داده های بلادرنگ و هوش مصنوعی، تولید را به آینده سوق می دهد

تأثیر اتوماسیون مبتنی بر داده در زمان واقعی بر صنایع به طور فزاینده ای آشکار می شود. هیچ‌کدام به‌اندازه کسب‌وکارهای تولیدی موجب اختلال بیشتر نیستند. گاهی اوقات سخت، این محیط های تولیدی در سال های اخیر شاهد کاهش چشمگیر قیمت حسگر بوده اند و این به نوبه خود دروازه ها را به روی داده های زمان واقعی برای تجزیه و تحلیل باز کرده است. با نیاز روزافزون به آگاهی و بینش موقعیتی بلادرنگ، معماری های هوش مصنوعی برای درک اطلاعات به دست آمده اهمیت فزاینده ای پیدا می کنند.

اکنون، تولیدکنندگان با هر اندازه ای داده های مبتنی بر بینایی کامپیوتری را در هر مرحله از فرآیند تولید جمع آوری می کنند. حس بینایی ممکن است پیشرو در حرکت رو به جلو باشد. با این حال، فشار، گرما، مکان و انواع دیگر حسگرها جریان‌های داده‌ای را ایجاد می‌کنند که دیجیتالی شده و در مقادیر زیادی ذخیره می‌شوند. در نتیجه، تجزیه و تحلیل دستی دیگر برای خطوط منفرد، حتی کمتر برای کل کارخانه ها یا شبکه های کارخانه ها امکان پذیر نیست.

به طور خلاصه، بخش تولید در حال تحول مداوم است و خط تولید با تأثیر چشمگیری بر فرآیندها، عملیات و کارایی به صورت آنلاین در حال انجام است.

گستردگی تغییر گاهی نادیده گرفته می شود، اما پیشرفت واضح است. بر اساس تحقیقات Precedence، IoT جهانی در بازار تولید در سال 2021 205.8 میلیارد دلار ارزش داشت. پیش بینی می شود تا سال 2030 به حدود 1.52 تریلیون دلار برسد و 24.91 درصد رشد کند. [CAGR] بین 2022 تا 2030

هوش مصنوعی در تولید و سیستم های زنجیره تامین مرتبط نیز یک تغییر دهنده بازی است. به گفته گارتنر، بیش از 75 درصد از فروشندگان برنامه های کاربردی مدیریت زنجیره تامین تجاری، تا سال 2026، تجزیه و تحلیل پیشرفته (AA)، هوش مصنوعی، و/یا علم داده را ارائه خواهند کرد. چنین سیستم هایی تصمیمات هوش مصنوعی را مستقیماً در جریان های کاری پیچیده قرار می دهند.

اهمیت زمان واقعی

در دنیای تولید، تصمیم‌گیری آگاهانه برای حفظ کیفیت، رعایت ضرب‌الاجل‌ها، و جلوگیری از قطعی‌های برنامه‌ریزی نشده، نقص‌ها یا مسائل ایمنی برای مدت طولانی حیاتی بوده است. چند سال پیش زمانی که کارخانه‌ها و سیستم‌های زنجیره تامین مرتبط شروع به بهره‌برداری از اینترنت اشیا و تبدیل فرآیندهای آنالوگ به دیجیتال کردند، رویکردها به روش‌های قابل توجهی تغییر کرد. تلاشی در سطح صنعت برای حمایت از واکنش فوری و اقدام ضروری برای شناسایی و حل مشکلات قبل از تشدید آنها در حال انجام است.

استفاده از راه‌حل‌های مبتنی بر هوش مصنوعی در تولید، زنجیره تامین و تدارکات، عصر جدیدی را آغاز می‌کند که به عنوان Industry 4.0 یا IIoT برای اینترنت صنعتی اشیا توصیف می‌شود. هدف حفظ کل زنجیره تامین بدون مشارکت دستی است. علاوه بر این، کارخانه‌های هوشمند با استفاده از هوش مصنوعی، تولید می‌توانند کارآمدتر کار کنند، زمان خرابی را کاهش دهند و تجربه کلی مشتری را افزایش دهند.

