Sztuczna Inteligencja (AI) stała się w ciągu ostatniego roku pojęciem niezwykle często wyszukiwanym i obecnym we właściwie każdej dziedzinie. Z jednej strony mówi się o ogromnych korzyściach wynikających z powszechnego wykorzystania sztucznej inteligencji, z drugiej – główne autorytety mówią o potężnych zagrożeniach oraz konieczności kontroli i regulacji prawnej jej zastosowania (w tej chwili trwają prace nad AI Act w Parlamencie Europejskim, który te kwestie ma regulować).
Sztuczna inteligencja jest również coraz bardziej obecna w komunikacji dotyczącej branży produkcyjnej. Coraz więcej mówi i pisze się o wykorzystaniu algorytmów AI w zarządzaniu produkcją, o narzędziach stosujących zaawansowane algorytmy, które wspierają menedżerów w podejmowaniu decyzji. Dostawcy oprogramowania dla przemysłu ścigają się w odmienianiu przez przypadki wyrażenia „sztuczna inteligencja” w swoich materiałach marketingowych. Teraz każdy proces przetwarzania, analizy danych to już AI. Każdy zbiór instrukcji opisany jako algorytm to już algorytm uczenia maszynowego (ML). Klienci coraz częściej pytają, czy dane rozwiązania są wspierane przez AI, ponieważ obecność sztucznej inteligencji ma być gwarantem nowoczesności rozwiązania.
Pracując kilkadziesiąt lat z klientami w branży produkcyjnej uważam, że należy spojrzeć nieco bardziej wnikliwie i krytycznie na to, co obecnie nazywane jest sztuczną inteligencją w przemyśle i odczarować trochę magię przekazu marketingowego dostawców dla branży przemysłowej. Chciałbym też pokrótce poruszyć kwestię tego, czy jesteśmy na takie rozwiązania gotowi na obecnym etapie naszego rozwoju technologicznego.
Czym jest właściwie AI?
Na początku odniosę się do definicji sztucznej inteligencji, aby nadać wspólny mianownik dalej poruszanym kwestiom. Określenie „AI” stosowane jest w różnym kontekście, w odniesieniu do różnego stopnia zaawansowania analizy danych. Mam wrażenie, że większość prezentacji i analiz na temat możliwości zastosowania AI w branży produkcyjnej prowadzona jest z użyciem niezdefiniowanego pojęcia AI i milczącym założeniem, że wszyscy uczestnicy dyskusji rozumieją je tak samo.
Czy sztuczną inteligencją możemy nazwać rozbudowane algorytmy matematyczne wykorzystywane do zaawansowanych analiz danych w celu wykonywania określnych zadań? Jeśli tak rozumiemy to wyrażenie, zbliżając się trochę do definicji Johna McCarthy z 1956 roku, to można powiedzieć, że AI wykorzystywana jest w przemyśle od kilku dekad, kiedy to przykładowo wprowadzono pierwsze kompleksowe systemy APS do planowania i harmonogramowania produkcji, które umożliwiały już tworzenie symulacji na podstawie różnych kryteriów i warunków brzegowych oraz wspierały podejmowanie decyzji planistów produkcji. Tego typu rozwiązania od lat z powodzeniem stosowane są w wielu polskich firmach produkcyjnych.
Sztuczną inteligencję możemy też rozumieć podobnie jak Alan Turing, czyli zdolność maszyny do naśladowania lub imitowania ludzkiej inteligencji. Wówczas warunkiem koniecznym uznania technologii za spełniającą definicję AI jest jej zdolność uczenia się.
Do uczenia maszynowego (ML) potrzebna jest duża liczba danych, aby algorytmy ML budowały na podstawie tych danych (tzw. zbiorów uczących) modele matematyczne. Następnie kolejna porcja danych wykorzystywana jest do treningu algorytmów (tzw. dane treningowe), które ucząc się doskonalą swoją jakość. Ostatecznie udoskonalone modele umożliwiają prognozowanie lub podejmowanie decyzji bez konieczności dodatkowej ingerencji człowieka.
