เปลี่ยนขยะเป็นเงิน: การใช้ AI เพื่อกำจัดความสูญเปล่าในห่วงโซ่อุปทานของการผลิต

เป็นเวลาหลายทศวรรษที่ผู้ผลิตขนาดกลางและขนาดย่อมดำเนินธุรกิจภายใต้ข้อตกลงที่ไม่ได้ระบุไว้ในงบดุล นั่นคือการยอมรับว่า 'ของเสีย' (scrap) จำนวนหนึ่งเป็นเพียงต้นทุนในการทำธุรกิจ ไม่ว่าจะเป็นเศษวัสดุเหลือใช้จากการตัด พลังงานที่พุ่งสูงขึ้นในช่วงเวลาที่เครื่องจักรหยุดนิ่ง หรือค่าใช้จ่ายด้านโลจิสติกส์ 3% ที่สูญเสียไปกับ 'ความล่าช้าที่คาดไม่ถึง' การรั่วไหลเหล่านี้ถูกยอมรับว่าเป็นสิ่งที่หลีกเลี่ยงไม่ได้ แต่จากการที่ผมใช้เวลาในปีที่ผ่านมาวิเคราะห์ข้อมูลจากโรงงานหลายร้อยแห่ง ผมเริ่มเห็นรูปแบบที่ชัดเจนอย่างหนึ่งคือ สิ่งที่เราเรียกว่า 'ความสูญเปล่า' แท้จริงแล้วคือปัญหาด้านข้อมูลที่ปลอมแปลงมา และเพื่อแก้ไขปัญหานี้ คุณไม่ต้องการทีมซ่อมบำรุงที่ใหญ่ขึ้น แต่คุณต้องการ เครื่องมือ AI ที่ดีที่สุดสำหรับอุตสาหกรรมการผลิต เพื่อเปลี่ยนขยะเหล่านั้นให้เป็นเงินสด

ในคู่มือฉบับนี้ เราจะก้าวข้ามกระแสความเห่อของ 'Industry 4.0' และไปดูเครื่องมือเฉพาะทางที่ใช้งานได้จริง ซึ่งช่วยให้ผู้ผลิตแบบลีน (lean manufacturers) สามารถตรวจสอบพลังงาน ความสูญเปล่า และความไร้ประสิทธิภาพของห่วงโซ่อุปทานได้แบบเรียลไทม์ เรากำลังเปลี่ยนจากโลกของการรายงานย้อนหลัง (การดูว่าเดือนที่แล้วมีอะไรผิดพลาดบ้าง) ไปสู่การแทรกแซงเชิงคาดการณ์ (การหยุดการรั่วไหลก่อนที่มันจะเกิดขึ้นจริง)

ภาษีจากความคลาดเคลื่อน (The Margin of Error Tax)

ผมอยากแนะนำแนวคิดที่เรียกว่า ภาษีจากความคลาดเคลื่อน (The Margin of Error Tax) ในการผลิตแบบดั้งเดิม ผู้จัดการจะสร้างส่วนเผื่อ (buffer) ไว้ในการกำหนดราคาและระยะเวลาเพื่อรองรับความผิดพลาดของมนุษย์ การหยุดทำงานของเครื่องจักร และความผันผวนของห่วงโซ่อุปทาน ภาษีนี้มักมีมูลค่าสูงถึง 5% ถึง 15% ของต้นทุนการดำเนินงานทั้งหมด

ในอดีต สิ่งนี้เป็นตาข่ายรองรับความปลอดภัยที่จำเป็น แต่ในปัจจุบัน มันคือภาระหนี้สินในเชิงการแข่งขัน

AI ไม่ได้ทำเพียงแค่ 'เพิ่มประสิทธิภาพ' เท่านั้น แต่มันช่วยขจัดความจำเป็นของตาข่ายความปลอดภัยด้วยการมอบความโปร่งใสที่ชัดเจน เมื่อคุณสามารถมองเห็นได้ว่ามอเตอร์ตัวไหนกำลังจะเสีย หรือซัพพลายเออร์รายใดที่ส่งของพลาดกำหนดการแบบ 'ทันเวลาพอดี' (just-in-time) ไปสี่ชั่วโมงเป็นประจำ คุณก็จะหยุดจ่ายภาษีจากความคลาดเคลื่อนนี้ได้

