W rozmowach z menedżerami firm produkcyjnych regularnie powraca ten sam wniosek: fala robotyzacji z lat 2010–2019 przyniosła wyraźne korzyści, choć nie trwały one długo. Późniejsze modernizacje systemów zarządzania zasobami przedsiębiorstwa uporządkowały dane i ujednoliciły procesy, a systemy IoT zaczęły dostarczać ogromne ilości danych z czujników.
Najważniejsze wskaźniki, takie jak uzysk produkcyjny, nieplanowane przestoje, wady wykrywane dopiero na późniejszych etapach czy rotacja zapasów, pokazują jednak coś innego. U większości producentów poprawa w ostatniej dekadzie była najwyżej nieznaczna.
Przykładem są Stany Zjednoczone, gdzie wydajność pracy w sektorze produkcyjnym rosła w tempie zaledwie 0,5% rocznie od czwartego kwartału 2019 r. do pierwszego kwartału 2026 r. W tym okresie produkcja rosła o 0,1% rocznie, a liczba przepracowanych godzin spadała o 0,4% rocznie.
Dane te pokazują, że potrzebna jest pilna zmiana podejścia. Jednocześnie, według prognoz, wartość globalnego rynku AI w produkcji wzrośnie z 34,2 mld USD w 2025 r. do 155 mld USD w 2030 r., czyli średnio o 35,3% rocznie.
- PRZECZYTAJ TAKŻE: Nowy priorytet dla branży motoryzacyjnej: AI w całym łańcuchu wartości
Gdzie brakuje prawdziwie inteligentnych rozwiązań?
Tradycyjna automatyzacja przyspiesza procesy i zwiększa ich powtarzalność, ale nie sprawia, że stają się one bardziej inteligentne.
Robot może 10 000 razy dziennie spawać to samo połączenie z identyczną dokładnością. Nie zauważy jednak, że nowa partia stali zachowuje się inaczej, łożysko prawdopodobnie ulegnie awarii w ciągu dwóch zmian albo że warto zmienić harmonogram produkcji, ponieważ zator na dalszym etapie wkrótce ustąpi. Takie decyzje od lat zależą od doświadczenia pracowników. To cenna wiedza, której coraz trudniej pozyskać i którą niełatwo wykorzystać na większą skalę.
Cztery główne czynniki sprawiają, że problem ten trzeba rozwiązać jak najszybciej:
- Łańcuchy dostaw wciąż są narażone na zakłócenia: problemy, które ujawniły się w 2020 r., stały się jeszcze bardziej złożone, a napięcia geopolityczne dodatkowo pogarszają sytuację.
- Brakuje wykwalifikowanych pracowników: w większości krajów z silnym sektorem produkcyjnym na emeryturę odchodzi więcej osób niż rozpoczyna pracę w branży. Wraz z nimi firmy tracą znaczną część wiedzy i doświadczenia.
- Rosną wymagania dotyczące zrównoważonego rozwoju: organy regulacyjne i duzi klienci oczekują dziś szczegółowych, możliwych do zweryfikowania informacji opartych na danych z działalności operacyjnej.
- Personalizacja stała się normą: serie produkcyjne są krótsze, rośnie liczba wariantów, a przezbrojenia muszą przebiegać coraz szybciej.
Tradycyjna automatyzacja nie rozwiązuje tych problemów. Może to zrobić fizyczna AI. Dzięki niej systemy na bieżąco rozpoznają sytuację w zakładzie, oceniają jej znaczenie i podejmują właściwe działania.
Co zmieniło się w AI i technologiach, które ją wspierają
Systemy rozpoznające otoczenie oraz rozwijane obecnie modele świata coraz lepiej rozumieją środowisko fizyczne i przewidują kolejne zdarzenia. Wydajniejsze systemy obliczeniowe pozwalają szkolić je na dużą skalę. Cyfrowe bliźniaki umożliwiają testowanie rozwiązań i tworzenie danych syntetycznych na podstawie wirtualnych fabryk, maszyn i procesów, bez konieczności prowadzenia wszystkich prób w rzeczywistym zakładzie.
Same możliwości technologiczne to jednak tylko część rozwiązania. Większym wyzwaniem jest połączenie ich z systemami sterującymi produkcją (OT), systemami biznesowymi, danymi i procesami, od których zależy działanie zakładu.
W NTT DATA uważamy, że we wdrożeniach fizycznej AI integracja jest równie ważna jak sama AI.
Technologie NVIDIA wspierające fizyczną AI
NVIDIA dostarcza znaczną część technologii potrzebnych do takich wdrożeń. Jej rozwiązania dla fizycznej AI obejmują modele, biblioteki, narzędzia programistyczne oraz wydajną infrastrukturę obliczeniową, która służy do trenowania modeli, prowadzenia symulacji i wdrażania rozwiązań w rzeczywistych warunkach.
Można w nim wyróżnić trzy warstwy:
- Modele: podstawowe modele świata NVIDIA Cosmos pomagają systemom fizycznej AI rozumieć otoczenie i wyciągać wnioski na jego temat.
- Oprogramowanie, biblioteki i narzędzia programistyczne: NVIDIA Isaac Sim zapewnia środowisko symulacyjne do tworzenia i testowania aplikacji robotycznych. NVIDIA AI Enterprise ułatwia wdrażanie rozwiązań AI w zakładach produkcyjnych i zarządzanie nimi. Pakiet obejmuje również NVIDIA Omniverse, Metropolis i Triton.
- Infrastruktura obliczeniowa: NVIDIA DGX zapewnia scentralizowane zasoby do szkolenia modeli AI. Serwery NVIDIA RTX PRO dostarczają mocy obliczeniowej potrzebnej do symulacji i obsługi cyfrowych bliźniaków, a Jetson umożliwia przetwarzanie modeli AI bezpośrednio w robotach, maszynach i innych urządzeniach działających blisko źródła danych.