Czy specyfika firm produkcyjnych pozwala stosować narzędzia oparte o AI?
Należy wspomnieć o pewnych słabościach związanych z zastosowaniem AI w zarządzaniu produkcją. Zarządzanie produkcją to w uproszczeniu procesy: przygotowanie danych technologicznych, bilansu MRP, generowania zleceń produkcyjnych, ustalenia harmonogramu produkcji, monitorowania wykonania, modyfikacji harmonogramów i rozliczenia produkcji w założeniu wykorzystywania procedury MRP II. Aby sprostać tym wyzwaniom konieczna jest analiza ogromnej liczby danych.
Algorytmy wykorzystywane w uczeniu maszynowym (ML) bazują przede wszystkim na dużej liczbie danych historycznych. Aby wyciągały poprawne wnioski, to danych po pierwsze musi być bardzo dużo, a po drugie muszą być one wiarygodne i ustrukturyzowane. Przed wdrożeniem rozwiązania opartego na AI zastanówmy się, jakimi danymi będziemy nowe narzędzie zasilać. Czy dane, na których zostały wytrenowane algorytmy sztucznej inteligencji odpowiadają specyfice naszego biznesu? Czy sami dysponujemy takimi danymi do uczenia maszynowego? Czy są one ze sobą w jakiś sposób zunifikowane i zintegrowane, aby algorytmy mogły szukać wzajemnych zależności? Tu bardzo często pojawia się pierwsza przeszkoda we wdrażaniu systemu do zarządzania produkcją (abstrahując od tego, czy ma wbudowane mechanizmy AI czy nie), gdyż w wielu firmach produkcyjnych dane nie są odpowiednio uporządkowane, nie są wiarygodne lub po prostu ich nie ma.
W przypadku uczenia maszynowego problemem w zastosowaniu AI jest także brak umiejętności właściwej reakcji na zmiany, które do tej pory nie miały miejsca. Jeśli nie mamy danych historycznych dotyczących danej sytuacji – algorytm nie ma możliwości się do nich odnieść (brak zbiorów uczących). Jak wspomniano wcześniej, w uczeniu maszynowym (metodą klasyfikacji, regresji czy przez wzmacnianie) zawsze potrzebne są dane. Natomiast procesy produkcyjne często są złożone i wymagają uwzględnienia wielu czynników, w tym zmieniających się warunków, awarii sprzętu i ludzkich interwencji, które nie zawsze są takie same i co gorsza – nie zawsze logiczne. Na ile wówczas wniosek z zastosowanego algorytmu sztucznej inteligencji będzie właściwy? Czy podejmowana decyzja na podstawie takiej analizy będzie prawidłowa? Modele stworzone na bazie danych historycznych, które zebrane zostały w innych warunkach, nie będą nadawać się w nowych warunkach, wywołanych przez „czarne łabędzie”. Błąd w planowaniu na produkcji w oparciu o błędne algorytmy spowoduje ogromny chaos w harmonogramie, który może wiązać się z potężnymi stratami spowodowanymi niewłaściwym wykorzystaniem zasobów.
Kolejnym problemem w zastosowaniu AI w zarządzaniu produkcją jest brak zdolności do uwzględniania kontekstu. W przemyśle, szczególnie w produkcji złożonych produktów, potrzebna jest intuicja ludzka i wiedza kontekstowa. Wieloletnie doświadczenie pracowników, zdolność do szybkiego rozpoznawania subtelnych różnic w procesach produkcyjnych oraz umiejętność dostosowania się do zmieniających się warunków są tutaj kluczowe. W przypadku bazowania na modelach stworzonych przez AI pojawia się tu kolejne ryzyko, że dane treningowe nie są właściwe i nie uwzględniają możliwych kontekstów.
