Když úřaduje umělá inteligence: díky datům firmy odhalí zmetky ve výrobě a předcházejí odstávkám

Je to už deset let, kdy se na hannoverském veletrhu poprvé objevil pojem Průmysl 4.0. Řada velkých firem začala s digitalizací svých provozů dokonce ještě dříve. Přesto v Česku mnoho hlavně malých a středních firem výhody digitalizace a datové analytiky stále podceňuje.

Takzvaná digitální propast, tedy rozdíl mezi firmami s vyšší a nižší úrovní digitalizace, se kvůli pandemii bude dále rozšiřovat. Technologické vize společnosti Accenture pro rok 2021 řadí mezi hlavní trendy, kterými se firmy budou muset v následujících třech letech zabývat, architekturu firemních IT systémů a digitální dvojčata, tedy digitální modely produktů, dodavatelských řetězců či továren. Celkem 89 procent oslovených manažerů v průzkumu provedeném ve třech desítkách zemí uvedlo, že schopnost jejich firem vytvářet zisk bude ve větší míře záviset na limitech firemní technologické architektury. Dvě třetiny manažerů pak očekávají zvýšení investic do inteligentních digitálních dvojčat během příštích tří let.

Každý stroj, pracoviště, ale i jednotlivý pracovník v moderní výrobě vytváří prakticky nepřetržitě velké množství dat. A pokud firma zvládne tato data v reálném čase sbírat, ukládat a analyzovat, dokáže také objevit nové trendy, odhalit úzká místa ve výrobě či naopak skryté příležitosti. "Právě v oblasti využití dat však mají firmy stále velké rezervy," říká Michal Horáček, specialista Microsoftu na cloudové technologie ve výrobních firmách. České malé a střední podniky podle něho pokulhávají za digitálně vyspělými zeměmi především v analýze velkých dat, ale také ve využívání cloudových služeb či systémů pro řízení vztahů se zákazníky.

"Digitalizace je kriticky důležitá pro zvýšení efektivity firmy a udržení konkurenceschopnosti. Ne vždy si ale všichni v organizaci její důležitost uvědomují. Proto je nutné, aby byl do evangelizace a podpory inovací ve firmě přímo zapojen její nejvyšší management," myslí si Zdeněk Hruška, vedoucí konzultant v oblasti digitalizace výroby ve společnosti Adastra. Součástí této podpory musí být podle něho důraz na využívání nových technologií, rozšiřování znalostí zaměstnanců, identifikaci příležitostí pro digitalizaci a s tím související změnu myšlení a kultivace atmosféry podporující inovace.

Pro úspěch digitalizace je podle Hrušky důležitá otevřená kultura a agilní přístup k organizaci práce. Častým problémem je vertikální uspořádání organizace a s tím související datová "sila" a vlastnictví dat jednotlivými útvary, které vytváří překážky pro analytické projekty. Proto je nutné správně nadefinovat datovou strategii společnosti. Projekty je vhodné rozdělit na menší části a realizovat v postupných krocích. "Zároveň je důležité posílit rozhodovací pravomoci v oblasti informačních technologií. Často ve firmách vznikají i specializované týmy zaměřené na inovace a digitalizaci obecně," dodává Hruška.

Vědět, proč digitalizovat

Když už se firmy pro digitalizaci rozhodnou, musí velmi dobře vědět, proč to dělají. "Existuje bezpočet příkladů, kdy firmy sbírají data ze strojů či z provozu, aniž by měly zpracovanou strategii, co s nimi budou dále dělat. Než se do digitalizace firma pustí, měla by si rozmyslet, co jí to přinese. Mezi nejčastější důvody patří optimalizace provozu a zvýšení produktivity, ale nejsou výjimkou ani nové byznysové modely, například nabízet výrobek jako službu," vysvětluje Michal Horáček z Microsoftu.

Příkladem toho, že úspěšně digitalizovat lze i menší firmu s převážně kusovou výrobou, je brněnská společnost Astra Motor. Vyrábí obráběcí nástroje určené k vrtání, zahlubování i frézování a poskytuje také servis. A právě přemýšlení o tom, jak zefektivnit servis, bylo impulsem k digitalizaci. "Měsíčně vyrobíme 3500 nástrojů a dalších zhruba 5500 nástrojů nejrůznějších výrobců přijmeme na servis. Pro každý z nich jsme dříve potřebovali průvodku, kde bylo popsáno, co je třeba s nástrojem udělat. Na jednotlivých stanovištích si pak operátoři museli vyhledávat příslušný výkres či přesný postup práce. To bylo velmi neefektivní," vysvětluje důvody pro digitalizaci ředitel Jan Keprda. Požadoval tedy především automatizaci činností, které lidem zabírají příliš mnoho času, rychlejší předávání informací a sběr dat, která by šlo využít k dalšímu zvýšení produktivity. Vývoje řešení se nakonec zhostila společnost Unicorn Systems.

Časově nejnáročnější činnosti spojené s výrobou se díky digitalizaci povedlo výrazně zkrátit. Nejvýraznější úspory času se dosáhlo při poskytování servisu, a to až o 90 procent. Veškeré potřebné informace nyní vyskočí každému operátorovi na obrazovce. Systém všechny operace zaznamená a automaticky generuje například předávací protokol pro zákazníka. Astra Motor má díky tomu jasný přehled o tom, kolik času které činnosti zaberou, a na základě dat je může optimalizovat.