Jak producenci wykorzystują te rozwiązania w praktyce
W zakładach produkcyjnych rozwiązania te już przynoszą wymierne efekty:
- Jeden z globalnych producentów samochodów wdrożył cyfrowe bliźniaki oparte na bibliotekach NVIDIA Omniverse w ponad 30 zakładach. Automatyczne sprawdzanie kolizji w środowisku wirtualnym, które pozwala upewnić się, że nowe pojazdy na linii produkcyjnej nie zetkną się z elementami otoczenia, skróciło się z czterech tygodni do trzech dni. Zakładano również obniżenie kosztów planowania produkcji o 30%.
- Producenci elektroniki wykorzystują te technologie do poprawy kontroli jakości i wydajności. Foxconn Industrial Internet współpracuje z partnerami NVIDIA Metropolis nad automatyzacją kontroli jakości płytek drukowanych. Korzysta także z serwerów NVIDIA RTX PRO, aby uruchamiać duże modele językowe bezpośrednio w zakładzie, blisko miejsca powstawania danych. Modele te opracowano na platformie DGX SuperPOD. Innodisk wykorzystuje NVIDIA Metropolis do automatyzacji kontroli optycznej na liniach produkcyjnych, a Wistron częściowo automatyzuje w ten sposób optyczną kontrolę płytek drukowanych.
- W zastosowaniach związanych z wykrywaniem i klasyfikacją wad platforma uczenia głębokiego NVIDIA osiągnęła podczas demonstracji czułość na poziomie 96,4%, precyzję 99,3% i odsetek fałszywych alarmów wynoszący 0,1%. Optymalizacja z użyciem TensorRT wyraźnie przyspieszyła również analizę danych przez model. W urządzeniach działających bezpośrednio w zakładzie to samo rozwiązanie przetwarzało 228,1 klatki na sekundę na Jetson AGX Xavier, wobec 18 klatek na sekundę na Jetson Nano. Pokazuje to, że kontrola jakości wspierana przez AI może łączyć wysoką skuteczność wykrywania wad z szybkością potrzebną w warunkach produkcyjnych.
Jak usługi NTT DATA uzupełniają technologie NVIDIA
Wiele przedsięwzięć związanych z AI w firmach produkcyjnych od początku opiera się na niewłaściwym założeniu: każdy sposób wykorzystania technologii traktuje się jak osobny projekt. System kontroli obrazu oparty na AI pochodzi od jednego dostawcy, rozwiązanie przewidujące awarie od drugiego, a cyfrowe bliźniaki od trzeciego. Każdy z tych elementów korzysta z własnych sposobów przesyłania danych, odrębnego środowiska wdrożeniowego i innych zasad utrzymania.
Z czasem każdy kolejny sposób wykorzystania AI wymaga dodatkowej integracji, zwiększa złożoność całego środowiska i utrudnia osiągnięcie oczekiwanego zwrotu z inwestycji.
Dostawców w tym obszarze nie brakuje. W sektorze produkcyjnym AI przynosi jednak efekty dopiero wtedy, gdy organizacja odpowiedzialna za wdrożenie równie dobrze rozumie realia hali produkcyjnej i samą technologię.
Globalny zespół NTT DATA ds. produkcji od ponad 20 lat współpracuje z klientami z branży motoryzacyjnej, elektronicznej, lotniczej, procesowej oraz spożywczej. Wiemy, z czym wiąże się integracja z używanym od 15 lat systemem realizacji produkcji (MES). Rozumiemy też, jak zmienia się skuteczność modelu przewidującego awarie, gdy sposób pracy zakładu odbiega od warunków, w których model został wyszkolony. Znamy również problemy z zarządzaniem danymi, które potrafią zatrzymać program, zanim naprawdę się rozpocznie.
Na tym doświadczeniu opiera się nasza platforma AI for Manufacturing. Została zaprojektowana specjalnie dla sektora produkcyjnego i koordynuje pracę agentów AI. Wykorzystuje technologie NVIDIA, aby na bieżąco przekładać wyniki modeli AI na decyzje operacyjne. Obejmuje bibliotekę ponad 50 gotowych agentów oraz wyspecjalizowane modele przeznaczone dla przemysłu. Narzędzia niewymagające rozbudowanego programowania łączą się bezpośrednio z infrastrukturą NVIDIA wykorzystywaną do obliczeń i działania modeli.
Co znajdzie się w kolejnych częściach
Możliwości współczesnej AI w produkcji znacznie wyprzedzają rozwiązania używane dziś w większości zakładów. Firmom często brakuje jednak jasnego sposobu przejścia od pojedynczych projektów pilotażowych do modelu działania obejmującego całe przedsiębiorstwo.
W kolejnym artykule pokażemy, jak platforma NTT DATA AI for Manufacturing łączy technologie fizycznej AI NVIDIA z agentami AI oraz narzędziami do ich koordynowania i integracji. Dzięki temu AI może wspierać rzeczywiste procesy produkcyjne.
W ostatniej części przedstawimy plan pierwszych 90 dni wdrożenia, który pomoże osobom odpowiedzialnym za działalność operacyjną rozpocząć działania w uporządkowany sposób. Inteligentna fabryka nie powstaje od razu. Buduje się ją krok po kroku, zaczynając od decyzji podejmowanych już dziś.
DALSZE KROKI
Dowiedz się więcej o usługach NTT DATA dla sektora produkcyjnego i skontaktuj się z naszym zespołem, aby sprawdzić, jak możemy pomóc Ci produkować szybciej, działać sprawniej i obniżać koszty.