Sztuczna inteligencja w procesach produkcyjnych

A Practitioners’ Perspective

Scaling AI in Manufacturing Operations: A Practitioners’ Perspective

Jeśli pierwsza rewolucja przemysłowa była związana z wprowadzeniem maszyny parowej, to Przemysł 4.0 jest napędzany przez sztuczną inteligencję. A dzięki możliwościom do automatyzacji, digitalizacji i optymalizacji, AI doskonale nadaje się do procesów produkcyjnych, od rozwoju produktu po kontrolę jakości. Na przykład komputerowy system wizyjny pozwolił firmie General Motors wykryć 72 przypadki awarii komponentów, zapobiegając masowym przestojom (z których jedna minuta może kosztować firmę tej wielkości nawet 20 000 dolarów), a system oparty na uczeniu maszynowym znacznie poprawił dokładność prognozowania popytu Danone (zmniejszenie błędu prognozy o 20%, spadek straconych wyprzedaży o 30%, spadek przestarzałych produktów o 30% i spadek zapotrzebowania na nakład pracy planistów o 50%).

Najnowszy raport Instytutu Badawczego Capgemini o skalowaniu sztucznej inteligencji w działalności produkcyjnej – pokazuje, że inteligentne utrzymanie i naprawa, wraz z kontrolą jakości produktu i planowaniem popytu, stanowią dobry punkt wyjścia dla producentów, próbujących wdrażać AI w działalności produkcyjnej.

Aby wykorzystać różnorodne korzyści, jakie AI może przynieść procesom produkcyjnym, przedsiębiorstwa powinny wyjść poza fazę pilotażową/koncepcyjną i wdrożyć rozwiązania na sztucznej inteligencji na dużą skalę. W tym celu zalecamy wdrażanie udanych prototypów AI w środowiskach inżynieryjnych, inwestowanie w tworzenie fundamentów systemów danych i AI oraz talentów, a także skalowanie rozwiązania AI w całej sieci produkcyjnej. Sztuczna inteligencja jest paliwem rakietowym, które stoi za systemem Industry 4.0, a jej naturalne dopasowanie do produkcji oznacza, że organizacje, które są w stanie zrealizować te możliwości, to właśnie te, które naprawdę będą w stanie wystartować w przyszłości.

Zarejestruj się, aby otrzymać nowe raporty Instytutu Badawczego Capgemini

AI in manufacturing ope...

Wielkość pliku: 3,38 MB File type: PDF

Infographic – AI in MfG...

Wielkość pliku: 3,27 MB File type: PDF

Sound Bites

Neeraj Tiwari, Director manufacturing JV organization at Fiat Chrysler China

We trained an AI system to detect improper assemblies or missing components, such as small screws that are hard to detect for a human eye. The system is extremely fast and efficient, allowing defective parts to be taken off the main conveyor on a separate line to the rework area where they can be corrected. The process not only saves a lot of quality issues at the end-customer but also loss of valuable production time.

Eugene Kusse, Factory director, Upfield (a spin-off of Unilever)

Working in the food industry, we have a responsibility to ensure that the food we produce is both safe for consumption and meets the toughest quality criteria. We have strict policy and procedures in place to ensure that we avoid any of the risks associated with not meeting those criteria.

Siddharth Verma, Global head and VP – IoT Services, Siemens

In the early days, when the accuracy of the system was low, it predicted a few failures which turned out to be false alarms. At these points, it is important to remind everyone that it is a prediction which has a probability of being right or wrong. As accuracy improved, the system was able to predict many failures in advance and saved a lot of cost and downtime, proving its worth.

Key Takeaways

30%

reduction in lost sales achieved by Danone by using machine learning to predict demand variability

29%

share of use cases implemented in maintenance

14%

of automotive OEMs have delivered AI implementations at scale as of January 2019

About the Capgemini Research Institute

Instytut Badawczy Capgemini

Instytut Badawczy Capgemini jednym z najlepszych pod względem jakości badań prowadzonych...