1. พลังงาน: การตรวจสอบการรั่วไหลที่มองไม่เห็น

บ่อยครั้งที่พลังงานถูกมองว่าเป็นต้นทุนคงที่ ซึ่งก็คือบิลค่าไฟที่มาถึงตอนสิ้นเดือนที่คุณต้องจ่าย อย่างไรก็ตาม สำหรับผู้ผลิต การใช้พลังงานมีความผันผวนสูงและเต็มไปด้วยความสูญเปล่าที่ซ่อนอยู่ (phantom waste)

เครื่องมือ AI ที่ดีที่สุดสำหรับด้านพลังงาน: GridBeyond หรือ Dexma

แม้ว่าโรงงานขนาดใหญ่จะใช้โซลูชันระดับองค์กรที่ปรับแต่งเอง แต่เครื่องมืออย่าง GridBeyond และ Dexma คือตัวเปลี่ยนเกมสำหรับกิจการขนาดกลาง

เครื่องมือเหล่านี้ไม่ได้เพียงแค่แสดงกราฟการใช้งานของคุณ แต่ใช้การเรียนรู้ของเครื่อง (machine learning) เพื่อระบุ ลายเซ็นพลังงาน (Energy Signatures) เครื่องจักรทุกเครื่องในโรงงานของคุณมีพัลส์ไฟฟ้าที่ไม่ซ้ำกัน AI สามารถดูภาระพลังงานรวมของอาคารและ 'แยกส่วน' ออกมาเพื่อบอกคุณว่า 'เครื่องกลึงหมายเลข 4 กำลังใช้พลังงานมากกว่าวันอังคารที่แล้ว 20% ซึ่งบ่งชี้ว่าตลับลูกปืนเริ่มติดขัด'

ผลกระทบต่อเนื่อง: ด้วยการระบุความผิดปกติของพลังงานเหล่านี้ คุณไม่เพียงแต่ประหยัดค่าสาธารณูปโภคเท่านั้น แต่คุณยังได้ระบบการบำรุงรักษาเชิงคาดการณ์มาด้วย หากการใช้พลังงานพุ่งสูงขึ้น แสดงว่ามีบางอย่างผิดปกติทางกลไก การแก้ไขในตอนนี้จะช่วยป้องกันความล้มเหลวครั้งใหญ่ที่อาจทำให้การผลิตหยุดชะงักไปสามวัน คุณสามารถหาข้อมูลเพิ่มเติมได้ใน คู่มือการประหยัดจากความสูญเปล่าในการผลิต

2. ความสูญเปล่าของวัสดุ: ระบบป้องกันด้วย 'Computer Vision'

ในภาคส่วนต่างๆ เช่น สิ่งทอ งานโลหะ หรือการแปรรูปอาหาร ความสูญเปล่าของวัสดุ (scrap) คือตัวทำลายกำไรที่สำคัญที่สุด การควบคุมคุณภาพแบบเดิมมักเกิดขึ้น หลังจาก ชิ้นส่วนถูกผลิตเสร็จแล้ว หากชิ้นส่วนมีตำหนิ มันจะถูกทิ้งลงถังขยะ

เครื่องมือ AI ที่ดีที่สุดสำหรับคุณภาพ: Sight Machine หรือ Instrumental

Sight Machine และ Instrumental ใช้ Computer Vision และการผสานเซ็นเซอร์เพื่อตรวจสอบสายการผลิตแบบเรียลไทม์

แทนที่จะใช้พนักงานตรวจสอบทุกๆ 100 ชิ้น กล้อง AI จะตรวจสอบทุกๆ ชิ้นในทุกๆ วินาที พวกมันสามารถตรวจจับความคลาดเคลื่อนเพียง 0.5 มม. ในแนวเชื่อม หรือการเปลี่ยนสีเล็กน้อยในแม่พิมพ์ฉีดพลาสติก

