Wyobraźmy sobie fabrykę, która nie tylko realizuje zaplanowane zadania, ale także przewiduje awarie, analizuje napływające dane i dostosowuje procesy do zmieniających się warunków. To, co jeszcze niedawno mogło przypominać wizję science fiction, zaczyna nabierać realnych kształtów.
Jak wynika z raportu „Operationalizing Adaptive AI Across the Manufacturing Shop Floor”, opracowanego przez Everest Group we współpracy z Capgemini, najbardziej zaawansowane przedsiębiorstwa zaczynają budować systemy zdolne nie tylko reagować na problemy, lecz także przewidywać je i inicjować odpowiednie działania. Nadal daleko jednak do upowszechnienia takich rozwiązań. Według raportu ponad 75% pilotaży AI nie przeszło do spójnych wdrożeń obejmujących wiele zakładów, linii produkcyjnych i kluczowych procesów operacyjnych.
Potencjalne korzyści są znaczące. Według szacunków Everest Group adaptacyjne systemy produkcyjne mogą ograniczyć nieplanowane przestoje o 30–50% i zwiększyć produktywność o 20–30%. Nie są to jednak rezultaty gwarantowane. Ich osiągnięcie zależy między innymi od jakości danych, dojrzałości procesów, architektury technologicznej oraz możliwości skalowania rozwiązania. Co musi się zmienić, aby fabryki przyszłości przestały być obietnicą, a stały się przemysłowym standardem?
Dużo danych, mało działania. Co hamuje przemysł?
Współczesne zakłady produkcyjne gromadzą ogromne ilości informacji, ale nie zawsze potrafią wykorzystać je do podejmowania decyzji w odpowiednim momencie. Tymczasem presja kosztowa, niedobory wykwalifikowanych pracowników, zakłócenia w łańcuchach dostaw i zmienny popyt sprawiają, że szybkość reakcji staje się równie ważna jak wydajność.
Problem nie sprowadza się wyłącznie do słabej komunikacji pomiędzy systemami. Raport wskazuje cztery powiązane grupy barier: sztywne i silosowe procesy decyzyjne, przestarzałą infrastrukturę utrudniającą integrację systemów, rozproszone dane oraz brak kompetencji łączących wiedzę produkcyjną, informatyczną i analityczną. Ponad 60% badanych producentów nie dysponowało środowiskiem danych odpowiednio przygotowanym do wdrażania AI.
Jednym z najtrudniejszych elementów transformacji jest połączenie dwóch, dotąd często oddzielonych, światów. Pierwszy to IT, czyli systemy informatyczne, platformy danych, aplikacje biznesowe, analityka i rozwiązania AI. Drugi to OT, czyli maszyny, czujniki oraz systemy monitorujące i sterujące fizyczną produkcją. Według raportu prawie połowa producentów ma problemy z integracją tych środowisk pomiędzy zakładami.
Szczególnym wyzwaniem są istniejące fabryki typu brownfield, w których nowoczesne platformy danych i AI muszą współpracować ze starszymi maszynami, sterownikami oraz systemami różnych producentów. Modernizacja musi przy tym przebiegać bez powodowania nieplanowanych przestojów i bez naruszania bezpieczeństwa ludzi, urządzeń oraz procesów produkcyjnych.
Samo gromadzenie danych nie sprawia jeszcze, że fabryka staje się inteligentna. Informacje pochodzące z maszyn, systemów produkcyjnych i aplikacji biznesowych muszą być dostępne w odpowiednim czasie, właściwie opisane i powiązane z konkretnymi urządzeniami oraz procesami. Dopiero wtedy można przełożyć je na działania w obszarze produkcji, jakości, utrzymania ruchu czy planowania
– komentuje Rafał Kurman, Lead Connectivity & Network Engineer w Capgemini Polska.
Od wykrycia problemu do działania
Odpowiedzią na te wyzwania są fabryki adaptacyjne, czyli środowiska zdolne do ciągłego obserwowania warunków produkcji, interpretowania sygnałów, podejmowania lub rekomendowania decyzji oraz przekazywania ich do systemów wykonawczych.
Istotą tego modelu jest zamknięta pętla działania. System najpierw wykrywa zdarzenie, następnie ocenia je w kontekście maszyny i procesu, proponuje lub podejmuje decyzję, przekazuje ją do wykonania, a na końcu analizuje rezultat. Pozyskana w ten sposób informacja może być wykorzystana do dalszej optymalizacji.
Zastosowania nie ograniczają się do przewidywania awarii. System może zmienić harmonogram po zakłóceniu dostawy, skorygować parametry procesu po wykryciu pogorszenia jakości, skierować produkty do dodatkowej kontroli lub zoptymalizować zużycie energii i materiałów. Może również koordynować działania systemów odpowiedzialnych za produkcję, jakość i utrzymanie ruchu.
Znaczenie ma także miejsce przetwarzania danych. Działania wymagające bardzo szybkiej reakcji są realizowane lokalnie, na brzegu sieci, blisko maszyny lub linii produkcyjnej. Chmura może natomiast służyć do trenowania modeli, analizowania danych z wielu zakładów, prognozowania długoterminowego oraz centralnego zarządzania aplikacjami i modelami AI.
