Kleinere Hersteller werden mit künstlicher Intelligenz schlank

Künstliche Intelligenz wird weithin als ein wesentlicher Aspekt dessen angesehen, was allgemein als Industrie 4.0 bezeichnet wird. Obwohl noch niemand weiß, wie künstliche Intelligenz in die nächste Phase der industriellen Revolution integriert wird, sind sich die meisten einig, dass sie eine bessere Konnektivität zwischen Menschen, Maschinen und Informationstechnologie ermöglichen wird, sodass Hersteller Prozesse besser optimieren und Probleme vorhersagen können.

Wie sollen kleine und mittlere Hersteller (SMMs), die normalerweise nicht die Zeit oder das Kapital haben, um neue Technologien zu testen, bewerten, wie sich künstliche Intelligenz auf ihr Unternehmen auswirken könnte – und eine Rolle bei der Vorbereitung auf Industrie 4.0 spielen? ?

Die Entscheidung des verarbeitenden Gewerbes sozusagen abzuwarten, ist sicher keine Option. Eine Verzögerung von ein, zwei oder fünf Jahren könnte dazu führen, dass ein Hersteller ins Hintertreffen gerät. Es ist jetzt an der Zeit zu handeln, aber der Weg nach vorne ist nicht klar.

Eine Möglichkeit, dies anzugehen, besteht darin, künstliche Intelligenz durch eine fortlaufende Transformation zu bewerten, die viele SMMs bereits angenommen haben:Lean Manufacturing.

Das „Kontinuierliche“ in die kontinuierliche Verbesserung mit künstlicher Intelligenz einbringen

Im Mittelpunkt der Lean-Philosophie steht der Gedanke der kontinuierlichen Verbesserung. Es ist ein Bekenntnis zum ständigen Wandel. Um Lean zu machen, muss die Bereitschaft zur Veränderung jederzeit gewahrt sein, damit wenn eine Verbesserungsmöglichkeit erkannt wird, diese schnell umgesetzt werden kann.

Lean-Verbesserungen erfolgen durch Interventionen. Wird ein Problem erkannt, beispielsweise in einem Prozess, wird die Arbeit eingestellt. Die Teammitglieder werden aufgefordert, zu beobachten, Schlussfolgerungen zu ziehen, Urteile zu fällen und schließlich Maßnahmen zu ergreifen, die die Ursache des Problems beheben. Lean funktioniert in diesem intermittierenden Betrieb, obwohl sein Stopp-Start-Rhythmus dem Gedanken einer kontinuierlichen Verbesserung grundsätzlich zu widersprechen scheint. Derzeit ist es jedoch machbar – oder zumindest menschlich möglich.

Was wäre, wenn Sie die Arbeit nicht unterbrechen müssten, um einen schlanken Betrieb durchzuführen? Was wäre, wenn Sie den Großteil des grundlegenden Lean-Prozesses (beobachten, Schlussfolgerungen ziehen, Urteile fällen, Maßnahmen ergreifen) während der Arbeit erledigen könnten, um den Lean-Prozess kontinuierlicher zu gestalten? Dies ist eines der Hauptversprechen der künstlichen Intelligenz für Fertigungsbetriebe jeder Größenordnung.

Wo Lean Operations mit künstlicher Intelligenz beginnen kann

Künstliche Intelligenz ist ein weites Feld, das eine breite Palette von Technologien umfasst – alles von Algorithmen, die aus Datensätzen lernen können, bis hin zu Robotern, die einer Science-Fiction-Geschichte ähneln.

Was kleine Hersteller angeht, ist die Art der künstlichen Intelligenz, mit der sie sich in erster Linie beschäftigen sollten, eine Teildisziplin namens Machine Learning. Wie Amit Manghani es in seinem „A Primer on Machine Learning“ definiert:

Manghani fährt fort, vier Arten des maschinellen Lernens zu skizzieren, die alle Anwendungen für die schlanke Fertigung haben könnten. Dies setzt jedoch voraus, dass ein kleiner Hersteller bereit ist, in die Rechenleistung zu investieren, um die erforderlichen Daten für die Computeranalyse bereitzustellen:

1. Überwachtes maschinelles Lernen
2. Unüberwachtes maschinelles Lernen
3. Teilüberwachtes maschinelles Lernen
4. Verstärktes maschinelles Lernen

