Waarom zouden fabrikanten AI en big data moeten gebruiken?

Manufacturing Global spreekt met leidinggevenden bij EY, Infor en GE Digital om deze vraag tot op de bodem uit te zoeken

Hoewel de drive om de maakindustrie digitaal te transformeren het afgelopen decennium een ​​onderwerp van gesprek is geweest, hebben recente gebeurtenissen de behoefte aan de flexibiliteit, schaalbaarheid en veerkracht die Industrie 4.0, slimme productiemogelijkheden kan bieden, alleen maar vergroot. Sprekend met Cobus Van Heerden, Senior Digital Product Manager bij GE Digital, Mark Powell, Partner, EY (UKI Consulting), en Phil Lewis, Vice President, Solution Consulting EMEA bij Infor Manufacturing Global bekijkt hoe technologieën die gebruikmaken van AI en Big Data fabrikanten kunnen helpen realtime operationele zichtbaarheid te ontsluiten om verbeterde procesbetrouwbaarheid en prestaties te bereiken.

Wat zijn de huidige toepassingen van kunstmatige intelligentie (AI) en Big Data in de maakindustrie?

CVH: Industriële AI gebruikt een combinatie van gerichte AI-technologieën, data, fysica en diepgaande domeinkennis om belangrijke industriële zakelijke uitdagingen op te lossen. Traditionele AI bootst menselijke intelligentie na, terwijl industriële AI erop voortbouwt om inzichten te ontsluiten en causale kennis te bepalen in dynamische en variabele industriële omgevingen met hoge inzetten. In productie kan industriële AI worden gebruikt om belangrijke proces- en activaproblemen te detecteren en te voorspellen om bedrijven te helpen hun activiteiten te optimaliseren, inclusief capaciteit, kwaliteit en kostenstructuren.

PL: Leerboekdefinities van AI of Big Data missen het punt dat industrieën verschillen en zullen drastisch andere eisen stellen aan de technologie. Het gaat over de toepassing van een bepaalde technologie op een specifiek probleem dat een bedrijf kan ervaren. Dit probleem kan een 'industriestandaard' probleem zijn of iets dat zich voordoet in de configuratie van de technologie. Maar de meeste waarde schuilt in de toepassing van tools zoals Big Data en AI op de kritische 10% van een bedrijf dat echt eigenzinnig is. We classificeren dit als een verdeling van 60/30/10 en het is hoe we deze technologieën willen toepassen om maximale waarde te genereren.

Waarom zouden fabrikanten AI en Big Data gebruiken om dit te doen voor fabrikanten die Industrie 4.0, slimme productiemogelijkheden willen adopteren?

CVH: Slimme productie maakt gebruik van industriële geavanceerde analyses om toekomstige activa- en procesprestaties te voorspellen met behulp van realtime en historische gegevens en te optimaliseren in een gesloten kringloop. Dit omvat het gebruik van AI en machine learning om procesingenieurs in staat te stellen gegevens uit industriële gegevensbronnen te combineren en snel problemen te identificeren, de hoofdoorzaken van problemen in de fabriek te ontdekken, de toekomstige prestaties van activa te voorspellen en acties te automatiseren die werknemers kunnen nemen om de kwaliteit te verbeteren , productiviteit en bewerkingen.

Kamerlid: Digitalisering dwingt fabrikanten hun toeleveringsketens opnieuw vorm te geven. De meeste bedrijven gebruiken bijvoorbeeld interne gegevens om de balans tussen vraag en aanbod te volgen en het is voor hen een uitdaging om te voorzien in externe gebeurtenissen die van invloed zijn op hun toeleveringsketens. Met behulp van AI-technieken die ongestructureerde externe datasets begrijpen, zoals sociale media en andere gegevens over evenementen, kunnen fabrikanten veel eerder plannen voor verstoringen van de toeleveringsketen.

Bovendien kunnen fabrikanten AI en Big Data gebruiken om digitale replica's van hun productieactiviteiten te bouwen en transformatieve mogelijkheden aan te boren om de cyclustijd in de productie te verkorten, productiecapaciteit toe te voegen en ongeplande onderhoudsactiviteiten te voorspellen, enz.

PL: Sommige van de poster-kindstatistieken voor AI en Big Data vragen gewoon om aandacht. Onlangs heeft Siemens een van zijn fabrieken in Duitsland geautomatiseerd, waarbij 75% van de processen is gedigitaliseerd of verder is geautomatiseerd. De productiviteit verbeterde met 1.400%. Dat is baanbrekend voor elk bedrijf. Dit betekent dat veel fabrikanten nu kijken hoe ze AI en Big Data kunnen integreren in hun plannen voor de toekomst.

