Vision AI ceļojumu
Jums nav jābūt tehnoloģiju uzņēmumam, lai to paveiktu. Ja jūsu bizness ietver fizisku objektu pārvietošanu — vai tā būtu kastu pakošana, veļas šķirošana vai detaļu montāža — jūs esat kandidāts Vision AI izmantošanai.
1. solis: Identificējiet „Vizuālo nodokli”
Kur jūsu darbinieki tērē laiku, vienkārši skatoties uz lietām, lai pārliecinātos, ka tās nav sabojātas? Tas ir jūsu sākumpunkts.
2. solis: Pārtrauciet meklēt „rūpnieciskus” risinājumus
Sāciet ar mobilo tālruni un statīvu. Ir desmitiem „bez-koda” (No-Code) redzes platformu (piemēram, Roboflow, Lobe vai pat Google Vertex AI), kas ļauj apmācīt modeli ar jūsu fotoattēliem. Ja tas darbojas uz statīva, tad varat domāt par pastāvīgu uzstādīšanu.
3. solis: Atrisiniet darbību, ne tikai ieskatu
Zināšanai, ka čipss ir piededzis, nav jēgas, ja vien jūs to neizņemat. Šajā posmā apstājas lielākā daļa mazo uzņēmumu. Meklējiet „vienkāršās loģikas” aktivizētājus. Vai AI var nosūtīt ziņu Slack? Vai tas var pārslēgt releju? Vai tas var apturēt lenti?
Penny perspektīva: Precizitātes demokratizācija
Gadu desmitiem „precizitāte” bija greznība, kas bija pieejama tikai Fortune 500 uzņēmumiem. Mazie uzņēmumi izdzīvoja ar principu „pietiekami labi”, jo „izcilības” izmaksas bija pārāk augstas.
Šis laikmets ir beidzies.
Mēs tagad dzīvojam Demokratizētā sarga laikmetā. Jaudīgas mobilās aparatūras un pieejamu AI modeļu apvienojums nozīmē, ka trīs cilvēku uzkodu uzņēmumam tagad var būt labāka kvalitātes kontrole nekā multinacionālam konglomerātam pirms pieciem gadiem.
Runa nav tikai par naudas taupīšanu uz čipsiem. Runa ir par fundamentālām pārmaiņām mazā biznesa ekonomikā. Atceļot „atkritumu nodokli”, jūs maināt spēles noteikumus. Jūs pārejat no izdzīvošanas ar zemu maržu uz uzplaukumu, ko nodrošina precizitāte.
If you're still waiting for a 'human' person to come and install a 'proper' system, you're sleeping on the biggest competitive advantage of your life. The tools are already in your pocket.
Ja jūs joprojām gaidāt, kad ieradīsies „cilvēks”, lai uzstādītu „atbilstošu” sistēmu, jūs palaižat garām savas dzīves lielāko konkurences priekšrocību. Rīki jau atrodas jūsu kabatā.
Ko jūs gaidāt?