Waarom Fabrikanten AI en Big Data Moeten Omhelzen voor Concurrentievoordeel

Manufacturing Global spreekt met uitvoerende leiders bij EY, Infor en GE Digital om tot de kern van deze vraag te komen.

Hoewel de drang om de productie-industrie digitaal te transformeren al een decennium lang een onderwerp van gesprek is, hebben recente gebeurtenissen de behoefte aan de agiliteit, schaalbaarheid en veerkracht die Industry 4.0 en slimme productiemogelijkheden bieden, alleen maar versterkt. In gesprek met Cobus Van Heerden, Senior Digital Product Manager bij GE Digital, Mark Powell, Partner bij EY (UKI Consulting), en Phil Lewis, Vice President Solution Consulting EMEA bij Infor, onderzoekt Manufacturing Global hoe technologieën die AI en Big Data benutten, fabrikanten kunnen helpen realtime operationele zichtbaarheid te bereiken voor verbeterde procesbetrouwbaarheid en -prestaties.

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

CVH: Industriële AI gebruikt een combinatie van gerichte AI-technologieën, data, natuurkunde en diepe domeinkennis om cruciale industriële zakelijke uitdagingen op te lossen. Traditionele AI nabootst menselijke intelligentie, terwijl industriële AI erop voortbouwt om inzichten en causale kennis te ontgrendelen in hoogrisico's, dynamische en variabele industriële omgevingen. In de productie kan industriële AI worden gebruikt om cruciale proces- en asset-problemen te detecteren en te voorspellen, zodat bedrijven hun operaties kunnen optimaliseren, inclusief capaciteit, kwaliteit en kostenstructuren.

PL: Handboekdefinities van AI of Big Data missen het punt dat industrieën verschillen en drastisch verschillende eisen aan de technologie stellen. Het gaat om de toepassing van een gegeven technologie op een specifiek probleem dat een bedrijf kan ervaren. Dit probleem kan een 'industrie-standaard' zijn of iets dat ontstaat in de configuratie van de technologie. Maar de grootste waarde zit in de toepassing van tools als Big Data en AI op de kritische 10% van een bedrijf die werkelijk uniek is. We classificeren dit als een 60/30/10-verdeling en dat is hoe we kijken naar het toepassen van deze technologieën om maximale waarde te genereren.

Waarom moeten fabrikanten AI en Big Data gebruiken voor Industry 4.0 en slimme productiemogelijkheden?

CVH: Slimme productiezet industriële geavanceerde analyses in om toekomstige asset- en procesprestaties te voorspellen met behulp van realtime en historische data en optimaliseert in een gesloten lus. Dit omvat het gebruik van AI en machine learning om procesingenieurs in staat te stellen data te combineren over industriële databronnen, snel problemen te identificeren, basiscausen van problemen in de fabriek te ontdekken, toekomstige prestaties van assets te voorspellen en acties te automatiseren die werknemers kunnen ondernemen om kwaliteit, productiviteit en operaties te verbeteren.

MP: Digitalisering dwingt fabrikanten hun toeleveringsketens te heruitvinden. Als voorbeeld: de meeste bedrijven gebruiken interne data om vraag-aanbodbalansen te volgen en het is voor hen uitdagend om externe gebeurtenissen die hun toeleveringsketens beïnvloeden, te voorzien. Door AI-technieken te gebruiken die ongestructureerde externe datasets begrijpen, zoals sociale media en andere data over gebeurtenissen, kunnen fabrikanten veel eerder plannen voor storingen in de toeleveringsketen.

Daarnaast kunnen fabrikanten AI en Big Data gebruiken om digitale replica's van hun productieoperaties te bouwen en te tappen in de transformatieve mogelijkheden van het verminderen van cyclus tijd in productie, het toevoegen van productiecapaciteit en het voorspellen van ongeplande onderhoudsactiviteiten.

PL: Sommige van de posterchild-statistieken voor AI en Big Data eisen simpelweg aandacht. Onlangs automatiseerde Siemens een van zijn fabrieken in Duitsland, met 75% van de processen gedigitaliseerd of met verhoogde automatisering. Productiviteit verbeterde met 1.400%. Dat is game-changing voor elk bedrijf. Dit betekent dat veel fabrikanten nu kijken naar hoe ze AI en Big Data in hun plannen voor de toekomst kunnen integreren.

