Data en AI Benutten om Productie te Transformeren: Industrie-uitdagingen Overwinnen

Productie staat om aanzienlijke vooruitgang te boeken door Big Data en AI, maar de complexe uitdagingen van de industrie hebben de adoptie vertraagd...

"In productie zit u onder druk om continu kwaliteit te verbeteren terwijl kosten worden verlaagd en productiviteit verhoogd," zegt analytics software- en oplossingenleider SAS. Dit blijft even waar in de digitale eeuw, en technologische vooruitgang hebben samengewerkt om de uitdaging effectiever dan ooit aan te pakken.

Zelfs een summiere blik maakt het duidelijk dat, van alle industrieën die geschud worden door digitale transformatie, er weinig zichtbaarder en dramatischer getransformeerd zijn in de afgelopen jaren dan productie. Deze reis, van Henry Ford's arbeidsintensieve productielijnen tot de steeds meer mensen-vrije omgevingen van moderne fabrieken, is zwaar versneld door het avontuur van Big Data. Het oogsten van informatie van productieoperaties, apparatuur en machines, verkooppatronen en vraagfluctuaties stelt leiders in staat te strategiseren voor grotere efficiëntie, output en veiligheid. De Industrie 4.0 visie van slimme fabrieken die met minimaal menselijke input draaien terwijl ze hogere productiviteit, winstgevendheid en betrouwbaarheid opleveren, is enorm aantrekkelijk, maar het realiseren van dit doel brengt even grote uitdagingen met zich mee die overwonnen moeten worden.

De datagolf

Terug in 2018, identificeerde toonaangevende consultancy en outsourcing dienstverlener Capgemini productie als een van de industrieën met het meest aanzienlijke potentieel voor operationele verbetering door Big Data, zover gaande te zeggen dat de adoptie ervan vitaal is voor voortgezet zakelijk succes. "Met Big Data analytics niet langer een 'nice to have' optie, moeten bedrijven de juiste kansen identificeren om fabriekefficiëntie te verbeteren en inzichten te genereren," zei Capgemini in een november 2018 blogpost. "Big data analytics zou dan de competitieve rand bieden die bedrijven nodig hebben om te slagen in een steeds complexere omgeving."

Met enorme volumes data – een massa die exponentieel toeneemt voor operaties die gebruikmaken van Internet of Things (IoT) aangedreven technologie en de gigabit-per-seconde overdrachtssnelheden van 5G – komt immense complexiteit. Niet alleen moeten organisaties inzoomen op de waarde van een brede dataset, maar ze moeten die nascente waarde omzetten in actionable inzichten voordat ze voorbijgestreefd worden door nieuwere en relevantere data. Vaak moet ruwe data getrouwd worden met de telemetrie van andere systemen om zijn waarde te extraheren, en deze know-how op menselijk niveau is moeilijk te vinden.

Het geval voor AI

Over de hele wereld zijn getrainde datawetenschappers in hoge vraag en korte voorraad en, zelfs met een vloot van top data-analisten, is de echte waarde van een organisatie's data gesloten achter de lange tijd voor gecompliceerde analyses om uitgevoerd te worden, de waarschijnlijkheid van menselijke fout, en de behoefte aan diep overwogen data-implementatiestrategieën. De behoefte aan immediateheid en nauwkeurigheid, met name met de wijdverspreide data skills gap, kan beantwoord worden door een andere opkomende technologie: kunstmatige intelligentie (AI).

Zijn algoritmische berekeningen en analyses, toepasbaar op de behoeften van specifieke operaties, leveren resultaten die zowel nauwkeuriger als snel beschikbaar zijn, wat ondernemingen in staat stelt die data om te zetten in geïnformeerde actie die efficiëntie en productiviteit verbetert, operaties schaalt naar real-time vraag en veiligheid verbetert, de problemen die geposeerd worden door een tekort aan expertise opheffend waardescheppend. Het kan zelfs problemen vangen voordat ze ontstaan via predictief onderhoud, wat een aanzienlijke arbeidskracht en tijdsallocatie zou vereisen zonder de belofte van nauwkeurigheid die AI biedt.

