Πώς τα εργοστάσια χρησιμοποιούν την τεχνητή νοημοσύνη στις γραμμές παραγωγής;

Καθώς τα Doritos, τα Walkers και τα Wotsits κινούνται με γρήγορους ρυθμούς πάνω σε μια ταινία μεταφοράς στο εργοστάσιο της PepsiCo στο Coventry – όπου κατασκευάζονται μερικά από τα πιο δημοφιλή τσίπς στο Ηνωμένο Βασίλειο – ο θόρυβος των μηχανημάτων είναι σχεδόν αστείρευτος.

Εδώ, όμως, δεν είναι μόνο οι ανθρώπινοι εργαζόμενοι που προσπαθούν να ακούσουν πιθανά σημάδια βλάβης μηχανών πάνω από το θόρυβο του εργοστασίου.

Αισθητήρες που είναι συνδεδεμένοι στον εξοπλισμό ακούν επίσης για ένδειξη βλαβών στο υλικό, έχοντας εκπαιδευτεί να αναγνωρίζουν τους ήχους κουρασμένων μηχανημάτων που απειλούν να καταστήσουν τις γραμμές παραγωγής ανέφικτες.

Η PepsiCo εφαρμόζει αυτούς τους αισθητήρες, που δημιούργησε η τεχνολογική εταιρεία Augury και λειτουργούν με τη βοήθεια της τεχνητής νοημοσύνης (AI), σε όλα της τα εργοστάσια, ακολουθώντας μια επιτυχημένη δοκιμή στις ΗΠΑ.

Η εταιρεία αυτή είναι μόνο μία από πολλές που εξετάζουν πώς η τεχνητή νοημοσύνη μπορεί να αυξήσει την αποδοτικότητα των εργοστασίων, να μειώσει τα απορρίμματα και να φέρει προϊόντα στα ράφια πιο γρήγορα.

Αναλύοντας τα νούμερα

Από το σχεδιασμό μέχρι την παράδοση, η τεχνητή νοημοσύνη θεωρείται ότι διαδραματίζει ένα κλειδί ρόλο σε μια νέα κύματος κατασκευής.

Η ικανότητά της να επεξεργάζεται και αναλύει τεράστιους όγκους δεδομένων βοηθά ήδη τους κατασκευαστές να προβλέπουν και να ετοιμάζονται για πιθανές διαταραχές.

Ένα λεπτό αποτελεί χρονική απώλεια για τις εταιρείες χιλιάδες λίρες, και αυξημένες καθυστερήσεις μπορεί να σημαίνουν χαμένη καταναλωτική ζήτηση σε κρίσιμες στιγμές όπως τις γιορτές ή το Black Friday.

Επομένως, εργαλεία που μπορούν να ελέγχουν και αναλύουν διαδικασίες σε πραγματικό χρόνο, να προειδοποιούν για προβλήματα που πλησιάζουν, και να χρησιμοποιούν ιστορικά δεδομένα για να προτείνουν διορθώσεις, γίνονται συνήθειες στις πατάρες των εργοστασίων.

Οι αισθητήρες που χρησιμοποιούνται στα εργοστάσια της PepsiCo έχουν εκπαιδευτεί με τεράστιους όγκους ηχητικών δεδομένων, ώστε να μπορούν να ανιχνεύουν βλάβες όπως η φθορά στις ταινίες μεταφοράς και στα ρουλεμάν, αναλύοντας ταυτόχρονα τις κραδαστικές κινήσεις των μηχανημάτων.

“Έχουμε σήμερα πάνω από 300 εκατομμύρια ώρες λειτουργίας μηχανημάτων που έχουμε αναλύσει και παρακολουθήσει, και μπορούμε να αξιοποιήσουμε όλα αυτά τα δεδομένα για να δημιουργήσουμε αλγόριθμους που γνωρίζουν πώς να εντοπίζουν συγκεκριμένα πρότυπα διαφόρων βλαβών,” δηλώνει ο διευθύνων σύμβουλος της Augury, Saar Yoskovitz.