Poza intuicją pojawiają się jeszcze kwestie związane z relacjami międzyludzkimi, które, chcąc czy nie chcąc, wpływają na podejmowane decyzje. W zarządzaniu produkcją konieczna jest nie tylko doskonała znajomość zagadnień technicznych, ale także rozumienia kontekstu społecznego i innych aspektów ludzkiego zachowania. Trzeba ułatwić współpracę między różnymi zespołami, komunikację i rozwiązywać konflikty między ludźmi. Decyzje oparte wyłącznie na danych i algorytmach mogą prowadzić do powstawania kolejnych trudności i problemów w efektywnej koordynacji zespołu produkcyjnego. Stosując modele wypracowane przez algorytmy AI pojawia się możliwość popełnienia błędu, gdyż losowo pobrane dane nie odzwierciedlają relacji międzyludzkich. Gromadzenie danych na temat relacji wewnątrz zespołu produkcyjnego póki co nie jest powszechną praktyką, zatem modele AI nie będą uwzględniać tych elementów „miękkich”, ale jakże istotnych dla osiągnięcia wysokiej produktywności.
Zastanawiające jest również, że rozważania o AI sięgają kilkudziesięciu lat wstecz, a to właśnie w ostatnich dwóch, trzech latach nastąpił wysyp firm z ofertą zarządzania produkcją opartą o sztuczną inteligencję. Niestety nie jest tak pięknie. AI nie jest bytem absolutnym, nie jest autonomiczna względem ludzi. To narzędzie realizujące cele człowieka przez niego stworzone i wykorzystywane. To nadal projektant decyduje, jak to narzędzie ma być skalibrowane i na jakie błędy ma być czułe.
Dylematy stawiane przed AI w zarządzaniu produkcją
Zarządzanie rzeczywistością produkcyjną to rozwiązywanie ciągłych dylematów. To ciągły kompromis pomiędzy różnymi celami. Przykładowo - oczekujemy, aby plan produkcyjny zakładał minimalizację przezbrojeń i serie produkcyjne były dłuższe, jednocześnie wymagając, aby firma była elastyczna w dostosowaniu się do zmieniających się warunków rynkowych i realizowała krótkie serie zamówień. Wymagamy ciągłego obniżania WiP, ale jednocześnie ze względu na bezpieczeństwo biznesowe tworzymy magazyny międzyoperacyjne. Redukujemy lead time, jednak nie zawsze decydujemy się na produkcję bezpośrednią, zostawiając sobie bufor na ewentualne poślizgi. Chcemy produkować wielkości partii ekonomicznie uzasadnione na danych zasobach, ale wiemy, że klient odbiera wyroby sukcesywnie i taka produkcja narazi nas na koszty magazynowania wyrobów gotowych. Dotrzymujemy terminu wykonania, kosztem zmniejszenia opłacalności kontraktu, np. poprzez nadgodziny.
To tylko wybrane zagadnienia, których rozwiązanie chcemy powierzyć modelowi AI nie wiedząc dokładnie, jak powstał, według jakiego algorytmu, na jakich danych testowych, jakie cele realizuje i jaki jest sposób jego modyfikacji.
Nie chcę, by moja opinia o zastosowaniu AI w zarządzaniu produkcją wybrzmiała bardzo sceptycznie, ale menedżerowie, którzy chcą korzystać AI, muszą zdefiniować, jaki cel chcą osiągnąć i określić kluczowe wskaźniki sukcesu, które da się zinterpretować w sposób matematyczny. Złożoność w tym wypadku polega na tym, że cele ulegają zmianie w zależności od czynników wewnętrznych przedsiębiorstwa i wpływu otoczenia. W przedsiębiorstwie produkcyjnym często cele realizujemy stopniowo - raz jest to poprawa OTIF, zmniejszenie WiP, skrócenie lead time, poprawa OEE, a czasem są to wszystkie cele jednocześnie. Nie wystarczy ich raz zdefiniować i tylko „odświeżać” oprogramowanie wykorzystujące AI, wciskając przysłowiowy klawisz „F5”. Przez ciągłe zmiany w danych, w okolicznościach i celach biznesowych przedsiębiorstwa, planista musiałby stale czuwać nad prawidłowym działaniem algorytmu AI, do czego wymagana jest dodatkowa specjalistyczna wiedza i zupełnie inne kompetencje.