Nasbíraná data však skrývají další potenciál. "Předpokládám, že zhruba do půl roku budeme mít dostatek dat, abychom mohli zapojit strojové učení a další technologie, které nám umožní dosáhnout ještě vyšší produktivity a rozšířit služby pro zákazníky," uvádí Jan Keprda.

Síla předpovědí

Pravá síla digitalizace přichází v momentě, kdy firma začne využívat prediktivní modely. Podle Tomáše Pihrta, manažera týmu Data Science & AI společnosti PwC ČR, je hlavním důvodem pro nasazení první fáze datové analytiky – reportingu – lepší porozumění podniku a nalezení míst s nízkou efektivitou, případně úzkých hrdel výrobního procesu. Jde také o provázání spotřebovaných výrobních zdrojů a koncového produktu, díky čemuž lze přizpůsobit cenotvorbu. "Jakmile firma dokáže sbírat data v dostatečné kvalitě, může se dále zaměřit na prediktivní úlohy typu plánování údržby strojů, zásob nebo i lidských zdrojů," říká Pihrt. Analytická řešení se mohou také soustředit na detekci anomálií, které následně reportují příslušným manažerům. "Tato unikátní kombinace člověk-stroj může pomoci odhalit například nevhodně nastavenou výrobní technologii nebo nedodržení výrobních postupů. Díky tomu lze zvýšit výstupní kvalitu, případně ušetřit náklady," dodává Pihrt.

Propojení historických dat s aktuálním stavem a využití chytrých algoritmů v cloudu pomůže odhalit nové trendy. Je chyba na daném stroji, který potřebuje opravit? Týká se konkrétního člověka? Či se objevuje u celé směny a bude chyba v procesu? "Propojením doposud nepropojeného podniky získají absolutní přehled a objeví trendy, které se v provozu dějí," dodává Michal Horáček z Microsoftu.

Tohoto stadia digitalizace dosáhla například společnost Schwan Cosmetics CR, která v Českém Krumlově vyrábí kosmetické tužky. S digitální transformací začala díky vizionářskému managementu už v roce 2010. V loňském roce začala využívat datovou analytiku a umělou inteligenci pro zvýšení propustnosti výrobních provozů. "V rámci dvouletého projektu jsme v partnerství se společností Autocont vytvořili digitální nástroj, který v historických datech z výroby pomocí principů strojového učení odhaluje podobné důvody vzniku prostojů, zmetků, delší doby trvání výroby, případně nižšího vyrobeného množství," uvádí Hynek Cihlář, data science manažer z týmu Clever Industry společnosti Cleverlance.

Vzhledem k obrovskému množství historických výrobních dat se ukázalo použití automatizované detekce vlivů ve výrobě pomocí umělé inteligence jako nezbytnost. "Po dvou letech navrhování analýzy dat, strojového učení, tvorby optimálních strojových modelů a vývoje aplikace tak vznikl centrální mozek výroby, jakýsi digitální asistent pro výrobní personál. Jednak uchovává podnikové know-how pro řešení jednotlivých typů vlivů, jednak na základě predikčních modelů upozorňuje na negativní vlivy předem a zároveň nabízí jejich osvědčená řešení," dodává Martin Smolík, viceprezident pro kvalitu a digitální technologie společnosti Schwan Cosmetics CR.

Budoucnost strojírenství

Stáhněte si přílohu v PDF

Potenciál dat z výrobku

Výhod datové analytiky je možné využít v celém životním cyklu produktu. Tedy od návrhu po výrobu a distribuci až po provoz a vyřazení. "Nejčastěji se data analyzují při návrhu a výrobě produktu, dále pak při jeho následném provozu. Jde například o statistiky z mobilního telefonu, senzory z automobilů a podobně," říká Tomáš Pihrt z PwC.

Data ze senzorů snímajících parametry provozu nejrůznějších produktů, například strojů či automobilů, mohou pomoci předcházet jejich poruchám a drahým prostojům. Analýza dat z mnoha strojů stejného typu dokáže odhalit poruchu ještě předtím, než k ní skutečně dojde. Na podobném principu je založena i aplikace Sound Analyser, kterou v současnosti v pilotním projektu testuje automobilka Škoda. Aplikace zrychluje a zpřesňuje odhalení potenciální závady či potřeby údržby pomocí umělé inteligence. Program nahraje zvuk auta a porovná jej s již dostupnými akustickými vzory. Pomocí algoritmu zjistí, čím by případné odchylky od normálu mohly být způsobeny a jak je možné je odstranit. Systém přispívá ke zvyšování efektivity servisu, ke zkracování doby, kterou vůz stráví v dílně, a k vyšší spokojenosti zákazníků.

Ve využití dat o provozu výrobku však podle Tomáše Pihrta stále existuje velký prostor pro další inovace. S tím souhlasí i Michal Horáček z Microsoftu. "Získávat data ze samotného výrobku je jedna z nejkomplexnějších disciplín a řada firem se tam ještě nedostala. Je to však oblast, kde je největší potenciál – nabízet výrobek jako službu nebo minimálně nabízet i služby servisu postaveného na datovém základu prediktivních modelů," říká. To firmám otevírá nové obchodní příležitosti a zvyšuje konkurenceschopnost na trhu.

Článek byl publikován ve speciální příloze Hospodářských novin Budoucnost strojírenství.