10 دستاورد انقلابی هوش مصنوعی و یادگیری ماشین برای تولید

آی‌تی‌من- یکی از این فناوری‌ها یادگیری ماشین (machine learning) است که به کارگیری آن در صنایع و کارخانجات آغاز شده و تولیدکنندگان در سال 2019، از طریق سرمایه‌گذاری در پلتفرم‌های یادگیری ماشین و با بهره‌گیری از بینش و ادراکی که این پلتفرم‌ها برای بهبود کیفیت محصول و بازده تولید فراهم می‌کنند، کف تولید خود را بهبود می‌بخشند.

استفاده از یادگیری ماشین برای ساده سازی مراحل تولید، که از کیفیت قطعات دریافتی از تامین کنندگان آغاز می‌شود و در مراحل برنامه‌ریزی تولید تا پردازش و تکمیل کالا ادامه می‌یابد، امروزه به اولویت تولیدکنندگان تبدیل شده است. بر اساس تحقیقات جدیدی که شرکت مشاوره دیلویت انجام داده، یادگیری ماشین می‌تواند میزان خواب برنامه‌ریزی نشده ماشین‌آلات تولید را بین 15 تا 30 درصد کاهش دهد و به افزایش 20 درصدی توان تولید، کاهش 30 درصدی هزینه‌های تعمیر و نگهداری و افزایش کیفیت تا 35 درصد بینجامد.

در این گزارش به ده موردی اشاره می‌کنیم که یادگیری ماشین، به تحول در تولید در سال 2019 خواهد انجامید.
 
1- هوش مصنوعی این ظرفیت را دارد که بین 1.4 تریلیون تا 2.6 تریلیون دلار ارزش در بازاریابی و فروش در کسب‌وکارهای سرتاسر جهان خلق کند. این افزایش ارزش در مدیریت زنجیره تامین و تولید بین 1.2 تریلیون تا 2 تریلیون دلار است.

برآوردهای شرکت مک‌کینسی (McKinsey) نشان می‌دهد که تعمیر و نگهداری پیشگویانه (predictive maintenance)  مبتنی بر هوش مصنوعی این ظرفیت را دارد که بین 500 میلیارد تا 700 میلیارد دلار ارزش برای تولیدکنندگان خلق کند. مک‌کینسی تاکید می‌کند که توانایی هوش مصنوعی در پردازش مقادیر کلان داده، از جمله صوت و ویدیو، به این معنی است که این فناوری می‌تواند به سرعت ناهنجاری‌ها را شناسایی و از خرابی جلوگیری کند. یادگیری ماشین می‌تواند تشخیص بدهد که مثلا شنیده شدن یک صدای خاص در موتور هواپیمای تحت کنترل کیفیت به معنی درست کار کردن آن است یا نه؛ یا اینکه یک دستگاه درون خط تولید درست کار می‌کند یا به زودی از کار می‌افتد.


 
2- تولیدکنندگان با استفاده از یادگیری ماشین و تحلیل‌های پیشگویانه‌ در مقیاس ابری، به درک جدیدی درباره چگونگی افزایش پایداری می‌رسند.

تولیدکنندگان فرایندی با استفاده از فناوری‌هایی مانند هوش مصنوعی صنعتی Symphony آژور برای مدل‌سازی استقرار تجهیزات از یک کتابخانه الگو استفاده می‌کنند که شامل مبدل‌های حرارتی، پمپ‌ها، کمپرسورها و سایر دارایی‌هایی می‌شود که تولیدکنندگان فرایندی به آنها متکی هستند. هوش مصنوعی Symphony به کاربران کمک می‌کند که مدل‌های پیش‌گویانه را از فرایندهای‌شان ایجاد کنند.

3- گروه مشاوره بوستون (BCG) دریافته است که تولیدکنندگانی که از هوش مصنوعی استفاده می‌کنند می‌توانند هزینه‌های تبدیل (conversion cost) را تا 20 درصد کاهش دهند. هزینه‌های افزایش بهره‌وری نیروی کار نیز با استفاده از هوش مصنوعی تا 70 درصد کاهش می‌یابد.

یافته‌های BCG نشان می‌دهد که تولیدکنندگان با استفاده از هوش مصنوعی قادر به تولید محصولات نوآورانه و اختصاصی برای مشتریان در زمان کمتر هستند.

4- تولیدکنندگان فرایندی و گسسته که به شدت به دارایی‌ها متکی‌اند، با استفاده از هوش مصنوعی و یادگیری ماشین می‌توانند کارایی، مصرف انرژی و سود در ساعت بیشتری به دست بیاورند.