Wat is de beste strategie voor fabrikanten die de waarde van AI en Big Data in hun activiteiten willen realiseren?

CVH: Procesingenieurs hebben uitzonderlijke domeinexpertise om procesmodellen – of Process Digital Twins – samen te stellen en de modellen te interpreteren. Dit is de basis voor het verbeteren van concurrentievoordeel en succes met analyses. Om analyses te stimuleren en processen te verbeteren, moeten fabrikanten een strategie opstellen die domeinexpertise kan afstemmen op vijf mogelijkheden:Analyse - automatische identificatie van de hoofdoorzaak versnelt continue verbetering; Monitoring – vroegtijdige waarschuwingen verminderen uitvaltijd en afval; Voorspelling – proactieve acties verbeteren de kwaliteit, stabiliteit en betrouwbaarheid; Simulatie – wat-als-simulaties versnellen nauwkeurige beslissingen tegen lagere kosten; en optimalisatie – optimale procesinstelpunten verbeteren de doorvoer bij acceptabele kwaliteit tot 10 procent.

Alle procesingenieurs kunnen en moeten capaciteiten ontwikkelen op het gebied van analyse en machine learning om concurrerend te blijven. Na verloop van tijd kunnen ingenieurs van kleine projecten naar pilots gaan naar optimalisatie van meerdere fabrieken met diepgaande toepassing van analyses. Hun diepgaande domeinexpertise biedt een basis voor het modelleren van processen en het ontwikkelen van de analyses die game changers zijn in zeer specifieke toepassingen.

Het belangrijkste is dat u aan de slag gaat met analyses. "Trystorm" sommige projecten; stel uw intuïtieve ideeën op de proef en zet gegevens en analyses erachter. Wacht niet om een ​​data science-expert te worden. Dat is niet nodig. Maak gebruik van bewezen, gebruiksvriendelijke tools voor industriële analyse, gevoed met uw domeinexpertise. Dat zal snel tot grote verbeteringen leiden.

PL: Bedrijven - inclusief fabrikanten - hebben de neiging om digitale projecten te beoordelen met een focus op klant, toeleveringsketen, interne efficiëntie of mensen - dat zijn de vier belangrijkste drijfveren voor elke stap naar digitaal. Deze zijn vaak organisch en komen voort uit een voortdurende 'hoe kunnen we het beter doen'-houding. Dit is versneld door bezorgdheid over de concurrentie, aangezien bedrijven nu bang zijn om achter te blijven bij de concurrentie en ontwrichtende nieuwkomers. Er is een voelbare angst om digitaal relevant te zijn en dit bevordert veel investeringen.

Het is echter vermeldenswaard dat veel fabrikanten al zwaar in technologie hebben geïnvesteerd (zelfs voordat COVID een overstap naar digitalisering dwong), dus het eerste punt van definitie is om AI en Big Data af te stemmen op bestaande technologie. Wanneer bedrijven hun technologie beoordelen die vandaag in gebruik is, moeten ze niet alleen rekening houden met een kortetermijnperspectief:zal de technologie de huidige processen aankunnen, maar biedt het ook een platform voor de toekomst? Dit laatste perspectief is gebaseerd op data. Beide elementen zijn even belangrijk, maar het tweede ‘platformperspectief’ vraagt ​​om big data. Het is niet langer voldoende om een ​​platform te kiezen dat alleen de lopende processen ondersteunt/tweakt - er moeten toekomstige mogelijkheden ingebouwd zijn.

Vervolgens moet ervoor worden gezorgd dat deze technologie zo goed mogelijk wordt ingezet. Dit vereist een open, cloudgebaseerd applicatielandschap, zodat een bedrijf nieuwe kansen zoals Big Data of AI kan grijpen zonder een omslachtig integratie- en bout-onproces te hoeven doorlopen. Dit maakt een organisatie wendbaarder, gericht op de creatieve toepassing van de technologie op de behoeften van het bedrijf, zoals het identificeren van nieuwe kansen voor inkomsten.

Wat zijn de uitdagingen als het gaat om het toepassen van AI en Big Data-analyse in productieactiviteiten?

CVH: Fabrikanten staan ​​voor de uitdaging om afval, kosten en risico's te verminderen en tegelijkertijd aan de vraag van de klant te voldoen. De combinatie van AI en data zorgt voor een versnelling van de digitalisering door middel van op analyses gebaseerde oplossingen die werknemers in staat stellen met gegevens in context, zodat mensen, bedrijfsmiddelen en processen efficiënt samenwerken.