การจับคู่รูปแบบ: เราเห็นตรรกะเดียวกันนี้ในการซื้อขายหุ้นความถี่สูง คุณไม่ต้องรอให้ตลาดปิดเพื่อดูว่าคุณทำผิดพลาดหรือไม่ แต่คุณใช้ชุดคำสั่ง (algorithms) เพื่อแก้ไขทิศทางในเสี้ยววินาที ในการผลิต หาก AI ตรวจพบความเบี่ยงเบนของคุณภาพ มันสามารถส่งสัญญาณให้เครื่องจักรปรับเทียบใหม่โดยอัตโนมัติ หรือแจ้งเตือนผู้ควบคุมเครื่องก่อนที่ 500 ชิ้นถัดไปจะกลายเป็นของเสีย นี่คือส่วนสำคัญของ การลดต้นทุนการจัดการของเสีย สมัยใหม่

3. ห่วงโซ่อุปทาน: การกำจัดช่วงเวลา 'หลุมดำ'

ส่วนที่แพงที่สุดในห่วงโซ่อุปทานของคุณคือ 'หลุมดำ' (Black Hole) ซึ่งเป็นช่วงเวลาระหว่างการสั่งซื้อไปจนถึงวันที่สินค้ามาถึงคลังสินค้าของคุณ ผู้ผลิตรายย่อยส่วนใหญ่ไม่มีการมองเห็นข้อมูลในช่วงนี้เลย นอกจากการแจ้งเตือนว่า 'จัดส่งแล้ว'

เครื่องมือ AI ที่ดีที่สุดสำหรับห่วงโซ่อุปทาน: 7bridges หรือ SourceDay

เครื่องมืออย่าง 7bridges ใช้ AI เพื่อตรวจสอบการจัดส่งทุกรายการเทียบกับจุดข้อมูลนับพัน (สภาพอากาศ, การประท้วงที่ท่าเรือ, ประสิทธิภาพย้อนหลังของผู้ขนส่ง)

หากคุณมีการจัดส่งวัตถุดิบสำคัญมาจากต่างประเทศ 7bridges ไม่ได้บอกแค่ว่าของอยู่ที่ไหน แต่มันคาดการณ์ว่าจะเกิดความล่าช้าจากรูปแบบความหนาแน่นปัจจุบันที่ท่าเรือขาเข้า จากนั้นมันจะเสนอทางเลือกอื่นให้ เช่น 'เปลี่ยนเส้นทางวัสดุ 2 ตันถัดไปไปยังผู้ขนส่งรายอื่นทันที เพื่อหลีกเลี่ยงการหยุดชะงักของสายการผลิตในสัปดาห์หน้า'

กฎ 90/10 ในการปฏิบัติ: เมื่อ AI จัดการการติดตามและตรวจสอบผู้ขนส่งตามปกติได้ถึง 90% หัวหน้าฝ่ายจัดซื้อของคุณไม่จำเป็นต้องใช้เวลา 4 ชั่วโมงต่อวันในการโทรศัพท์ พวกเขาสามารถมุ่งเน้นไปที่ 10% ของความสัมพันธ์เชิงกลยุทธ์ที่มีมูลค่าสูงได้ นั่นคือวิธีสร้างการดำเนินงานที่ลีนกว่าเดิม ตรวจสอบ กรอบการทำงานเพื่อการประหยัดในห่วงโซ่อุปทาน ของเราสำหรับกลยุทธ์ที่เฉพาะเจาะจงมากขึ้น

รูปแบบวุฒิภาวะการเปลี่ยนความสูญเปล่าให้เป็นความมั่งคั่ง

คุณจะเริ่มต้นอย่างไร? คุณไม่จำเป็นต้องซื้อเครื่องมือ AI ใหม่ห้าอย่างพร้อมกัน แต่ให้ทำตามขั้นตอนเหล่านี้:

• ระยะที่ 1: การมองเห็น (เดือนที่ 1-3) ติดตั้งเซ็นเซอร์ IoT พื้นฐานในเครื่องจักรที่ใช้พลังงานสูงสุดหรือสร้างของเสียมากที่สุด ใช้เครื่องมืออย่าง Augury เพื่อรับข้อมูลเพียงอย่างเดียว อย่าเพิ่งเปลี่ยนแปลงอะไร เพื่อให้คุณเห็น 'ภาษีจากความคลาดเคลื่อน' อย่างชัดเจน
• **ระยะที่ 2: การคาดการณ์ (เดือนที่ 4-8)**ใช้การแจ้งเตือนเชิงคาดการณ์ของ AI เพื่อกระตุ้นการบำรุงรักษาหรือการจัดซื้อ นี่คือจุดที่คุณจะหยุดการสูญเสียที่สร้างความเสียหายรุนแรง
• ระยะที่ 3: ความเป็นอิสระ (เดือนที่ 9 เป็นต้นไป) รวม AI เข้ากับ ERP ของคุณโดยตรง เมื่อ AI ห่วงโซ่อุปทานพบความล่าช้า มันจะปรับตารางการผลิตโดยอัตโนมัติและแจ้งให้ลูกค้าทราบ นี่คือโมเดลการผลิตแบบ 'AI-first'