"Predictief onderhoud is een gebied waar IoT, Big Data en analytics een significante impact maken," zegt Debbie Heaton-Bowen, Partner bij Oliver Wight EAME. "Hoewel het oorsprong had in de jaren '90, heeft het avontuur van geavanceerde technologie ervoor gezorgd dat de capaciteiten van predictief onderhoud recent 'supercharged' zijn, met name in de productiesector met slimme fabrieken die realiteit worden. Ongeplande downtime en slecht onderhoud kunnen bedrijven miljoenen kosten, maar IoT-ingeschakelde sensoren kunnen detecteren wanneer machines een check-up nodig hebben, het ontwikkelen van een ernstigere fout voorkomend die kostbare storing zou veroorzaken. Niet alleen identificeert predictief onderhoud fouten gemist door het menselijk oog, maar het neemt ook puur data-gedreven beslissingen om de levensduur van machines te verbeteren, servicekosten te verlagen en operationele efficiëntie te verhogen voor gezondere winsten."

Elders is robotica een andere trend in de industrie die aanzienlijk belofte toont, en AI is vitaal voor hun waardepropositie wanneer geïmplementeerd over productieprocessen heen. "Wanneer correct geïntegreerd, kunnen deze robotische eenheden mensen's vaardigheden en sterktes versterken om werkplekefficiëntie te verhogen en de werknemerservaring te verbeteren," zegt Prasad Satyavolu, CDO van Manufacturing and Logistics bij IT-dienstverlener Cognizant. "Ze worden al geïmplementeerd over productieorganisaties heen, van het plaatsen van schokdempers of het snijden van vlees op een traditionele assemblage lijn, tot drones die fungeren als de ogen van beveiligingsambtenaren die een enorme containerterrein patrouilleren. In doing so, de nieuwe generatie autonoom medewerkers bevrijdt mensen om hogere waarde werk te nemen. Onderzoekers bij MIT vonden dat mens-robot teams die voor BMW werkten ongeveer 85% productiever waren dan mensen of robots alleen werkend." AI kan dus gelijktijdig skills gaps overbruggen en de beschikbare tijd voor geschoolde werknemers maximaliseren om zich te richten op taken waar ze meer waarde kunnen toevoegen.

De uitdagingen van AI-adoptie

Onduidelijk de duidelijke kansen die het presenteert, merkt management consultancy McKinsey op dat AI-adoptie in de productie-industrie opvallend traag is geweest. "Terwijl AI-technologieën tastbare verbeteringen hebben gemaakt aan toeleveringsketens en administratieve functies, hebben ze tot nu toe nauwelijks aanwezigheid in productie gehad," zegt McKinsey, notend dat deze trage adoptie deels getriggerd is door een zware afhankelijkheid van expertise en kennisrijke werknemers, wat enigszins ironisch is gegeven de capaciteit voor AI om deze expertise te herleiden naar minder repetitieve processen. De afhankelijkheid van geschoolde werknemers is op zich een reden om AI's integratie in de industrie te versnellen.

"Omdat variaties in operator-kwalificaties niet alleen prestaties maar ook winsten kunnen beïnvloeden, is AI's vermogen om kennis te behouden, te verbeteren en te standaardiseren umso belangrijker," zegt McKinsey. "Bovendien, aangezien het complexe operationele setpunt-beslissingen op eigen initiatief kan nemen, is AI in staat om betrouwbaar voorspelbare en consistente output te leveren in markten die moeite hebben met het aantrekken en behouden van operator-talent."