برای مثال، راه‌حل‌های هوش مصنوعی مانند پردازش اسناد هوشمند (IDP) در حال افزایش است و به تولیدکنندگان کمک می‌کند تا زمان صرف شده برای پردازش اسناد را با تبدیل اطلاعات بدون ساختار و نیمه ساختار یافته به داده‌های قابل استفاده در زمان واقعی به حداقل برسانند. این نه تنها فرآیند جمع‌آوری داده‌ها را به کلی متحول می‌کند، بلکه گلوگاه کاغذبازی رایجی را که شرکت‌های تولیدی روزانه مشاهده می‌کنند، از بین می‌برد.

رولز رویس در زمان واقعی رول می شود

شرکت‌های صنعتی نوآور اکنون در حال پردازش داده‌هایی هستند که جمع‌آوری می‌کنند و اغلب از سیستم‌های تحلیلی پیشرفته‌ای استفاده می‌کنند که در گذشته‌ای نه چندان دور تنها استان ارائه‌دهندگان ابر مقیاس بزرگ و شرکت‌های بزرگ رسانه‌های اجتماعی بودند.

همانطور که توسط Shiv Trisal، یک رهبر صنعت تولید جهانی در ارائه‌دهنده تجزیه و تحلیل داده توضیح داده شده است، Databricks، AI، و تجزیه و تحلیل داده‌ها برای ارائه نتایج شخصی‌تر به مشتریان، ارائه خدمات میدانی فعال و برنامه‌های کاربردی متفاوت مأموریت حیاتی به مشتریان خود، اساسی هستند. یک نمونه رولزرویس است.

ما با رولزرویس همکاری می کنیم تا صدها نقطه داده در ثانیه را تجزیه و تحلیل کنیم تا زمان خرابی و انتشار گازهای گلخانه ای موتورهای هوانوردی آنها توسط خطوط هوایی در سراسر جهان به حداقل برسد. تریسال به VentureBeat گفت: تولیدکنندگان اکنون می‌توانند از این نوع داده‌ها برای راه‌اندازی یک کسب‌وکار خدمات مبتنی بر فناوری استفاده کنند که مقیاس‌پذیری بیشتری را نشان می‌دهد.

در گذشته می‌توان پیش‌بینی کرد که ماشین‌ها نقص ایجاد می‌کنند، اما معمولاً این پیش‌بینی خیلی دیر در فرآیند تولید انجام می‌شد. تا زمانی که علائم نقص شناسایی شد، آسیب به اندازه کافی قابل توجه بود که نیاز به خاموش کردن یک ماشین گران قیمت داشت.

طبق گفته انجمن کیفیت آمریکا، هزینه کیفیت پایین می‌تواند تا 20 درصد فروش باشد. تریشال گفت: شناسایی فعال مواد ناسازگار در فرآیند تولید می تواند به طور قابل توجهی فراخوان های گران قیمت را کاهش دهد، ضایعات را کاهش دهد، کیفیت محصول را افزایش دهد و قابلیت ردیابی محصول را بهبود بخشد.

به گفته تریسال، پیشرفت در جمع آوری داده ها و تجزیه و تحلیل، این فرآیند را متحول کرده است. به خصوص، هوش مصنوعی نیز به ابزاری حیاتی در کنترل کیفیت تبدیل شده است.

با استفاده از بینایی کامپیوتری، الگوریتم‌های هوش مصنوعی می‌توانند حتی کوچک‌ترین نقص‌ها را در فرآیند تولید، مانند قطعات نامناسب یا قطعات آسیب دیده، شناسایی کنند. این به تولیدکنندگان کمک کرده است تا محصولاتی با کیفیت بالا تولید کنند، خطر فراخوانی پرهزینه محصول را کاهش داده و شهرت برند را بهبود بخشد.