ทำไมผู้ผลิตส่วนใหญ่ถึงล้มเหลวในการใช้ AI

ผมเห็นเจ้าของธุรกิจจำนวนมากเกินไปที่มองว่า AI เป็นเพียง 'ส่วนเสริม' (plugin) พวกเขาซื้อไลเซนส์ของหนึ่งใน เครื่องมือ AI ที่ดีที่สุดสำหรับอุตสาหกรรมการผลิต รอให้หน้าแดชบอร์ดดูสวยงาม แล้วก็ละเลยข้อมูลเชิงลึกเหล่านั้นเพราะ 'นั่นไม่ใช่สิ่งที่เราทำกันมา'

AI ไม่ใช่การอัปเกรดซอฟต์แวร์ แต่มันคือการออกแบบกระบวนการใหม่ หาก AI บอกคุณว่าเครื่องจักร A ไม่มีประสิทธิภาพ แต่ผู้จัดการฝ่ายผลิตปฏิเสธที่จะปิดเครื่องเพราะพวกเขามี 'ความรู้สึก' ว่ามันยังใช้ได้ คุณกำลังโยนเงินทิ้งสองครั้ง ครั้งแรกทิ้งไปกับความสูญเปล่า และครั้งที่สองทิ้งไปกับค่าซอฟต์แวร์

มุมมองของ Penny: ขยะเป็นเพียงข้อมูลที่วางผิดที่

ในธุรกิจของผมเอง ผมไม่มี 'ทีมสนับสนุน' หรือ 'แผนกการตลาด' ผมมีเอเจนต์ AI ที่คอยตรวจสอบสัญญาณและโต้ตอบ การผลิตกำลังมาถึงจุดเปลี่ยนที่สำคัญแบบเดียวกันนั้น

เมื่อคุณหยุดมองว่า 'ของเสีย' เป็นวัตถุทางกายภาพ และเริ่มมองว่ามันคือ ความล้มเหลวของข้อมูล มุมมองทั้งหมดของคุณจะเปลี่ยนไป เครื่องมือที่ระบุไว้ข้างต้น ไม่ว่าจะเป็น GridBeyond, Sight Machine, 7bridges ต่างก็เป็นเครื่องช่วยฟังที่มีความแม่นยำสูงสำหรับธุรกิจของคุณ พวกมันช่วยให้คุณได้ยินเสียงกระซิบของตลับลูกปืนที่กำลังจะเสีย หรือความล่าช้าที่เงียบงันของเรือขนส่งสินค้า ก่อนที่มันจะกลายเป็นปัญหาที่เสียงดังและมีราคาแพง

เริ่มจากการรั่วไหลเพียงจุดเดียว เลือกที่พลังงาน ของเสีย หรือการขนส่ง แก้ไขจุดนั้นด้วย AI แล้วใช้เงินที่ประหยัดได้ไปลงทุนในเครื่องมือถัดไป นั่นคือวิธีสร้างธุรกิจการผลิตแบบ AI-first ที่จะสามารถแข่งขันกับบริษัทยักษ์ใหญ่ได้

ขั้นตอนต่อไปของคุณ: หากคุณต้องการเห็นตัวเลขที่ชัดเจนว่า 'ภาษีจากความคลาดเคลื่อน' ทำให้คุณเสียค่าใช้จ่ายเท่าใด โปรดเข้าไปที่แพลตฟอร์มเต็มรูปแบบที่ aiaccelerating.com เราสามารถทำการตรวจสอบการดำเนินงานอย่างเต็มรูปแบบและแสดงให้คุณเห็นว่าควรเริ่มต้นจากจุดไหน