Osobiście uważam, że specyfika firm produkcyjnych jest zbyt złożona i w każdym przedsiębiorstwie inna, mimo podobnego profilu działalności, aby można było z całą odpowiedzialnością twierdzić, że dany model oparty o algorytmy AI jest kompleksowy w świetle wyżej wskazanych wyzwań.
Autor: Dariusz Kacperczyk, doradca zarządu eq system sp. z o.o.
Pracując kilkadziesiąt lat z klientami w branży produkcyjnej uważam, że należy spojrzeć nieco bardziej wnikliwie i krytycznie na to, co obecnie nazywane jest sztuczną inteligencją w przemyśle i odczarować trochę magię przekazu marketingowego dostawców dla branży przemysłowej. Chciałbym też pokrótce poruszyć kwestię tego, czy jesteśmy na takie rozwiązania gotowi na obecnym etapie naszego rozwoju technologicznego.
Czym jest właściwie AI?
Na początku odniosę się do definicji sztucznej inteligencji, aby nadać wspólny mianownik dalej poruszanym kwestiom. Określenie „AI” stosowane jest w różnym kontekście, w odniesieniu do różnego stopnia zaawansowania analizy danych. Mam wrażenie, że większość prezentacji i analiz na temat możliwości zastosowania AI w branży produkcyjnej prowadzona jest z użyciem niezdefiniowanego pojęcia AI i milczącym założeniem, że wszyscy uczestnicy dyskusji rozumieją je tak samo.
Czy sztuczną inteligencją możemy nazwać rozbudowane algorytmy matematyczne wykorzystywane do zaawansowanych analiz danych w celu wykonywania określnych zadań? Jeśli tak rozumiemy to wyrażenie, zbliżając się trochę do definicji Johna McCarthy z 1956 roku, to można powiedzieć, że AI wykorzystywana jest w przemyśle od kilku dekad, kiedy to przykładowo wprowadzono pierwsze kompleksowe systemy APS do planowania i harmonogramowania produkcji, które umożliwiały już tworzenie symulacji na podstawie różnych kryteriów i warunków brzegowych oraz wspierały podejmowanie decyzji planistów produkcji. Tego typu rozwiązania od lat z powodzeniem stosowane są w wielu polskich firmach produkcyjnych.
Sztuczną inteligencję możemy też rozumieć podobnie jak Alan Turing, czyli zdolność maszyny do naśladowania lub imitowania ludzkiej inteligencji. Wówczas warunkiem koniecznym uznania technologii za spełniającą definicję AI jest jej zdolność uczenia się.
Do uczenia maszynowego (ML) potrzebna jest duża liczba danych, aby algorytmy ML budowały na podstawie tych danych (tzw. zbiorów uczących) modele matematyczne. Następnie kolejna porcja danych wykorzystywana jest do treningu algorytmów (tzw. dane treningowe), które ucząc się doskonalą swoją jakość. Ostatecznie udoskonalone modele umożliwiają prognozowanie lub podejmowanie decyzji bez konieczności dodatkowej ingerencji człowieka.
Czy specyfika firm produkcyjnych pozwala stosować narzędzia oparte o AI?
Należy wspomnieć o pewnych słabościach związanych z zastosowaniem AI w zarządzaniu produkcją. Zarządzanie produkcją to w uproszczeniu procesy: przygotowanie danych technologicznych, bilansu MRP, generowania zleceń produkcyjnych, ustalenia harmonogramu produkcji, monitorowania wykonania, modyfikacji harmonogramów i rozliczenia produkcji w założeniu wykorzystywania procedury MRP II. Aby sprostać tym wyzwaniom konieczna jest analiza ogromnej liczby danych.
