Jak producenci mogą nadrobić zaległości w wyścigu sztucznej inteligencji

Publish date:

Technologie cyfrowe mają ogromny potencjał do transformacji procesów produkcyjnych.

Producenci zaczynają badać potencjał sztucznej inteligencji, ale wielu z nich nadal znajduje się w fazie  testowej. Wybrane przypadki użycia często koncentrują się na pomniejszych elementach działalności, więc zmiany, jakie one wywołują, nie są na tyle znaczące, aby mogły się rozwinąć na dużą skalę.

Nadszedł czas, aby ukierunkować produkcję na prawdziwą transformację. Nasz najnowszy raport z badań, Artificial intelligence in manufacturing operations, stwierdza, że firmy amerykańskie pozostają w tyle za innymi narodami, jeśli chodzi o dążenie do AI. To właśnie dane i technologie cyfrowe będą napędzać fabryki przyszłości, a producenci muszą nadrobić zaległości.

Każdy projekt z zakresu sztucznej inteligencji potrzebuje solidnego powodu zastosowania, który posłuży za punkt wyjścia. Wybierz projekt, o którym wiesz, że zakończy się on sukcesem, ponieważ niepowodzenie projektu pilotażowego z pewnością zatrzyma kolejne projekty związane z AI lub technologiami cyfrowymi w czasie, kiedy powinieneś przyspieszyć. Następujące obszary są stosunkowo łatwo do wprowadzania innowacji:

Inteligentna obsługa serwisowa. Jest elementem łatwym do wdrożenia dla producentów,  a w przypadku zastosowania w obszarach „wąskich gardeł”, jego zwrot z inwestycji może być duży. Optymalizacja obsługi serwisowej minimalizuje czas przestoju i może zmniejszyć koszty oraz zwiększyć wydajność. Jest to stosunkowo łatwe do wdrożenia, biorąc pod uwagę dostępność dobrej jakości danych i wiedzę specjalistyczną w zakresie analizy kontekstu biznesowego. Dostępnych jest kilka zintegrowanych rozwiązań pochodzących od wielu dostawców, przy czym należy przeanalizować różne warianty, takie jak przewidywanie awarii maszyn i zalecanie optymalnych czasów przeprowadzania konserwacji.

Kontrola jakości produktów. Podobnie jak wykrywanie subtelnych trendów w pewnych parametrach umożliwia przewidywanie awarii aktywów, analiza parametrów procesu może pomóc w przewidywaniu problemów z jakością. W wielu przypadkach kontrola wizualna na linii produkcyjnej może uchwycić trendy, które w innym przypadku nie mogłyby być wykryte. Powszechna dostępność kamer o wysokiej rozdzielczości w połączeniu z zaawansowaną technologią rozpoznawania obrazu radykalnie obniżyła koszty inspekcji w czasie rzeczywistym.

Planowanie popytu. Firmy wykorzystują machine learning do jak najdokładniejszego przewidywania zmian w popycie konsumentów. Mogą one następnie wprowadzać niezbędne zmiany w harmonogramach produkcji i zaopatrzeniu w surowce. Lepsze prognozowanie przynosi wiele korzyści, w tym lepszą obsługę klienta i redukcję zapasów, zarówno dla produktów w produkcji, jak i gotowych.

Zastosowanie sztucznej inteligencji w procesie produkcji jest znaczące. Na przykład, jeden z producentów samochodów wykorzystuje machine learning do włączenia mikro i makro zmiennych do procesu prognozowania popytu, aby generować bardziej znaczące prognozy. Wiodący producent kosmetyków wykorzystuje informacje z różnych źródeł do przewidywania zmieniających się wymagań klientów, przewidywania trendów i optymalizacji sprzedaży.

Kluczem jest znalezienie właściwego zastosowania, który pokaże siłę, jaką AI i machine learning wnoszą do produkcji. Muszi mieć potencjał do wywierania rzeczywistego wpływu na biznes, oraz być stosunkowo łatwe do wprowadzenia na rynek.

Lalit Khandelwal jest szefem sektora produkcyjnego i przemysłowego w Capgemini.

Powiązane posty

analytics

The rapid evolution of privacy and personalization

Date icon 2020-07-13

Financial-services companies increasingly see themselves as technology companies in the...

Assessing the value impact of your cloud investments

Date icon 2020-07-09

You’re about to create and adopt a cloud strategy. Or perhaps you’re already using cloud as a...