Lassen Sie uns jede dieser vier Möglichkeiten, maschinelles Lernen auf die schlanke Fertigung anzuwenden, im Folgenden etwas genauer untersuchen:

1. Überwachtes maschinelles Lernen

Beim überwachten maschinellen Lernen parsen Algorithmen eingehende Daten und weisen jedem Datum Labels zu, das vordefinierte Kriterien erfüllt. Schlanke Hersteller könnten eine solche Technik verwenden, um beispielsweise die Qualitätskontrolle für komplexe Teile zu automatisieren, vorausgesetzt, relevante Teiledaten könnten aufgezeichnet und dem Algorithmus zur Verfügung gestellt werden.

2. Unüberwachtes maschinelles Lernen

Beim unüberwachten maschinellen Lernen gibt es keine vordefinierten Antworten, die ein Algorithmus zum Sortieren von Daten verwenden kann. Vielmehr muss der Algorithmus die anfallenden Daten beobachten und auswerten, Muster erkennen und aufkommende Labels erstellen. Diese Art des maschinellen Lernens könnte von schlanken Herstellern verwendet werden, um eine Produktionsmaschine – oder eine Reihe von vernetzten Maschinen – auf ungewöhnliches Verhalten zu überwachen und so eine Fehlfunktion zu antizipieren.

3. Teilüberwachtes maschinelles Lernen

Wie der Name schon sagt, vermischt halbüberwachtes maschinelles Lernen überwachte und unüberwachte Ansätze. In einem halbüberwachten Szenario sind einige Labels für Daten vorhanden. Auch andere Kriterien entwickelt der Algorithmus im Laufe der Zeit mit Hilfe menschlicher Aufsicht. Ein halbüberwachtes Szenario könnte für die Optimierung der sich wiederholenden Teileproduktion nützlich sein und potenziell sowohl Teile- als auch Prozessverschwendung eliminieren.

4. Verstärkung des maschinellen Lernens

In einem Verstärkungsszenario projiziert ein Algorithmus, welche Aktion aus einer Reihe möglicher Aktionen zur höchsten Belohnung führt. SMMs, die an einem schlanken Transformationsprozess beteiligt sind, könnten diese Art des maschinellen Lernens nutzen, um verschiedene Wege zu prozessorientierten Veränderungen abzuwägen, die sie sich vorstellen.

Maschinelles Lernen kann die schlanke Produktion ergänzen

Wenn man sich auf maschinelles Lernen konzentriert, kann man beginnen zu sehen, wie es Anwendungen für künstliche Intelligenz gibt, die für die meisten Hersteller unabhängig von ihrer Größe nützlich und zugänglich sind. In einigen Fällen sind Puzzleteile möglicherweise bereits in Form von Daten verfügbar, die von bereits installierten Maschinensensoren, bestehender Infrastruktur für Informationstechnologie (IT) und Betriebstechnologie (OT) gesammelt werden.

Da SMMs beginnen, über Anwendungen für künstliche Intelligenz nachzudenken, ist es wichtig, sich daran zu erinnern, dass keines dieser Szenarien automatisch die Verfügbarkeit von Arbeitsplätzen für Menschen bedroht. Vielmehr können diese Ideen auf eine Weise verfolgt werden, die einen die Mitarbeiter stärkenden, schlanken Prozess ergänzt, indem Mitarbeitern Zugang zu Echtzeitinformationen und besseren Werkzeugen für die Problemlösung und -ausführung am Arbeitsplatz gewährt wird.

Eine sinnvolle Analogie ist die aktuelle Automobilsensorik, die das Bewusstsein und die Wahrnehmung des menschlichen Fahrers ergänzt. Diese Technologie verbessert nicht nur die Sicherheit, sondern trägt auch zu einer geringeren Reibung im gesamten Fahrsystem bei, indem das Verhalten aller auf der Straße aufeinander abgestimmt wird. Auf diese Weise nimmt die Autosicherheitstechnologie niemanden aus der Fahrgleichung – sie macht das Fahren sicherer und effizienter.

Wenn wir diese Perspektive einnehmen, kann künstliche Intelligenz nur als ein weiteres Werkzeug in der Lean-Toolbox betrachtet werden – wenn auch eines, das das Potenzial hat, sehr mächtig zu sein.