Naast deze afhankelijkheid van menselijk kapitaal, vertrouwen veel fabrieken op legacy machines die zelfs het internet voordateren, en die geïntroduceerd in de afgelopen twee decennia vereisen een mate van modificatie om ze compatibel te maken met de data-oogsttechnologie van vandaag. Tegenover, de vragen van het bemachtigen van de meest impactvolle datasets, hoe ze het beste te interpreteren en de bevindingen te implementeren, variëren niet alleen per bedrijf maar ook per afdelingen en teams.

Onderzoeksbureau NelsonHall merkt op dat de adoptie van MES (Manufacturing Execution Systems) deze complexiteit verder verhoogt. MES heeft bedrijven jarenlang in staat gesteld hun operaties te digitaliseren en data gemakkelijker te benaderen, maar de diepe customisatie van elk faciliteit's eigen MES betekent dat compatibiliteit en integratie met andere technologieën, zoals de analytics-software die data van diverse bronnen verzamelt en analyseert, een aanzienlijke uitdaging is. "De moeilijkheid die MES meebrengt is dat het moeilijk en duur is om te upgraden, gegeven het niveau van customisatie," zegt NelsonHall. "Ook, MES regeert de productie van een fabriek, dus ze zijn kritieke systemen en vereisen daarom rigoureuze ontwikkeling en implementatie, testing, en roll-out. Met andere woorden, ze zijn vergelijkbaar met mainframe-applicaties: zolang ze draaien, wil niemand ze echt te diep aanraken." Het omzeilen van dit probleem wordt vaak gedaan door de toevoeging van complementaire systemen, zoals die geleverd door Dassault, Siemens, PTC en dergelijke, wat nog meer complexiteit toevoegt waar veel operators streven naar het stroomlijnen en verslanken van hun tech-infrastructuur om flexibiliteit en agiliteit te vergroten.

De uitdaging hydra aanpakken

Duidelijk is dat de uitdagingen van succesvol benutten van productiedatasets enorm zijn: strategie, telemetrie, integratie, expertise, en legacy-infrastructuur moeten elk aangepakt worden om een naadloze beweging naar Industrie 4.0 te faciliteren. AI alleen, helaas, kan de hoofdpijn van succesvol implementeren van data-gebaseerde technologieën die productie in Industrie 4.0 zullen drijven niet oplossen. Industriële IoT, robotica, digitale tweelingen, en predictief onderhoud hebben allemaal snel tractie gekregen als krachtige moderniseringstools voor productie, elk mogelijk gemaakt door Big Data en AI, maar net als hun voorgangers vereisen ze elk aanzienlijke strategische overweging om werkelijk succesvol te zijn. De menselijke aanraking, en operationele afstemming, zijn de sleutel.

"Een succesvolle data-gedreven transformatiestrategie moet rekening houden met een uitgebreid beeld van diverse factoren inclusief organisatiecultuur, klanten, werknemers, en technologie. Dit kan niet bereikt worden geïsoleerde initiatieven, en heeft in plaats daarvan geconcentreerde focus, middellange tot lange-termijn planning, sponsoring, en investering direct van zakelijke leiders nodig," 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 duidelijk een roadmap envisageren om te bloeien in dit digitale paradigma. Dit moet een iteratieve aanpak zijn, gericht op het ontwikkelen van een fundering die schaalbare en duurzame groei kan ondersteunen en data-capaciteiten binnen de organisatie kan opbouwen duidelijke mijlpalen."

Buitenhulp is een enorme versneller, en SAS, McKinsey, en Capgemini om er maar een paar te noemen, hebben veel gedaan om de technologische en strategische gaten van bedrijven en productiemachten die de sprong willen maken naar de slimme toekomst te overbruggen. Immers, vandaag de dag zijn tech-ecosystemen geprediceerd op een grotere focus op outsourcing en de kennis dat buitenspecialisatie vaak superieur is in een tech-ruimte die dagelijks meer granulair wordt. Productie is diep complex en één maat kan nooit allen passen, maar het benutten van de expertise van leiders over de data en AI-ruimtes is zeker om de uitdagingen te overwinnen en het enorme potentieel van Industrie 4.0 ontgrendelen.