Technologicznym rdzeniem takiego środowiska jest wspólna warstwa danych sterowana zdarzeniami. Rozwiązania takie jak Unified Namespace, MQTT i OPC UA mogą łączyć maszyny z systemami produkcyjnymi, a mechanizmy przetwarzania strumieni zdarzeń koordynować przepływ informacji pomiędzy zakładami i systemami biznesowymi. Modele semantyczne i cyfrowe reprezentacje aktywów nadają danym kontekst, dzięki któremu system może rozpoznać, której maszyny, linii, partii lub operacji dotyczą.
Przyszłość już pracuje na hali produkcyjnej
Przykładem zaawansowanego wykorzystania tych technologii jest fabryka Siemensa w Erlangen, produkująca płytki drukowane. Systemy robotyczne wspierane przez AI potrafią rozpoznawać nieuporządkowane komponenty, określać ich położenie i przygotowywać je do montażu bez konieczności wcześniejszego programowania każdej możliwej konfiguracji.
Ważną rolę odgrywa cyfrowy bliźniak, czyli cyfrowa reprezentacja konkretnego urządzenia, procesu lub środowiska produkcyjnego, połączona z jego konfiguracją i danymi operacyjnymi. Może być wykorzystywany do symulacji, testowania wariantów, generowania danych syntetycznych oraz trenowania i walidowania modeli AI przed zastosowaniem ich w rzeczywistej fabryce.
Fabryka w Erlangen pokazuje techniczne możliwości adaptacyjnej produkcji, ale nie jest jeszcze obrazem typowego zakładu. Większość przedsiębiorstw nadal korzysta z rozproszonych systemów i ma trudności z przenoszeniem pilotaży AI do codziennych procesów produkcyjnych.
Potencjalne korzyści wykraczają poza ograniczenie liczby awarii. Everest Group wskazuje możliwość poprawy wskaźnika produkcji bezbłędnej za pierwszym razem, określanego jako Right First Time, o 25–35%. Czas przejścia od decyzji do działania może zostać skrócony od trzech do pięciu razy, a straty materiałowe i nieplanowane koszty pracy w godzinach nadliczbowych mogą zmniejszyć się o 15–25%. Także w tym przypadku są to potencjalne efekty, zależne od dojrzałości konkretnego wdrożenia.
Od pojedynczych sukcesów do fabryk przyszłości
Upowszechnienie adaptacyjnej produkcji wymaga czegoś więcej niż zakupu kolejnych narzędzi. Potrzebna jest modularna architektura łącząca halę produkcyjną, systemy operacyjne, warstwy danych, środowiska lokalne i chmurowe oraz aplikacje biznesowe.
Modele i aplikacje powinny być wdrażane, aktualizowane oraz monitorowane w spójny sposób w wielu zakładach. Organizacja musi również zapewnić interoperacyjność systemów, niezawodność, cyberbezpieczeństwo, możliwość śledzenia decyzji oraz bezpiecznego wycofania błędnej zmiany.
Istotne jest także określenie granic autonomii. Przedsiębiorstwo musi wiedzieć, jakie działania agent sztucznej inteligencji może wykonać samodzielnie, które wymagają zatwierdzenia operatora oraz jak postępować w przypadku błędnej rekomendacji. Konieczne są kontrola uprawnień, rejestrowanie decyzji, monitorowanie jakości modeli i procedury działania na wypadek utraty łączności lub awarii systemu.
Barierą pozostaje również niedobór kompetencji przekrojowych. Inżynierowie produkcji rozumieją fizyczne procesy i ograniczenia maszyn, natomiast specjaliści danych i AI projektują modele oraz platformy analityczne. Skalowanie rozwiązań wymaga połączenia tych perspektyw, a także udziału specjalistów od automatyki, integracji IT-OT, infrastruktury lokalnej i chmurowej oraz cyberbezpieczeństwa.
Fabryka adaptacyjna nie oznacza zakładu pozbawionego ludzi. Systemy AI mogą przejąć część bieżącego monitorowania, analizy i koordynacji powtarzalnych działań, natomiast człowiek pozostaje niezbędny tam, gdzie potrzebne są wiedza domenowa, ocena ryzyka, obsługa wyjątków oraz odpowiedzialność za decyzję. Największym wyzwaniem nie jest uruchomienie pojedynczego modelu AI, lecz jego bezpieczne połączenie z maszynami, systemami produkcyjnymi i procesami decyzyjnymi, a następnie skalowanie rozwiązania między liniami i zakładami
– podkreśla Rafał Kurman, Lead Connectivity & Network Engineer w Capgemini Polska.
Wnioski z raportu pokazują, że przewagę mogą zyskać nie przedsiębiorstwa, które uruchomią najwięcej izolowanych pilotaży, lecz te, które zbudują wspólną architekturę danych i zdarzeń, połączą rekomendacje AI z procesami wykonawczymi oraz nauczą się bezpiecznie skalować rozwiązania.
O sukcesie zadecydują więc nie tylko modele AI, ale również integracja IT-OT, jakość i kontekst danych, modularna infrastruktura, odpowiednie zasady nadzoru oraz kompetencje łączące produkcję z technologią.