Algorytmy wykorzystywane w uczeniu maszynowym (ML) bazują przede wszystkim na dużej liczbie danych historycznych. Aby wyciągały poprawne wnioski, to danych po pierwsze musi być bardzo dużo, a po drugie muszą być one wiarygodne i ustrukturyzowane. Przed wdrożeniem rozwiązania opartego na AI zastanówmy się, jakimi danymi będziemy nowe narzędzie zasilać. Czy dane, na których zostały wytrenowane algorytmy sztucznej inteligencji odpowiadają specyfice naszego biznesu? Czy sami dysponujemy takimi danymi do uczenia maszynowego? Czy są one ze sobą w jakiś sposób zunifikowane i zintegrowane, aby algorytmy mogły szukać wzajemnych zależności? Tu bardzo często pojawia się pierwsza przeszkoda we wdrażaniu systemu do zarządzania produkcją (abstrahując od tego, czy ma wbudowane mechanizmy AI czy nie), gdyż w wielu firmach produkcyjnych dane nie są odpowiednio uporządkowane, nie są wiarygodne lub po prostu ich nie ma.
W przypadku uczenia maszynowego problemem w zastosowaniu AI jest także brak umiejętności właściwej reakcji na zmiany, które do tej pory nie miały miejsca. Jeśli nie mamy danych historycznych dotyczących danej sytuacji – algorytm nie ma możliwości się do nich odnieść (brak zbiorów uczących). Jak wspomniano wcześniej, w uczeniu maszynowym (metodą klasyfikacji, regresji czy przez wzmacnianie) zawsze potrzebne są dane. Natomiast procesy produkcyjne często są złożone i wymagają uwzględnienia wielu czynników, w tym zmieniających się warunków, awarii sprzętu i ludzkich interwencji, które nie zawsze są takie same i co gorsza – nie zawsze logiczne. Na ile wówczas wniosek z zastosowanego algorytmu sztucznej inteligencji będzie właściwy? Czy podejmowana decyzja na podstawie takiej analizy będzie prawidłowa? Modele stworzone na bazie danych historycznych, które zebrane zostały w innych warunkach, nie będą nadawać się w nowych warunkach, wywołanych przez „czarne łabędzie”. Błąd w planowaniu na produkcji w oparciu o błędne algorytmy spowoduje ogromny chaos w harmonogramie, który może wiązać się z potężnymi stratami spowodowanymi niewłaściwym wykorzystaniem zasobów.
Kolejnym problemem w zastosowaniu AI w zarządzaniu produkcją jest brak zdolności do uwzględniania kontekstu. W przemyśle, szczególnie w produkcji złożonych produktów, potrzebna jest intuicja ludzka i wiedza kontekstowa. Wieloletnie doświadczenie pracowników, zdolność do szybkiego rozpoznawania subtelnych różnic w procesach produkcyjnych oraz umiejętność dostosowania się do zmieniających się warunków są tutaj kluczowe. W przypadku bazowania na modelach stworzonych przez AI pojawia się tu kolejne ryzyko, że dane treningowe nie są właściwe i nie uwzględniają możliwych kontekstów.
Poza intuicją pojawiają się jeszcze kwestie związane z relacjami międzyludzkimi, które, chcąc czy nie chcąc, wpływają na podejmowane decyzje. W zarządzaniu produkcją konieczna jest nie tylko doskonała znajomość zagadnień technicznych, ale także rozumienia kontekstu społecznego i innych aspektów ludzkiego zachowania. Trzeba ułatwić współpracę między różnymi zespołami, komunikację i rozwiązywać konflikty między ludźmi. Decyzje oparte wyłącznie na danych i algorytmach mogą prowadzić do powstawania kolejnych trudności i problemów w efektywnej koordynacji zespołu produkcyjnego. Stosując modele wypracowane przez algorytmy AI pojawia się możliwość popełnienia błędu, gdyż losowo pobrane dane nie odzwierciedlają relacji międzyludzkich. Gromadzenie danych na temat relacji wewnątrz zespołu produkcyjnego póki co nie jest powszechną praktyką, zatem modele AI nie będą uwzględniać tych elementów „miękkich”, ale jakże istotnych dla osiągnięcia wysokiej produktywności.