تولیدکنندگانی که دارای تجهیزات سنگین هستند، به دنبال‌ راه‌های به‌کارگیری الگوریتم‌ها برای بهبود کارایی، پایداری و بازده هستند. مطالعات مک‌کینسی نشان می‌دهد که هوش مصنوعی می تواند وظایف پیچیده را به صورت خودکار انجام دهد با نقاط تنظیم دقیق و بهینه‌ای را فراهم کند تا ماشین آلات بتوانند خودکار کار کنند که برای دستیابی به تولید حداکثری در یک یا چند شیفت تولید ضروری است.


 
5- سیستم‌های تشخیص نقص محصول و اطمینان از کیفیت مبتنی بر هوش مصنوعی و یادگیری ماشین، قادر به افزایش بهره‌وری تولید تا 50 درصد یا بیشتر هستند.

مزیت ذاتی یادگیری ماشین در شناسایی ناهنجاری‌ها در یک محصول و بسته‌بندی آن می‌تواند کیفیت تولید را افزایش بدهد و جلوی خروج محصولات دارای ایراد را از خط تولید بگیرد. تشخیص محصولات دارای اشکال با یادگیری ماشین و سیستم‌های یادگیری عمیق نسبت به کنترل‌ و بازرسی‌های انسانی تا 90 درصد بهتر انجام می‌شود.

با توجه به وجود محیط‌های هوش مصنوعی منبع باز و سخت‌افزار‌های ارزان قیمتی مانند دوربین‌ها و کامپیوترهای پرقدرت، حتی کسب‌وکارهای کوچک نیز بیش‌ از پیش به نظارت تصویری مبتنی بر هوش مصنوعی روی می‌آورند.

6- یادگیری ماشین این ظرفیت را دارد که در عین کاهش مشکلات ناشی از کمبود مزمن نیروی کار، راه‌های جدیدی برای حفظ کارکنان بیابد.

تولید این روزها به شدت با مشکل کمبود نیروی کار مواجه است و تمامی نظرسنجی‌ها از تولیدکنندگان نشان می‌دهد که این مساله یکی از سه مشکل بزرگ آنهاست. یکی از شرکت‌هایی که برای این مشکل چاره اندیشیده،Eightfold  نام دارد. پلتفرم استعدادیابی مبتنی بر هوش مصنوعی این شرکت از الگوریتم‌های متنوع یادگیری ماشین برای شناسایی توانمندی‌ها، تجربیات و توان ویژه کاندیداهای استخدام استفاده می‌کند. تولیدکنندگان متعددی هم اکنون از پلتفرم Eightfold برای بهبود سیستم استخدام و یافتن استعدادهای مورد نیاز از میان کارکنان موجود استفاده می‌کنند.

7- یادگیری ماشین به تولیدکنندگان در حل مشکلات قدیمی حل نشده و یافتن مشکلاتی که تولیدکنندگان آگاه از وجودشان نبوده‌اند، مانند گلوگاه‌ها یا خطوط تولید غیر سودآور، کمک می‌کند.

بهبود دقت تعمیر و نگهداری پیشگویانه برای تمامی ماشین‌ها یا محیط تولید، شیوه افزایش کارایی و بازده تولید هر دستگاه و جریان کاری مرتبط با آنها را مشخص می‌کند و موجب کارکردن بهینه سیستم‌ها و بهینه‌سازی زنجیره تامین می‌شود.
 
8- یادگیری ماشین به طور قابل ملاحظه‌ای پیکربندی محصولات و جریان کار نرم‌افزارهای  CPQ را که تولیدکنندگان برای ساخت محصولات سفارش محور بر آن متکی هستند، بهبود ببخشد.

رویکرد زیمنس در فروش، طراحی و نصب سیستم‌های کنترل تویض ریل در خطوط ریلی با استفاده از هوش مصنوعی و یادگیری ماشین، به منظور یافتن پیکربندی بهینه از میان 10 به توان 90 ترکیب مختلف در این زمینه یکی از نمونه‌های جالب توجه در این زمینه است.

9- پیش‌بینی می‌شود که به‌کارگیری هوش مصنوعی و یادگیری ماشین در کارخانجات در 5 سال آینده از روباتیک پیشی می‌گیرد و تبدیل به رویکرد اصلی در تولید خواهد شد و پیچیدگی و محدودیت‌های عملیات در زنجیره تامین، زمینه‌ای ایده‌آل برای به‌کارگیری الگوریتم‌های یادگیری ماشین فراهم می‌کند تا از این طریق، راهکارهای پیشنهادی ارایه شود.

10- یادگیری ماشین زمینه تامین امنیت تولیدکنندگان را در هر سطحی متحول کرده است و تولیدکنندگان با تکیه بر چارچوب اعتماد صفر در امنیت (Zero Trust Security) برای تامین امنیت تمامی شبکه، ابر و سایر پلتفرم‌ها، سیستم‌عامل و اپلیکیشن‌ها در طول زنجیره تامین و شبکه تولید به تامین امنیت و توسعه عملیات‌شان می‌پردازند.