Kleinere fabrikanten worden slanker met kunstmatige intelligentie

Kunstmatige intelligentie wordt algemeen erkend als een cruciaal aspect van wat algemeen wordt aangeduid als Industrie 4.0. Hoewel niemand nog weet hoe kunstmatige intelligentie zal worden opgenomen in de volgende fase van de industriële revolutie, zijn de meesten het erover eens dat het een grotere connectiviteit tussen mensen, machines en informatietechnologie mogelijk zal maken, waardoor fabrikanten processen beter kunnen optimaliseren en problemen kunnen voorspellen.

Hoe worden kleine en middelgrote fabrikanten (SMM's), die doorgaans niet de tijd of het kapitaal hebben die nodig zijn om opkomende technologieën te testen, verondersteld te evalueren hoe kunstmatige intelligentie hun organisatie zou kunnen beïnvloeden - en een rol te spelen bij het voorbereiden van hen op Industrie 4.0 ?

Afwachten tot de maakindustrie als het ware een beslissing neemt, is zeker geen optie. Een vertraging van één, twee of vijf jaar kan ertoe leiden dat een fabrikant achterblijft. Het is nu tijd om te handelen, maar de weg vooruit is niet duidelijk.

Een manier om dit aan te pakken is om kunstmatige intelligentie te evalueren door middel van een voortdurende transformatie die veel MKB-bedrijven al hebben omarmd:lean manufacturing.

Het "continue" aanbrengen in continue verbetering met kunstmatige intelligentie

Centraal in de lean-filosofie staat het idee van continue verbetering. Het is een toewijding aan voortdurende verandering. Om lean te doen, moet de bereidheid om te veranderen te allen tijde behouden blijven, zodat wanneer een kans voor verbetering wordt geïdentificeerd, deze snel kan worden geïmplementeerd.

Lean verbeteringen verlopen via interventies. Als er een probleem wordt gesignaleerd, bijvoorbeeld in een proces, ligt het werk stil. Teamleden worden ingeschakeld om te observeren, conclusies te trekken, oordelen te vellen en uiteindelijk acties te ondernemen om de oorzaak van het probleem aan te pakken. Deze intermitterende operatie is hoe lean werkt, hoewel het stop-start-ritme fundamenteel op gespannen voet lijkt te staan ​​met het idee van continue verbetering. Het is echter wat momenteel haalbaar is, of in ieder geval menselijk mogelijk is.

Nu, wat als u het werk niet hoefde te stoppen om een ​​lean operatie uit te voeren? Wat als u het grootste deel van het fundamentele lean-proces (observeren, conclusies trekken, oordelen, actie ondernemen) zou kunnen doen terwijl het werk aan de gang is, waardoor het lean-proces meer continu wordt? Dit is een van de belangrijkste beloften van kunstmatige intelligentie voor productieactiviteiten van elke schaal.

Waar lean operations kan beginnen met kunstmatige intelligentie

Kunstmatige intelligentie is een enorm veld dat een breed scala aan technologieën omvat - alles van algoritmen die kunnen leren van datasets tot robots die lijken op iets uit een sciencefictionverhaal.

Wat kleine fabrikanten betreft, is het type kunstmatige intelligentie waar ze zich in de eerste plaats mee bezig moeten houden, een subdiscipline die machine learning wordt genoemd. Zoals Amit Manghani het definieert in zijn "A Primer on Machine Learning:"

Manghani schetst vervolgens vier soorten machine learning, die allemaal toepassingen kunnen hebben voor lean manufacturing. Dit veronderstelt echter dat een kleine fabrikant bereid is te investeren in rekenkracht om de benodigde gegevens beschikbaar te stellen voor computationele analyse:

1. Bewaakte machine learning
2. Machinaal leren zonder toezicht
3. Semi-gesuperviseerde machine learning
4. Versterking machine learning

Laten we hieronder nader ingaan op elk van deze vier mogelijkheden om machine learning toe te passen op lean manufacturing:

1. Begeleid machine learning

Bij gesuperviseerde machine learning parseren algoritmen binnenkomende gegevens en wijzen ze labels toe aan elke datum die voldoet aan vooraf gedefinieerde criteria. Lean-fabrikanten zouden een dergelijke techniek kunnen gebruiken om de kwaliteitscontrole voor complexe onderdelen te automatiseren, ervan uitgaande dat relevante onderdeelgegevens kunnen worden vastgelegd en beschikbaar worden gesteld aan het algoritme.

2. Machine learning zonder toezicht

Met machine learning zonder toezicht zijn er geen vooraf bepaalde antwoorden die een algoritme kan gebruiken om gegevens te sorteren. In plaats daarvan moet het algoritme gegevens observeren en evalueren terwijl deze zich ophopen, patronen identificeren en opkomende labels creëren. Dit type machine learning kan door slanke fabrikanten worden gebruikt om een ​​productiemachine - of een reeks netwerkmachines - te controleren op ongewoon gedrag en zo te anticiperen op een storing.

3. Semi-gesuperviseerd machinaal leren

Zoals de naam al aangeeft, combineert semi-gesuperviseerde machine learning gesuperviseerde en niet-gesuperviseerde benaderingen. In een semi-gesuperviseerd scenario zijn er enkele bestaande labels voor gegevens. Andere criteria worden in de loop van de tijd ook door het algoritme ontwikkeld met behulp van menselijk toezicht. Een semi-gesuperviseerd scenario kan nuttig zijn voor het optimaliseren van repetitieve onderdeelproductie, waardoor zowel onderdeel- als procesverspilling mogelijk wordt geëlimineerd.

4. Versterking Machine Learning

In een versterkingsscenario projecteert een algoritme welke actie, uit een reeks mogelijke acties, zal resulteren in de hoogste beloning. SMM's die zich bezighouden met een lean transformatieproces zouden dit type machine learning kunnen gebruiken om verschillende paden af ​​te wegen naar procesgerichte veranderingen die ze voor ogen hebben.

Machineleren kan een aanvulling vormen op lean manufacturing

Door zich te concentreren op machine learning, kan men beginnen te zien hoe er toepassingen voor kunstmatige intelligentie zijn die nuttig en toegankelijk zijn voor de meeste fabrikanten, ongeacht hun grootte. In sommige gevallen zijn er al stukjes van de puzzel beschikbaar in de vorm van gegevens die zijn verzameld door reeds geïnstalleerde machinesensoren, bestaande infrastructuur voor informatietechnologie (IT) en operationele technologie (OT).

Nu SMM's toepassingen voor kunstmatige intelligentie beginnen te overwegen, is het belangrijk om te onthouden dat geen van deze scenario's automatisch de beschikbaarheid van banen voor mensen bedreigt. In plaats daarvan kunnen deze ideeën worden nagestreefd op een manier die complementair is aan een lean-proces dat werknemers sterker maakt door werknemers toegang te geven tot realtime informatie en betere hulpmiddelen voor het oplossen en uitvoeren van problemen op het werk.

Een bruikbare analogie is de huidige autosensortechnologie, die het bewustzijn en de waarnemingen van menselijke bestuurders aanvult. Deze technologie verbetert niet alleen de veiligheid, maar zorgt er ook voor dat er minder wrijving is in het totale rijsysteem door het gedrag van iedereen op de weg af te stemmen. Op deze manier haalt autoveiligheidstechnologie niemand uit de rij-vergelijking - ze maken autorijden een veiliger en efficiëntere ervaring.

Als we dit perspectief innemen, kan kunstmatige intelligentie worden gezien als gewoon een ander hulpmiddel in de slanke gereedschapskist - zij het een die het potentieel heeft om zeer krachtig te zijn.