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

CVH: Procesingenieurs hebben uitzonderlijke domeinexpertise om procesmodellen samen te stellen - of Proces Digital Twins - en deze te interpreteren. Dit is de basis voor het verbeteren van concurrentievoordeel en succes met analyses. Om analyses te sturen en processen te verbeteren, moeten fabrikanten een strategie opstellen die domeinexpertise kan afstemmen op vijf capabilities: Analyse - automatische basiscausaal identificatie versnelt continue verbetering; Monitoring - vroege waarschuwingen verminderen downtime en verspilling; Voorspelling - proactieve acties verbeteren kwaliteit, stabiliteit en betrouwbaarheid; Simulatie - what-if-simulaties versnellen nauwkeurige beslissingen tegen lagere kosten; en Optimalisatie - optimale procesinstellingen verbeteren doorvoer met acceptabele kwaliteit met tot 10 procent.

Alle procesingenieurs kunnen en moeten capabilities in analyses en machine learning ontwikkelen om competitief te blijven. Naarmate de tijd vordert, kunnen ingenieurs gaan van kleine projecten naar pilots naar multi-plant optimalisatie met diepe toepassing van analyses. Hun diepe domeinexpertise biedt een basis voor het modelleren van processen en het ontwikkelen van analyses die game-changers zijn in zeer specifieke toepassingen.

Het allerbelangrijkste: begin met analyses. 'Trystorm' een paar projecten; zet je intuïtieve ideeën op de proef en zet data en analyses erachter. Wacht niet tot je een data science-expert bent. Dat is niet nodig. Gebruik bewezen, gebruiksvriendelijke industriële analysetools gevoed met je domeinexpertise. Dat gaat grote verbeteringen snel drijven.

PL: Bedrijven - inclusief fabrikanten - neigen ertoe digitale projecten te beoordelen met een focus op klant, toeleveringsketen, interne efficiëntie of mensen - dat zijn de vier hoofdstuurmechanismen voor elke invalshoek in het digitale. Deze zijn vaak organisch en ontstaan uit een lopende 'hoe kunnen we het beter doen'-houding. Dit is versneld door zorgen over concurrentie, omdat bedrijven nu vrees hebben achter de concurrentie en disruptieve nieuwkomers te blijven. Er is tastbare angst om digitaal relevant te zijn en dit bevordert veel investeringen.

Echter, het is de moeite waard op te merken dat veel fabrikanten al zwaar hebben geïnvesteerd in technologie (zelfs voordat COVID een verplaatsing naar digitalisering forcerde), dus het eerste definitiespunt is AI en Big Data af te stemmen op bestaande technologie. Wanneer bedrijven hun technologie in gebruik vandaag beoordelen, moeten ze niet alleen rekening houden met een kortetermijnperspectief van of de technologie huidige processen kan aan, maar ook of het een platform voor de toekomst biedt? Dit laatste perspectief is gebouwd op data. Beide elementen zijn even belangrijk, maar het tweede 'platformperspectief' eist big data. Het is niet meer genoeg om een platform te kiezen dat alleen de lopende processen ondersteunt/aangepast - er moeten toekomstmogelijkheden ingebouwd zitten.

Daarnaast is er de noodzaak om te zorgen dat deze technologie op de best mogelijke manier wordt ingezet. Dit vereist een open, cloud-gebaseerd applicatielandschap zodat een bedrijf nieuwe kansen zoals Big Data of AI kan grijpen zonder door een omslachtige integratie- en bolt-on-proces te hoeven gaan. Dit maakt een organisatie agieler, gefocust op de creatieve toepassing van de technologie op de behoeften van het bedrijf, zoals het identificeren van nieuwe kansen voor omzet.

Wat zijn de uitdagingen bij het adopteren van AI en Big Data-analyses in productieoperaties?

CVH: Fabrikanten worden geconfronteerd met het verminderen van verspilling, kosten en risico's terwijl ze aan klantvraag voldoen. De combinatie van AI en data versnelt digitalisering door analyse-gebaseerde oplossingen die werknemers voorzien van data in context, zodat mensen, assets en processen efficiënt samenwerken.

