De productie-uitdaging aangaan met data en AI

Productie zal aanzienlijke vooruitgang boeken door middel van Big Data en AI, maar de complexe uitdagingen van de industrie hebben de acceptatie vertraagd...

"In de productie staat u onder druk om de kwaliteit voortdurend te verbeteren en tegelijkertijd de kosten te verlagen en de productiviteit te verhogen", zegt SAS, leider op het gebied van analysesoftware en -oplossingen. Dit geldt nog steeds als altijd in het digitale tijdperk, en technologische vooruitgang heeft samengespannen om de uitdaging effectiever dan ooit tevoren aan te pakken.

Zelfs een vluchtige blik maakt het duidelijk dat van alle industrieën die door digitale transformatie worden opgeschrikt, er maar weinig de afgelopen jaren zichtbaarder en ingrijpender zijn getransformeerd dan de productie. Deze reis, van de arbeidsintensieve productielijnen van Henry Ford tot de steeds meer mensenvrije omgevingen van moderne fabrieken, is enorm versneld door de komst van Big Data. Door informatie te verzamelen over productieactiviteiten, apparatuur en machines, verkooppatronen en vraagschommelingen, kunnen leiders strategieën bedenken voor meer efficiëntie, output en veiligheid. De Industry 4.0-visie van slimme fabrieken die draaien met minimale menselijke input en een hogere productiviteit, winstgevendheid en betrouwbaarheid opleveren, is enorm aantrekkelijk, maar het realiseren van dit doel brengt even grote uitdagingen met zich mee die moeten worden overwonnen.

De gegevensgolf

In 2018 identificeerde de toonaangevende consultancy- en outsourcingserviceprovider Capgemini productie als een van de meest aanzienlijke mogelijkheden voor operationele verbetering door middel van Big Data, en ging zelfs zo ver om te zeggen dat de acceptatie ervan van vitaal belang is voor blijvend zakelijk succes. "Nu Big Data-analyse niet langer een 'nice to have'-optie is, moeten bedrijven de juiste kansen identificeren om de efficiëntie van de fabriek te verbeteren en inzichten te genereren", zei Capgemini in een blogpost van november 2018. "Big data-analyse zou dan het concurrentievoordeel bieden dat bedrijven nodig hebben om te slagen in een steeds complexere omgeving."

Met enorme hoeveelheden gegevens - een massa die exponentieel toeneemt voor operaties die gebruikmaken van door Internet of Things (IoT) aangedreven technologie en de gigabit-per-seconde overdrachtssnelheden van 5G - komt er een immense complexiteit. Organisaties moeten niet alleen focussen op de waarde van een brede dataset, maar ze moeten die ontluikende waarde ook omzetten in bruikbare inzichten voordat ze worden vervangen door nieuwere en relevantere data. Vaak moeten onbewerkte gegevens worden gecombineerd met de telemetrie van andere systemen om de waarde ervan te kunnen extraheren, en deze knowhow op menselijk niveau is moeilijk te verkrijgen.

De zaak voor AI

Over de hele wereld is er veel vraag naar getrainde datawetenschappers en is er een tekort aan aanbod, en zelfs met een vloot van topdata-analisten ligt de echte waarde van de gegevens van een organisatie achter de lange tijd die nodig is om ingewikkelde analyses uit te voeren, de kans op menselijke fouten , en de behoefte aan weloverwogen data-implementatiestrategieën. De behoefte aan directheid en nauwkeurigheid, met name met de wijdverbreide lacune in gegevensvaardigheden, kan worden beantwoord door een andere opkomende technologie:kunstmatige intelligentie (AI).

De algoritmische berekeningen en analyses die zijn afgestemd op de behoeften van specifieke operaties, leveren resultaten op die zowel nauwkeuriger als sneller beschikbaar zijn, waardoor ondernemingen die gegevens kunnen omzetten in geïnformeerde actie die de efficiëntie en productiviteit verbetert, operaties opschaalt naar realtime-vraag en de veiligheid verbetert, ontworteling de problemen die ontstaan ​​door een gebrek aan expertise bij het opbouwen van waarde. Het kan zelfs problemen ondervangen voordat ze zich voordoen door middel van voorspellend onderhoud, iets waarvoor een aanzienlijke hoeveelheid arbeidskrachten en tijd nodig zou zijn zonder de belofte van nauwkeurigheid die AI biedt.

