• A mesterséges intelligencia (AI) világszerte akár 1,4-2,6 billió dollárnyi értéket is generálhat marketing és sales területen, és 1,2-2 billiót az ellátási lánc-menedzsment (SCM) illetve a gyártás területén.
• Az IDC szerint 2021-re a vezető gyártóipari vállalatok 20%-a használni fog olyan beépített intelligenciákat, mint az AI, az IoT és a blockchain alkalmazások, hogy automatizálják a munkafolyamatokat, és akár 25%-kal felgyorsítsák a végrehajtási időket.
• A Deloitte esettanulmányai kimutatták, hogy a machine learning akár 35%-kal is növelheti a termék minőségét a diszkrét gyártást használó ágazatokban (pl.: autógyártás).
• A mesterséges intelligenciát használó cégek pénzforgalma a következő 5-7 évben megkétszereződhet, az adatokra erősen építő gyártóiparral az élen. –  írta a McKinsey.
• 2020-ra a vezető gyártók 60%-ának különböző digitális felületekre lesz szüksége, hogy megszerezze összbevételének 30%-át.
• A japán gyártók 48%-a most nagyobb lehetősége lát arra, hogy machine learninget és digitális gyártási technológiákat alkalmazzon folyamataiban, mint korábban gondolta volna. –mutatta ki a McKinsey gyártóipari fejlesztésről szóló tanulmánya.

A tanulság: 2019-ben a gyártóipar fő növekedési stratégiája az, hogy machine learning platformok segítségével tegyék hatékonyabbá helyszíni működésük, és az így megszerzett adatokkal javítsák termékeik minőségét, és növeljék a gyártási mennyiséget.

A gyártóiparnak mára elsődleges céljává vált, hogy machine learning-gel, gépi tanulással ésszerűsítsék a termelés összes fázisát, kezdve a beérkező termékek minőségével, a gyártási időbeosztáson át, egészen a teljesítésig. A Deloitte tanulmánya szerint a machine learning 15-30%-kal csökkenti a be nem tervezett gépleállások idejét, 20%-kal növeli a termelési volument, 30%-kal csökkenti a karbantartási költségeket, és akár 35%-kal is javíthatja a minőséget.

Hoztunk 10 példát, miként forradalmasítja a machine learning a gyártóipart 2019-ben:

1. A mesterséges intelligencia világszerte akár 1,4-2,6 billió dollárnyi értéket is generálhat marketing és sales területen, míg az ellátási lánc-menedzsment és a gyártás területén 1,2-2 billiót.

A McKinsey becslései szerint az AI-alapú prediktív, azaz előrejelzésen alapuló karbantartás akár 5-7 billió dollárt is érhet a gyártóknak. Cikkük szerint a mesterséges intelligencia hatalmas mennyiségű adat feldolgozására képes, hangokat és videókat is beleértve, így gyorsan azonosíthatja a rendellenességeket, ezzel megelőzve a hirtelen leállást. A machine learning képes hang alapján megállapítani, hogy egy repülőgépmotor átment-e a minőségteszten, vagy hogy egy gép az összeszerelő soron hamarosan meghibásodik.

Forrás: McKinsey/Harvard Business Review. Most of AI’s business uses will be in two areas írta: Michael Chui, Nicolaus Henke és Mehdi Miremadi. 2019. március

Forrás: McKinsey/Harvard Business Review. Michael Chui, Nicolaus Henke és Mehdi Miremadi: Most of AI’s business uses will be in two areas. 2019. március

2. A machine learning technológiát és a felhőalapú prediktív elemzéseket használó gyártók rálátást nyernek arra, hogyan tegyék fenntarthatóbbá működésük.

A folyamatrendszerű gyártást alkalmazó cégek az Azure Symphony Industrial AI nevű szolgáltatása segítségével felszerelési modelleket alakíthatnak ki egy gyűjteményből válogatva, ami hőcserélőket, szivattyúkat, kompresszorokat és más eszközöket is tartalmaz. A Process 360 AI lehetővé teszi, hogy a felhasználók prediktív modelleket hozzanak létre eljárásaikról. A eljárás és a benne részt vevő elemek (mint a vegyszerek, üzemanyagok, fémek és más köztes- és végtermékek) is magas részletességgel írhatók le. A sablonok közt található ammónia, etilén, LNG és polipropilén eljárás is. Az eljárásmodellek segítenek megállapítani olyan lehetséges hibákat is, amiket a felszerelési modellek egyedül nem lennének képesek megjósolni.

