AI drijft nul-afvalproductie: Transformatie van fabrieken en toeleveringsketens

Als we een wereld zonder afval willen, hebben we misschien iets anders nodig dan de menselijke hersenen om dat te bereiken.

Het antwoord, zoals bij zoveel andere aspecten van het bedrijfsleven vandaag, ligt in kunstmatige intelligentie – in dit geval haar vermogen om industriële afvalstoffen in de productie te elimineren.

Stephen Pratt is CEO van Noodle.ai, een bedrijf dat AI inzet om industriële stroomoperaties te stroomlijnen. Hij ziet de opkomende technologie als een instrument om "terug te keren naar de manier waarop fabrieken en toeleveringsketens bedoeld zijn te functioneren." En dat betekent het bereiken van "een naadloze stroom van grondstoffen naar de plank."

Decennia jacht op afvalvermindering

De eliminatie van afval in de fabriek en daarbuiten is al decennia een obsessie van supply-chain-leiders. Het beroemde Toyota Production System, dat zeven vormen van muda identificeert – het Japanse woord voor afval – vindt zijn oorsprong in de late jaren '40. Meer recentelijk hebben Lean- en just-in-time (JIT)-theorieën voor het leveren van onderdelen aan fabrieken en eindproducten aan magazijnen wat managers "overbodige" voorraad noemden, weggehaald. (Zoveel zelfs dat veel detailhandelaren tijdens de COVID-19-pandemie zonder voldoende producten zaten om de piekvraag te bevredigen. De "slanke" toeleveringsketen van de een is de stockout 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 globale industriële afval vandaag 18 keer groter is dan huishoudelijk vast afval – "wat we afval noemen."

AI als gamechanger

Eerlijk is eerlijk: Lean, JIT, Six Sigma, de Theory of Constraints en andere geavanceerde planningstools hebben allemaal hun stempel gedrukt op managementpraktijken. Productie-afval is drastisch verminderd, maar blijft een probleem van $2 biljoen per jaar. (Pratt splitst dat cijfer hieronder.) "Er is nergens een perfecte toestand van stroom," zegt hij. "Veel toeleveringsketens hebben vaste bedrijfsregels, maar vraag een voorraadvanner, en die vertelt je dat de enige zekerheid is dat die regels fout zijn."

AI biedt een verse aanpak voor afvalbeheersing. Het verschil, aldus Pratt, ligt in het gebruik van complexe algoritmen om te voorspellen wanneer overbodige onderdelen, producten en praktijken dreigen de werking te verstoren. Dergelijke signalen stellen mensen in staat om actie te ondernemen voordat de productstroom beïnvloed wordt.

Het gebruik van AI specifiek voor productie-afval is minder dan tien jaar oud, zegt Pratt, maar heeft zich al bewezen "ontzettend effectief." Eerdere productietoepassingen, zoals material requirements planning (MRP) en enterprise resource planning (ERP), werden gehinderd door trage computers en dure data.

"De pest voor die technologieën is dat ze gemiddelden aannamen voor productie-opbrengst en levertijden," legt Pratt uit. "Dat is alsof je praat over de gemiddelde schoenmaat van een mens op aarde. Het verschil tussen gemiddelde en realiteit is ongeveer de helft van al het afval ter wereld."

Vier grootste afvalgebieden in de supply chain

Toyota's zeven vormen van muda, geïdentificeerd door de Japanse industrieel ingenieur Taiichi Ohno, zijn: transport, voorraad, beweging, wachten, overproductie, oververwerking en fouten. Met AI in het beeld breidt Pratt het concept uit naar wat hij de vier grootste afvalgebieden in de huidige toeleveringsketen noemt:

• Defecte producten. Een defect item dat de hele productie doorloopt, moet worden weggegooid. De kosten voor fabrikanten: ongeveer $861 miljard per jaar.
• Fabriekstoringen. Ongeplande downtime is "een gigantisch probleem," met een kostprijs van $689 miljard per jaar.
• Distributiefouten. De fabriek levert een foutloos product, dat vastloopt in de distributiefase omdat huidige IT-systemen de leverdoelstellingen voor tijd, plaats en hoeveelheid niet halen. De kosten van overbodige voorraad: ongeveer $446 miljard per jaar.
• Lege planken. Het ontbreken van iets lijkt geen vorm van afval. Maar detailhandelaren zijn bang voor stockouts wanneer klanten willen kopen – wat ongeveer 9% van het geval is – en vullen de toeleveringsketen daarom met extra voorraad. Het resultaat, aldus Pratt: "Ze produceren meer dan nodig is."

Rekenkracht maakt het mogelijk

Voor het eerst maakt steeds groeiende rekenkracht het mogelijk om alle vier gebieden effectief aan te pakken. De gemiddelde computer voor dergelijke berekeningen is vandaag 2.000 keer sneller dan de snelste supercomputer ter wereld in het jaar 2000, merkt Pratt op.

De rol van AI verschuift snel van descriptieve naar prescriptieve analyses. Een AI-gestuurd systeem kan vandaag afwijkingen scannen, managers waarschuwen voor hun nabijheid, de gevolgen voorspellen en correctieve acties aanbevelen. Bovendien, zo zegt Pratt: "Het vertelt je hoe je je fabriek moet aanpassen zodat je geen defecte producten meer produceert."

Mens en machine samen

Dit betekent niet dat mensen uit het beeld verdwijnen. Pratt ziet het ideale systeem als een combinatie van de brute rekencracht van AI met de creativiteit en inzichten van de menselijke hersenen. En met welke maatstaf ook: AI heeft nog een lange weg te gaan voordat het zijn belofte in productieomgevingen waarmakt, laat staan in de bredere wereld.

Zoals bij elke high-tech-innovatie zal de acceptatie van AI geleidelijk verlopen. Maar Pratt gelooft dat de volwassenheid versneld wordt door eisen van grote detailhandelaren zoals Walmart voor foutloze prestaties van leveranciers. Hun vermogen om die criteria te halen, "kan het verschil zijn tussen bestaan en ondergaan," zegt hij.