Zastanawiające jest również, że rozważania o AI sięgają kilkudziesięciu lat wstecz, a to właśnie w ostatnich dwóch, trzech latach nastąpił wysyp firm z ofertą zarządzania produkcją opartą o sztuczną inteligencję. Niestety nie jest tak pięknie. AI nie jest bytem absolutnym, nie jest autonomiczna względem ludzi. To narzędzie realizujące cele człowieka przez niego stworzone i wykorzystywane. To nadal projektant decyduje, jak to narzędzie ma być skalibrowane i na jakie błędy ma być czułe.
Dylematy stawiane przed AI w zarządzaniu produkcją
Zarządzanie rzeczywistością produkcyjną to rozwiązywanie ciągłych dylematów. To ciągły kompromis pomiędzy różnymi celami. Przykładowo - oczekujemy, aby plan produkcyjny zakładał minimalizację przezbrojeń i serie produkcyjne były dłuższe, jednocześnie wymagając, aby firma była elastyczna w dostosowaniu się do zmieniających się warunków rynkowych i realizowała krótkie serie zamówień. Wymagamy ciągłego obniżania WiP, ale jednocześnie ze względu na bezpieczeństwo biznesowe tworzymy magazyny międzyoperacyjne. Redukujemy lead time, jednak nie zawsze decydujemy się na produkcję bezpośrednią, zostawiając sobie bufor na ewentualne poślizgi. Chcemy produkować wielkości partii ekonomicznie uzasadnione na danych zasobach, ale wiemy, że klient odbiera wyroby sukcesywnie i taka produkcja narazi nas na koszty magazynowania wyrobów gotowych. Dotrzymujemy terminu wykonania, kosztem zmniejszenia opłacalności kontraktu, np. poprzez nadgodziny.
To tylko wybrane zagadnienia, których rozwiązanie chcemy powierzyć modelowi AI nie wiedząc dokładnie, jak powstał, według jakiego algorytmu, na jakich danych testowych, jakie cele realizuje i jaki jest sposób jego modyfikacji.
Nie chcę, by moja opinia o zastosowaniu AI w zarządzaniu produkcją wybrzmiała bardzo sceptycznie, ale menedżerowie, którzy chcą korzystać AI, muszą zdefiniować, jaki cel chcą osiągnąć i określić kluczowe wskaźniki sukcesu, które da się zinterpretować w sposób matematyczny. Złożoność w tym wypadku polega na tym, że cele ulegają zmianie w zależności od czynników wewnętrznych przedsiębiorstwa i wpływu otoczenia. W przedsiębiorstwie produkcyjnym często cele realizujemy stopniowo - raz jest to poprawa OTIF, zmniejszenie WiP, skrócenie lead time, poprawa OEE, a czasem są to wszystkie cele jednocześnie. Nie wystarczy ich raz zdefiniować i tylko „odświeżać” oprogramowanie wykorzystujące AI, wciskając przysłowiowy klawisz „F5”. Przez ciągłe zmiany w danych, w okolicznościach i celach biznesowych przedsiębiorstwa, planista musiałby stale czuwać nad prawidłowym działaniem algorytmu AI, do czego wymagana jest dodatkowa specjalistyczna wiedza i zupełnie inne kompetencje.
Osobiście uważam, że specyfika firm produkcyjnych jest zbyt złożona i w każdym przedsiębiorstwie inna, mimo podobnego profilu działalności, aby można było z całą odpowiedzialnością twierdzić, że dany model oparty o algorytmy AI jest kompleksowy w świetle wyżej wskazanych wyzwań.
Autor: Dariusz Kacperczyk, doradca zarządu eq system sp. z o.o.