Een andere uitdaging voor bedrijven is simpelweg aan de slag gaan. Ze willen meer leren over hoe ze analyses in hun operaties kunnen gebruiken, maar zien het niet als een taak voor hun huidige werknemerskracht. Gelukkig kunnen industriële AI-oplossingen helpen en vereisen niet dat procesingenieurs data scientists zijn.

MP: De sleuteluitdaging bij het adopteren van AI zal neerkomen op de vermogen van fabrikanten om afstemming tot stand te brengen over de organisatie heen op sommige van de hoog-waardegebieden waar AI impact zal maken. Bijvoorbeeld, het gebruik van machine learning en computer vision om fouten in apparatuur te voorspellen en te identificeren voordat ze optreden, wat productiedowntime vermindert en onderhoudskosten verlaagt. Een andere uitdaging is het vestigen van een cultuur van het infusen van AI in hun processen door een test-en-leer-cultuur.

Te lang hebben organisaties gepraat over het worden 'data-gestuurd' en dit heeft over het algemeen niet zo goed gewerkt als gehoopt. Fabrikanten moeten een andere aanpak nemen die begint met begrijpen waar waarde gedreven kan worden uit nieuwe inzichten en dan focussen op de data nodig om de inzichten te drijven die vervolgens zakelijke waarde kunnen drijven. Organisaties moeten 'inzicht-gestuurd en data-ingeschakeld' worden en niet simpelweg 'data-gestuurd' - pas dan zullen ze de kracht van AI en big data echt benutten.

PL: Het gaat allemaal om hoe houdingen ten aanzien van data zijn veranderd. Het werd eerder gezien als een noodzakelijk kwaad, maar is nu het nummer één activum in een bedrijf. Typisch drijft dit een obsessie met big data-labels, maar wat je met de data doet telt - het gebruik van AI / BI / IoT etc. om die data om te zetten in een werkelijk waardevol activum. De auto-industrie is het primair voorbeeld - het gebruiken en verkopen van de data die door een auto wordt geproduceerd. Interessant genoeg nemen we nu 'cloud' bijna voor liefde - hadden we deze vraag 24 maanden geleden beantwoord, cloud zou de eerste overweging zijn geweest, maar het is nu table stakes. Het is niet meer de vraag of een bedrijf naar de cloud gaat, maar meer wat voor type cloud/cloud-gebruik? We zijn ver voorbij het infrastructuurgesprek - het 'hoe' - en in het 'wat' - en in het 'waarom' een bedrijf zich richt op digitale omarming.

Drijven kunstmatige intelligentie (AI) en Big Data de vierde industriële revolutie (Industry 4.0)?

CVH: De combinatie van Industriële AI en data produceert wat we een Proces Digital Twin noemen, wat fabrikanten helpt om snel continue, discrete of batch-productieprocesprestaties te troubleshooten door inzicht te delven uit beschikbare sensor- en productiedata. Deze technologie, die voorspellende analyses gebruikt, stelt gebruikers in staat om operationele scenario's te analyseren, de impact te kwalificeren die operationele veranderingen zullen hebben op belangrijke prestatie-indicatoren en oorzaken voor prestatievariatie te identificeren. Digital Twins inspireren continue verbetering, een sleuteldoel van de toekomst van de industrie door terug te kijken naar historische data alsook realtime om snel vooruit te gaan.

PL: We zien dagelijkse toenemingen in AI/ML-gebruik - voorraado optimalisatie, onderhoud, snelere financiële processen zijn allemaal sleutelgebieden die we vaak zien opduiken. Voor dit door te zetten, en return on investment te laten doorgaan, moet AI 'ingelast' zijn en klaar om te gaan met andere systemen, in plaats van een bolt-on, anders riskeren bedrijven een zware, en kostbare integratieproject. In termen van de volgende specifieke technologie, hangt het echt af van de rijpgraad van het individuele bedrijf of project - bedrijven bereiken nu pas het punt van een digitaal weefsel in plaats van een bende digitale projecten. Prescriptief werken, gedreven door AI en gevoed door massa's sensordata, houdt een enorme belofte in voor B2B / industriële markten en we zien enkele zeer moedige begintjes in asset-onderhoud en veldservice.