Forrás: A Microsoft Azure blogja, Implement predictive analytics for manufacturing with Symphony Industrial AI.

3. A Boston Consulting Group (BCG) megállapította, hogy az AI használata akár 20%-kal is csökkentheti a működési költségeket.

Ezen költségcsökkenés 70%-a az eredményesebb munkavégzésnek köszönhető. A BCG megállapította, hogy a gyártók az eladott áru mennyiségét is növelhetik, ha a termékeiket mesterséges intelligencia segítségével az ügyfél igényeihez szabják, sokkal rövidebb gyártási idővel. A lenti kép bemutatja, hogyan lesz rugalmasabb és egyenletesebb a termelési folyamat a mesterséges intelligenciának hála a BCG elemzése szerint:

Forrás: Boston Consulting Group, AI in the Factory of the Future, 2018. április 18

4. A nehéz eszközöket használó gyártók a mesterséges intelligencia és a gépi tanulás segítségével növelik a teljesítményük és profitjuk, míg energiafelhasználásuk csökken.

A nehéz felszereléseket, például a tömeggyártó gépeket használó gyártók algoritmusokat használnak, hogy jobb teljesítménnyel, fenntarthatóbban és magasabb hozammal dolgozzanak. A McKinsey szerint a mesterséges intelligencia képes automatizálni bonyolultabb feladatokat, következetességet biztosítani, és optimális beállítási pontokat adni, amik lehetővé teszik, hogy a gépek robotpilóta üzemmódban fussanak. Így egy vagy több gyártási műszak emberi beavatkozás nélkül is futhat.

Forrás: McKinsey, AI in production: A game-changer for manufacturers with heavy assets, Írta: Eleftherios Charalambous, Robert Feldmann, Gérard Richter és Christoph Schmitz

5. A mesterséges intelligencia és gépi tanulás alapú termékhiba-szűrés és minőségellenőrzés akár 50%-kal is növelheti a termelékenységet.

A machine learning, gépi tanulás fontos előnye a termék és a csomagolás hibáinak szűrése. Ez jelentősen növelheti a termékek minőségét, és megakadályozhatja, hogy hibás termékek hagyják el a gyárat. Az emberi ellenőrzéshez képest akár 90%-os javulás is elérhető deep learning alapú rendszerekkel. A nyílt forráskódú AI felületeknek és a megfizethető hardvereknek (videókamerák és erős számítógépek) köszönhetően valószínű, hogy még a kisvállalkozások is egyre gyakrabban használnak majd AI-alapú vizuális ellenőrzést. A mesterséges intelligenciával felszerelt vizuális minőségellenőrzés több nézőpontból is leképezi a jó és a hibás termékeket, hogy referenciával szolgáljanak az ellenőrzött algoritmusok tanításához.

Forrás: Smartening up with Artificial Intelligence (AI) - What’s in it for Germany and its Industrial Sector? (52 o., PDF) McKinsey & Company.

6. A gépi tanulás  felveheti a harcot a gyártóipar krónikus munkaerő-hiányával, és a jelenlegi alkalmazottak megtartására is megoldást adhat.

A gyártóipar súlyos munkaerő-hiánnyal küzd. A gyártók körében végzett összes felmérés azt mutatta, hogy az iparág növekedését akadályozó problémák közül ez az egyik legjelentősebb. Az ezzel foglalkozó cégek közül az Eightfold az egyik legérdekesebb. AI-alapú, Talent Intelligence Platform nevű, toborzást segítő felületük összetett, ellenőrzött és nem-ellenőrzött machine learning algoritmusokat használ a jelöltek képességei, tapasztalatai és erősségei feltérképezésére. A gyártók, köztük a ConAgra is, az Eightfold segítségével toboroz és fedez fel új munkaerőt a csapataik ellátásához és a növekedéshez. A lenti diagram bemutatja, hogyan működik a Talent Intelligence Platform:

Forrás: eightfold.ai

7. A machine learning technológiának hála a gyártók felderíthetik problémáik okát, és felfedezhetnek olyan akadályokat is, melyekről korábban nem tudtak, legyenek azok termelést akadályozó tényezők vagy előnytelen gyártósorok.