"Voorspellend onderhoud is een gebied waarop IoT, Big Data en analyses een aanzienlijke impact hebben", zegt Debbie Heaton-Bowen, Partner bij Oliver Wight EAME. "Hoewel het in de jaren negentig is ontstaan, heeft de komst van geavanceerde technologie ertoe geleid dat de mogelijkheden van voorspellend onderhoud recentelijk zijn 'opgeladen', met name in de productiesector waar slimme fabrieken een realiteit worden. Ongeplande uitvaltijd en slecht onderhoud kunnen bedrijven miljoenen kosten, maar IoT-compatibele sensoren kunnen detecteren wanneer machines moeten worden gecontroleerd, waardoor de ontwikkeling van een ernstiger storing wordt voorkomen die kostbare verstoringen zou veroorzaken. Voorspellend onderhoud identificeert niet alleen fouten die door het menselijk oog worden gemist, maar neemt ook uitsluitend gegevensgestuurde beslissingen om de levensduur van machines te verbeteren, de servicekosten te verlagen en de operationele efficiëntie te verhogen voor gezondere winsten.”

Elders is robotica een andere trend in de industrie die veelbelovend is, en AI is van vitaal belang voor hun waardepropositie wanneer deze in productieprocessen wordt ingezet. "Als ze correct worden geïntegreerd, kunnen deze roboteenheden de vaardigheden en sterke punten van mensen versterken om de efficiëntie op de werkplek te vergroten en de werknemerservaring te verbeteren", zegt Prasad Satyavolu, CDO van Manufacturing and Logistics bij IT-servicesleider Cognizant. "Ze worden al ingezet in productieorganisaties, van het plaatsen van schokdempers of het snijden van vlees op een traditionele assemblagelijn, tot drones die fungeren als de ogen van beveiligingsagenten die patrouilleren op een uitgestrekt containerpark. Door dit te doen, maakt het nieuwe ras van autonome medewerkers mensen vrij om werk van hogere waarde op zich te nemen. Onderzoekers van het MIT ontdekten dat mens-robotteams die voor BMW werkten ongeveer 85% productiever waren dan mensen of robots die alleen werkten.” AI kan dus tegelijkertijd lacunes in vaardigheden overbruggen en de beschikbare tijd voor geschoolde werknemers maximaliseren om zich te concentreren op taken waar ze meer waarde kunnen toevoegen.

De uitdagingen van het gebruik van AI

Ondanks de duidelijke kansen die het biedt, merkt managementadviesbureau McKinsey op dat de invoering van AI in de maakindustrie opmerkelijk traag verloopt. "Hoewel AI-technologieën tastbare verbeteringen hebben aangebracht in toeleveringsketens en administratieve functies, zijn ze tot nu toe nauwelijks aanwezig geweest in de productie", zegt McKinsey. is enigszins ironisch gezien het vermogen van AI om deze expertise om te buigen naar minder repetitieve processen. De afhankelijkheid van geschoolde arbeidskrachten op zich is reden om de integratie van AI in de industrie te versnellen.

"Aangezien variaties in de kwalificaties van operators niet alleen de prestaties maar ook de winst kunnen beïnvloeden, is het vermogen van AI om kennis te behouden, te verbeteren en te standaardiseren des te belangrijker", zegt McKinsey. "Bovendien kan AI, omdat het zelf complexe operationele setpointbeslissingen kan nemen, betrouwbaar voorspelbare en consistente output leveren in markten die moeite hebben met het aantrekken en behouden van operatortalent."

Naast deze afhankelijkheid van menselijk kapitaal, vertrouwen veel fabrieken op verouderde machines die zelfs ouder zijn dan internet, en die welke in de afgelopen twee decennia zijn geïntroduceerd, vereisen enige aanpassing om ze compatibel te maken met de technologie voor gegevensverzameling van vandaag. Ondertussen verschillen de vragen over het vinden van de meest impactvolle datasets, hoe ze het beste kunnen worden geïnterpreteerd en geïmplementeerd, niet alleen per bedrijf, maar ook per afdeling en teams.