تریسال افزود: «ما شرکت‌های بیشتری را مشاهده کرده‌ایم که از ابزارها و پلتفرم‌های تجزیه و تحلیل داده‌ها برای استفاده موفقیت‌آمیز از قابلیت‌های بینایی رایانه در کارخانه‌های تولیدی خود استفاده می‌کنند و فرآیند بررسی کیفیت را خودکار می‌کنند و تصاویر با وضوح بالا را با تأخیر بسیار کم تجزیه و تحلیل می‌کنند.» همانطور که هر محصول در طول فرآیند تولید حرکت می کند، بینش هایی را در لبه به صورت لحظه ای به اپراتورها ارائه می دهد.

افزایش ESG و ایمنی محل کار

یکی دیگر از مزایای کلیدی داده های بلادرنگ و هوش مصنوعی در تولید، توانایی بهبود مدیریت زنجیره تامین، از جمله فرآیندهای قبلا مبتنی بر کاغذ است. با داده‌های بی‌درنگ، تولیدکنندگان می‌توانند سطوح موجودی را کنترل کنند، تحویل‌ها را دنبال کنند و تقاضا را پیش‌بینی کنند و به آن‌ها اجازه می‌دهند تصمیمات هوشمندانه‌تری در مورد زمان و میزان تولید بگیرند. این باعث کاهش ریسک انبارداری و تولید بیش از حد شده و منجر به کاهش هزینه ها و افزایش رضایت مشتری می شود.

پتر بائودیس، مدیر ارشد فناوری و معمار ارشد هوش مصنوعی در شرکت، «داده‌های بی‌درنگ و هوش مصنوعی از طریق پیش‌بینی شکست و برنامه‌ریزی تعمیر و نگهداری و همچنین شناسایی دقیق، زمینه‌سازی و پردازش حجم فزاینده فاکتورها و اسناد برای سرعت بخشیدن به فرآیند تولید، به تولید کمک می‌کنند». پلتفرم پردازش اسناد هوشمند Rossum، به VentureBeat گفت.

بائودیس توضیح داد که از مدیریت موجودی تا خرید و حمل و نقل، اسناد و مدارک یک خط ارتباطی واقعی بین فروشندگان، شرکت‌ها و مشتریان است و هوش مصنوعی مبتنی بر داده پایه‌ای است که هر قالب و نقطه داده منحصربه‌فرد را درک می‌کند و می‌تواند روی آن عمل کند.

به همین ترتیب، Kjell Carlsson، رئیس استراتژی علم داده و تبشیر در آزمایشگاه داده Domino، معتقد است که با استفاده از یادگیری عمیق، تولیدکنندگان به طور چشمگیری دامنه وظایف بازرسی را فراتر از آنچه که می‌توان با روش‌های بازرسی مبتنی بر یادگیری غیر ماشینی سنتی خودکار کرد، گسترش دادند.

کارلسون گفت: «یک مورد استفاده بسیار جذاب در اینجا، توانایی تولیدکنندگان برای استخراج مقادیر زیادی از داده‌های بدون ساختار برای دریافت اطلاعیه پیشرفته از اختلالات احتمالی زنجیره تأمین است. برای مثال، لاکهید از روش‌های NLU مبتنی بر یادگیری عمیق (درک زبان طبیعی) برای استخراج مجموعه وسیعی از منابع داده استفاده می‌کند – برای مثال، اطلاعات خبری در مورد خریدهای تامین‌کننده یا سفارش‌های بزرگ. برای علائم اولیه اختلالات احتمالی.

استفاده از داده های بلادرنگ و هوش مصنوعی در تولید نیز ایمنی در محل کار را افزایش داده است. الگوریتم‌های هوش مصنوعی که توسط سیستم‌های حسگر بینایی تغذیه می‌شوند، می‌توانند موقعیت‌های خطرناک مانند خرابی ماشین‌آلات یا خطای انسانی را شناسایی کرده و به کارگران برای انجام اقدامات مناسب هشدار دهند. علاوه بر این، استفاده از ربات‌های مجهز به هوش مصنوعی، نیاز کارگران انسانی به انجام وظایف فیزیکی سخت را کاهش داده و خطر آسیب را کاهش می‌دهد.