Een andere uitdaging voor bedrijven is om net te beginnen. Ze willen meer leren over het gebruik van analytics in hun bedrijfsvoering, maar zien dit niet als een taak voor hun huidige personeelsbestand. Gelukkig kunnen industriële AI-oplossingen helpen en hoeven procesingenieurs geen datawetenschappers te zijn.

Kamerlid: De belangrijkste uitdaging bij het adopteren van AI zal neerkomen op het vermogen van fabrikanten om in de hele organisatie afstemming tot stand te brengen op enkele van de hoogwaardige gebieden waar AI een impact zal hebben. Gebruik bijvoorbeeld machine learning en computervisie om fouten in apparatuur te voorspellen en te identificeren voordat ze zich voordoen, waardoor productiestilstand wordt verminderd en onderhoudskosten worden verlaagd. Een andere uitdaging is het creëren van een cultuur waarin AI in hun processen wordt geïntegreerd door middel van een test-en-leercultuur.

Te lang hebben organisaties gesproken over ‘datagedreven’ worden en dit heeft over het algemeen niet zo goed gewerkt als gehoopt. Fabrikanten moeten een andere aanpak kiezen die begint met inzicht in waar waarde kan worden gegenereerd uit nieuwe inzichten en zich vervolgens richt op de gegevens die nodig zijn om de inzichten te genereren die vervolgens de bedrijfswaarde kunnen stimuleren. Organisaties moeten 'inzichtgestuurd en datagestuurd' worden en niet alleen 'datagestuurd' - alleen dan zullen ze echt de kracht van AI en big data kunnen benutten.

PL: Het gaat erom hoe de houding ten opzichte van data is veranderd. Het werd eerder gezien als een noodzakelijk kwaad, maar is nu de belangrijkste troef in een bedrijf. Doorgaans leidt dit tot een obsessie met big data-labels, maar het is wat u met de gegevens doet dat ertoe doet - met behulp van AI / BI / IoT enz. om die gegevens om te zetten in een echt waardevol bezit. De auto-industrie is het beste voorbeeld - het gebruiken en verkopen van de gegevens die door een auto worden geproduceerd. Interessant is dat we 'cloud' nu bijna als vanzelfsprekend beschouwen - als we deze vraag 24 maanden geleden hadden beantwoord, zou cloud de eerste overweging zijn geweest, maar het gaat nu om tafels. Het is niet langer of een bedrijf naar de cloud gaat, maar meer de vraag welk type cloud/cloud gebruikt? – We zijn veel verder gegaan dan het gesprek over infrastructuur – het hoe en in het wat – en in het waarom een ​​bedrijf digitaal wil omarmen.

Zijn kunstmatige intelligentie (AI) en Big Data de drijvende kracht achter de vierde industriële revolutie (Industrie 4.0)?

CVH:  De combinatie van industriële AI en data produceert wat we een Process Digital Twin noemen, die fabrikanten helpt om snel problemen op te lossen met de prestaties van continue, discrete of batchproductieprocessen door inzicht te verkrijgen uit beschikbare sensor- en productiegegevens. Deze technologie, die gebruikmaakt van voorspellende analyses, stelt gebruikers in staat operationele scenario's te analyseren, de impact te bepalen die operationele veranderingen zullen hebben op de belangrijkste prestatiestatistieken en de oorzaken van prestatievariatie te identificeren. Digital Twins inspireren continue verbetering, een belangrijk doel van de toekomst van de industrie door terug te kijken naar historische gegevens en realtime om snel vooruit te gaan.

PL:  We zien dagelijks een toename in het gebruik van AI/ML - voorraadoptimalisatie, onderhoud, snellere financiële processen zijn allemaal belangrijke gebieden die we vaak zien voorkomen. Om dit door te laten gaan en het rendement op de investering te laten voortduren, moet AI worden geïntegreerd en klaar voor gebruik met andere systemen, in plaats van een bolt-on, of bedrijven worden geconfronteerd met een omvangrijk en kostbaar integratieproject. In termen van de volgende specifieke technologie hangt het echt af van de volwassenheid van het individuele bedrijf of project - bedrijven bereiken nog maar net het punt van een digitaal weefsel in plaats van een heleboel digitale projecten. Voorschrijvend werken, aangedreven door AI en gevoed door massa's sensorgegevens, belooft veel voor de B2B / industriële markten en we zien een aantal zeer bemoedigende vroege opnames in het onderhoud van activa en buitendienst.