Onderzoeksbureau NelsonHall merkt op dat de invoering van MES (Manufacturing Execution Systems) deze complexiteit verder vergroot. MES stelt bedrijven al jaren in staat om hun activiteiten te digitaliseren en gemakkelijker toegang te krijgen tot gegevens, maar de verregaande aanpassing van de eigen MES van elke faciliteit betekent dat compatibiliteit en integratie met andere technologieën, zoals de analysesoftware die gegevens uit talloze bronnen verzamelt en analyseert, een flinke uitdaging. "De moeilijkheid die MES met zich meebrengt, is dat het moeilijk en kostbaar is om te upgraden, gezien het niveau van maatwerk", zegt NelsonHall. "Bovendien regelt MES de productie van een fabriek, dus het zijn kritieke systemen en daarom vereisen ze rigoureuze ontwikkeling en implementatie, testen en uitrollen. Met andere woorden, ze zijn vergelijkbaar met mainframe-applicaties:zolang ze draaien, wil niemand ze echt te diep raken.” Het omzeilen van dit probleem wordt dus vaak gedaan door de toevoeging van complementaire systemen, zoals die van Dassault, Siemens, PTC en dergelijke, waardoor nog meer complexiteit wordt toegevoegd waar veel operators hun technische infrastructuur willen stroomlijnen en verkleinen om de flexibiliteit en wendbaarheid te vergroten .

De uitdaging aangaan hydra

Het is duidelijk dat de uitdagingen van het succesvol benutten van productiedatasets enorm zijn:strategie, telemetrie, integratie, expertise en legacy-infrastructuur moeten elk worden aangepakt om een ​​naadloze overgang naar Industrie 4.0 te vergemakkelijken. AI alleen kan helaas niet de hoofdpijn oplossen van het succesvol implementeren van de op data gebaseerde technologieën die de productie naar Industrie 4.0 zullen leiden. Industriële IoT, robotica, digitale tweelingen en voorspellend onderhoud hebben allemaal snel terrein gewonnen als krachtige moderniseringstools voor productie, elk mogelijk gemaakt door Big Data en AI, maar net als bij hun voorouders vereisen ze elk een aanzienlijke strategische overweging om echt succesvol te zijn. De menselijke maat en operationele afstemming zijn de sleutelwoorden.

“Een succesvolle datagedreven transformatiestrategie moet rekening houden met een alomvattend beeld van verschillende factoren, waaronder de organisatiecultuur, klanten, medewerkers en technologie. Dit kan niet worden bereikt door geïsoleerde initiatieven, en heeft in plaats daarvan geconcentreerde focus, middellange tot lange termijn planning, sponsoring en investeringen nodig van bedrijfsleiders”, zegt Rohit Gupta, VP en Head of Manufacturing, Logistics, Energy and Utilities bij Cognizant. “Fabrikanten moeten hun huidige niveau van digitale volwassenheid beoordelen, de zakelijke en technische uitdagingen begrijpen en zich een duidelijke routekaart voorstellen om te gedijen in dit digitale paradigma. Dit moet een iteratieve aanpak zijn, gericht op het ontwikkelen van een fundament dat schaalbare en duurzame groei kan ondersteunen en datacapaciteiten binnen de organisatie kan opbouwen met duidelijke mijlpalen.”

Hulp van buitenaf is een enorme versneller, en SAS, McKinsey en Capgemini, om er maar een paar te noemen, hebben veel gedaan om de technologische en strategische lacunes te overbruggen van ondernemingen en productiebedrijven die de sprong naar de slimme toekomst willen maken. De technologische ecosystemen van vandaag zijn immers gebaseerd op een grotere focus op outsourcing en de wetenschap dat externe expertise vaak superieur is in een technische ruimte die met de dag gedetailleerder wordt. Productie is zeer complex en één maat past nooit bij iedereen, maar door gebruik te maken van de expertise van leiders in de data- en AI-ruimten, zullen de uitdagingen die zich voordoen zeker worden overwonnen en het enorme potentieel van Industrie 4.0 worden ontgrendeld.