A gyártók képesek lesznek javítani a prediktív karbantartás pontosságát, és felfedezni, miként hozható ki a legtöbb az egyes gépekből és munkafolyamatokból. Emellett a rendszereket és az ellátási láncot is optimalizálhatják. A lenti kép bemutatja, hogyan növelheti a gépi tanulás a gyártási hely teljesítményét a gépek szintjén kezdve, a munkafolyamatokon át, az azokat támogató rendszerekig.

Forrás: McKinsey, Manufacturing: Analytics unleashes productivity and profitability, Írta: Valerio Dilda, Lapo Mori, Olivier Noterdaeme és Christoph Schmitz

8. A gépi tanulás jelentősen javíthatja a termékek konfigurációját és a CPQ (Configure-Price-Quote) munkafolyamatot, amit a rendelésre gyártó cégek vesznek igénybe az árajánlatadáshoz és a rendelések fogadásához.

A Siemens mesterséges intelligenciát és machine learninget használ vasúti pályaelosztó rendszereinek árusításához, tervezéséhez és telepítéséhez, hogy megtalálja a legoptimálisabb konfigurációt a 10⁹⁰ darab lehetséges beállítás közül. A gépi tanulás könnyedén megtalálja a legelőnyösebb konfigurációt, ami kielégíti az ügyfél igényeit és megbízható minőségben gyártható.

Forrás: Siemens, Next Level AI – Powered by Knowledge Graphs and Data Thinking, Siemens China Innovation Day, Michael May, Chengdu, 2019. május 15.

9. Az előrejelzések szerint a mesterséges intelligencia és a gépi tanulás gyártásban való alkalmazása a következő öt év során megelőzi a robotikát, és az első számú megoldássá válik.

Bonyolultsága és megkötései miatt egy ellátási lánc működtetése kiváló példa arra, hogyan hasznosítható egy machine learning algoritmus. A gyártók jelenleg prediktív karbantartási teszteket futtatnak. A legnagyobb eséllyel azokat a megoldásokat alkalmazzák majd, amelyek nyilvánvaló bevételnövekedéssel járnának.  0

Forrás: MAPI Foundation, The Manufacturing Evolution: How AI Will Transform Manufacturing & the Workforce of the Future, Írta: Robert D. Atkinson és Stephen Ezell, Information Technology and Innovation Foundation (PDF, 56 o.)

10. A gépi tanulás forradalmasítja, miként védekeznek a gyártók a támadások ellen, hogy biztonságossá tegyék a működésük a Zero Trust Security keretrendszerére támaszkodva.

A gyártók a  Zero Trust Security (ZTS) keretrendszert alkalmazzák minden hálózaton, felhőn, helyi használatú felületen és applikáción az ellátási láncon és a termelői hálózataikban. A Forresternél dolgozó Chase Cunninghama, a Zero Trust Security vezető szakértője, tehát érdemes megnézni új videóját arról, miként biztosíthatják informatikai berendezéseiket a gyártók. A blogja ezen a linken olvasható.

Sok említésre méltó cég dolgozik ezen a területen, köztük a MobileIron, amely létrehozott egy mobil-központú, zero-trust cégbiztonsági keretrendszert, amit ma sok gyártó használ. A Centrify személyazonosságot és hozzáférést ellenőrző rendszere megakadályozza a privilegizált felhasználói fiókokkal történő visszaélést, ami jelenleg a biztonsági rések legfőbb oka. A  Centrify friss felmérése a privilegizált hozzáférések kezeléséről kimutatta, hogy a biztonsági rés feltörések 74%-ában szerepet játszott egy privilegizált felhasználói fiók. A privilegizált hozzáférési adatok használata a legnépszerűbb módszer a hackerek körében, hogy bejussanak a rendszerbe, és értékes adatokat lopjanak a gyártóktól, amiket eladhatnak a dark weben.

Szeretne többet tudni a témakörről?  Adja meg elérhetőségét és értesítjük az új blogbejegyzésről

Forrás: Forrester, What ZTX means for vendors and users, 2018. január 23.

A fenti írás eredetileg a www.forbes.com oldalán jelent meg 2019. augusztus 11-én, angol nyelven. Szerzője: Louis Columbus. Fordító: Lexunit Group