Hoe AI verspilling aanpakt in fabrieken en de toeleveringsketen

Als we een wereld zonder afval willen, hebben we misschien iets anders nodig dan het menselijk brein om dat te bereiken.

Het antwoord, zoals met zoveel andere aspecten van het zakendoen van tegenwoordig, ligt in kunstmatige intelligentie - in dit geval het vermogen om industrieel afval in de productie te elimineren.

Stephen Pratt is chief executive officer van Noodle.ai, een bedrijf dat AI gebruikt om industriële flow-operaties te stroomlijnen. Hij beschouwt de jonge technologie als een hulpmiddel om "terug te gaan naar de manier waarop fabrieken en toeleveringsketens zouden moeten werken." En dat betekent het bereiken van "een naadloze stroom van grondstoffen naar het schap."

Natuurlijk is het elimineren van afval in de fabriek en daarbuiten al tientallen jaren een obsessie van supply-chain executives. Het beroemde Toyota Production System, dat zeven vormen van muda . identificeert , het Japanse woord voor afval, vindt zijn oorsprong in de late jaren veertig. Meer recentelijk hebben Lean en just-in-time (JIT)-theorieën voor het leveren van onderdelen aan fabrieken en afgewerkte goederen aan magazijnen weggenomen wat managers als overtollige voorraad beschouwden. (Helaas zo erg zelfs dat veel retailers zonder voldoende product kwamen te zitten om te voldoen aan de stijgende vraag naar consumptiegoederen tijdens de COVID-19-pandemie. De 'slanke' toeleveringsketen van de een is de voorraad van de ander.)

Men moet zich afvragen of eerdere theorieën om afval uit het systeem te wassen meer boeken en academische papers hebben opgeleverd dan echte resultaten in de fabriek. Volgens Pratt schat de Wereldbank dat het wereldwijde industriële afval tegenwoordig 18 keer groter is dan vast gemeentelijk afval - "de dingen die we afval noemen".

Om eerlijk te zijn, Lean, JIT, Six Sigma-methodologie, Theory of Constraints en andere geavanceerde planningstools hebben allemaal hun stempel gedrukt op managementpraktijken in de fabriek en daarbuiten. Productieafval is drastisch verminderd, maar blijft vandaag een probleem van $ 2 biljoen. (Pratt splitst dat aantal hieronder op.) "Er is lang niet in de buurt van een perfecte staat van stroom", zegt hij. "Veel toeleveringsketens hebben vaste bedrijfsregels, maar vraag het aan elke voorraadplanner en ze zullen je vertellen dat het enige wat ze weten is dat die regels verkeerd zijn."

Samen komt AI met een frisse benadering van afvalbeheer. Het verschil, zegt Pratt, is het gebruik van complexe algoritmen om te voorspellen wanneer overtollige onderdelen, producten en praktijken de werken dreigen te verstoppen. Met dergelijke waarschuwingen kunnen mensen actie ondernemen om het probleem op te lossen voordat het de productstroom beïnvloedt.

Het gebruik van AI specifiek om productieafval aan te vallen is minder dan een decennium oud, zegt Pratt, maar het is al "ongelooflijk effectief" gebleken. Eerdere productietoepassingen, waaronder planning van materiaalvereisten (MRP) en enterprise resource planning (ERP), werden gehinderd door trage computers en dure gegevens.

"De vloek van het bestaan ​​van die technologieën is dat ze uitgingen van gemiddelden voor productieopbrengst en levertijden", legt Pratt uit. “Dat is hetzelfde als praten over de gemiddelde schoenmaat van een persoon op aarde. Het verschil tussen het gemiddelde en de realiteit is ongeveer de helft van het afval in de hele wereld.”

Toyota's zeven vormen van muda, zoals geïdentificeerd door de Japanse industrieel ingenieur Taiichi Ohno, zijn transport, inventaris, beweging, wachten, overproductie, oververwerking en defecten. Met AI in beeld, breidt Pratt het concept uit tot buiten de fabriek om te schetsen wat hij momenteel beschouwt als de vier grootste afvalgebieden in de toeleveringsketen:

• Defecte producten. Een defect artikel dat het hele productieproces doorloopt, moet worden weggegooid. De kosten voor fabrikanten, zegt Pratt, bedragen ongeveer $ 861 miljard per jaar.
• Fabrieksstoringen. Ongeplande uitvaltijd is 'een gigantisch probleem' en kost $ 689 miljard per jaar.
• Fouten bij distributie. De fabriek blijkt een foutloos product te zijn, dat in het distributiestadium vastloopt omdat de huidige I.T. systemen kunnen de leveringsdoelen voor tijd, plaats en hoeveelheid niet halen. De kosten van overtollige voorraad:ongeveer $ 446 miljard per jaar.
• Lege planken. De afwezigheid van iets lijkt misschien geen vorm van verspilling. Maar de angst van retailers voor stockouts wanneer klanten willen kopen - wat ongeveer 9% van de tijd gebeurt - zorgt ervoor dat ze de supply chain overspoelen met voorraad. Als gevolg hiervan, zegt Pratt, "produceren ze meer dan nodig is."

Voor het eerst maakt de steeds groter wordende computercapaciteit het mogelijk om alle vier deze gebieden effectief aan te vallen. De gemiddelde computer die tegenwoordig voor dergelijke berekeningen wordt gebruikt, is 2000 keer sneller dan 's werelds snelste supercomputer in het jaar 2000, merkt Pratt op.

De rol van AI verschuift snel van beschrijvende naar prescriptieve analyses. Een AI-gestuurd systeem kan tegenwoordig scannen op afwijkingen, managers waarschuwen voor hun nadering, de gevolgen van dergelijke gebeurtenissen voorspellen en corrigerende maatregelen aanbevelen. Bovendien, zegt Pratt:"Het vertelt je hoe je je fabriek kunt aanpassen zodat je geen defecte producten maakt."

Dit alles betekent niet dat mensen volledig buiten beeld zijn. Pratt ziet het ideale systeem als een systeem dat de brute-force rekenkracht van AI combineert met de creativiteit en inzichten van het menselijk brein. En hoe dan ook, AI heeft nog een lange weg te gaan voordat het zijn belofte waarmaakt in productieomgevingen, laat staan ​​in de grotere wereld.

Zoals met elke geavanceerde technologie, zal de acceptatie van AI geleidelijk verlopen. Maar Pratt gelooft dat zijn volwassenheid wordt versneld door de vraag naar grote retailers zoals Walmart voor onberispelijke prestaties door leveranciers. Hun vermogen om aan dergelijke criteria te voldoen "zou het verschil kunnen zijn tussen bestaan ​​en vergaan", zegt hij.