هوش مصنوعی با شناسایی ناهنجاری های داده ها در زمان واقعی به حفظ ایمنی محل کار کمک می کند. بائودیس گفت، از طریق داده‌های بی‌درنگ و هوش مصنوعی، تولیدکنندگان این توانایی را دارند که به‌طور مداوم به صورت زنده نظارت و عیب‌یابی کنند و مشکلات تولید را قبل از بروز اختلال یا خطر حل کنند.

علاوه بر این، ادغام داده های بلادرنگ و هوش مصنوعی به تولیدکنندگان کمک کرده است تا ردپای کربن خود را کاهش دهند. با تجزیه و تحلیل داده های بلادرنگ، الگوریتم های هوش مصنوعی می توانند راه هایی را برای بهینه سازی مصرف انرژی و کاهش اتلاف شناسایی کنند. این به تولیدکنندگان اجازه می دهد تا شیوه های پایدارتری را اتخاذ کنند، تأثیرات زیست محیطی خود را کاهش دهند و به ساختن آینده ای سبزتر کمک کنند.

واضح است که تولیدکنندگان در خط مقدم داده، تجزیه و تحلیل و هوش مصنوعی اهداف مبتنی بر علم را تعیین می کنند و با به دست آوردن بینش بهتر از عملکرد، زنجیره تامین و نتایجی که محصولاتشان برای مشتریان نهایی خود ایجاد می کند، نتایج پایداری مطلوبی را به دست می آورند.

داده‌های بی‌درنگ و هوش مصنوعی عادی جدید را تشکیل می‌دهند

مایک بابیاک، مدیر استراتژی فناوری زنجیره تامین در شرکت مشاوره و فناوری Longbow Advantage، گفت که به‌زودی شاهد خواهیم بود که داده‌های بلادرنگ و هوش مصنوعی در صنعت تولید به استاندارد تبدیل می‌شوند، نه چیزی که «داشتن آن خوب است».

از طریق قابلیت مشاهده بی‌درنگ (RTV)، شیفت‌ها، روزها و هفته‌ها موفق‌تر هستند. مدیران انبار دیگر با کسری شروع به کار نخواهند کرد. بابیاک به VentureBeat گفت: هوش مصنوعی بدون وابستگی به نشانه‌های روده یا بصری به تنظیم در پرواز کمک می‌کند.

بابیاک پیش بینی می کند که نرمال جدید از داده های تجویزی و تجزیه و تحلیل در طول عملیات استفاده خواهد کرد. همچنین انتظار می رود که داده ها بتوانند در چندین فناوری و مکان با هم کار کنند و همچنان در زمان واقعی ظاهر شوند.

Kjell Carlsson از Domino Data Lab گفت: «توسعه جدید در اینجا، پذیرش سریع مدل‌های بینایی کامپیوتری مبتنی بر یادگیری عمیق در خطوط تولید برای تشخیص خودکار عیوب خواهد بود.

او خاطرنشان کرد که تولید، به دلایل بسیار قابل درک، یک زمینه بسیار محافظه کارانه است. اما فرصت‌هایی برای جاسازی هوش مصنوعی در فرآیندهایی که یک خط در حال ایجاد یا طراحی مجدد است.

او رشد مداوم را پیش بینی می کند. او گفت: «این به این معنی است که پذیرش زمان می برد – اما این فقط یک مسئله زمان است.

به همین ترتیب، پتر بائودیس از Rossum معتقد است که به‌ویژه در دوران رکود اقتصادی، دنبال کردن فناوری هوش مصنوعی مبتنی بر داده‌های عملی در مقابل آرمان‌ها بسیار مهم است.

برای برخی از شرکت ها، استقرار ممکن است ماه ها طول بکشد. اگر نتوانید ربات‌های جدید خود را در 30 روز اول در کسب‌وکارتان کار کنید، اثبات ارزش، تأثیر و بازگشت سرمایه‌شان می‌تواند دلهره‌آور باشد.»

او گفت که تولیدکنندگان به فناوری هوش مصنوعی نیاز دارند که سردردهای کسب و کار عملی را از یک پلتفرم با استفاده آسان حل کند و به حداقل زمان اجرا نیاز دارد. “اما این آینده است.”