Με τον τρόπο αυτό, συλλέγοντας πληροφορίες και αντιλήψεις για την κατάσταση του εξοπλισμού συνολικά, όπως τον προσδιορισμό πότε ένα μηχάνημα μπορεί να αποτύχει ξανά στο μέλλον, η τεχνολογία επιτρέπει στους εργαζόμενους να προγραμματίζουν τη συντήρηση εκ των προτέρων και να αποφεύγουν το να αντιδρούν σε σφάλματα μηχανών κατά τη διάρκεια της λειτουργίας τους.

Βελτίωση της ορατότητας

Η Alexandra Brintrup, καθηγήτρια ψηφιακής κατασκευής στο Ινστιτούτο Κατασκευής του Πανεπιστημίου του Cambridge, δηλώνει στο BBC ότι η χρήση της τεχνητής νοημοσύνης για τη βελτίωση της αποδοτικότητας στον τομέα της κατασκευής, συμπεριλαμβανομένων πεδίων όπως η προγνωστική συντήρηση και ο έλεγχος ποιότητας, μπορούν τώρα να θεωρηθούν συμβατικές εφαρμογές της τεχνολογίας.

“Νομίζω ότι οι πιο συναρπαστικές ευκαιρίες της τεχνητής νοημοσύνης στην κατασκευή θα προκύψουν από πράγματα που δε θα μπορούσαμε ούτε καν να προσπαθήσουμε να κάνουμε πριν, όπως η κοινοποίηση χωρητικότητας μεταξύ κατασκευαστών, η βελτίωση της ορατότητας στις αλυσίδες εφοδιασμού, ακόμα και η κοινοποίηση φορτηγών σε αλυσίδα λογιστικής,” αναφέρει.

Η περίπλοκη φύση και η σύνθετη δομή των δικτύων των αλυσίδων εφοδιασμού, καθώς και η αρνητική στάση ορισμένων ενδιαφερόμενων μερών να δηλώσουν ποιος τους εφοδιάζει, κράτησαν στο παρελθόν πολλά στοιχεία της κατασκευής κρυμμένα στο μυστήριο.

Ωστόσο, η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για να αναλύει και να προβλέπει ποιος και πού είναι οι προμηθευτές, προσφέροντας στις εταιρείες εισόδημα για πιθανούς αποκλεισμούς και στους καταναλωτές μια εικόνα για την προέλευση των προϊόντων τους και τα χρησιμοποιούμενα υλικά.

Η καθηγήτρια Brintrup ηγείται του Supply Chain AI Lab του Ινστιτούτου Κατασκευής, το οποίο έχει αναπτύξει το δικό του μηχανισμό πρόβλεψης για τον εντοπισμό του πού μπορεί να έχουν χρησιμοποιηθεί συστατικά όπως το φοινικέλαιο σε ένα προϊόν, αλλά να κρύβονται κάτω από διαφορετική ονομασία στην ετικέτα του.

Οι πρόσφατες έρευνες του εργαστηρίου υποδήλωσαν ότι το φοινικέλαιο μπορεί να αναγνωρίζεται με 200 διαφορετικά ονόματα στις ΗΠΑ – τα οποία ενδεχομένως δεν τραβούν την προσοχή των καταναλωτών με οικολογική συνείδηση.

“Η κοινωνία μας είναι όλο και περισσότερο ευαισθητοποιημένη σχετικά με τις περιβαλλοντικές και κοινωνικές επιπτώσεις της κατασκευής, οπότε νομίζω ότι η αυξημένη ορατότητα στην αλυσίδα εφοδιασμού και η παροχή αυτών των πληροφοριών στον καταναλωτή θα γίνει ολοένα και πιο σημαντική,” προσθέτει η καθηγήτρια Brintrup.

Τι θα γίνει με τους εργάτες; 

Η ερώτηση του τι σημαίνει η αυξανόμενη υιοθέτηση εργαλείων τεχνητής νοημοσύνης στις πατάρες των εργοστασίων και στην ευρύτερη αλυσίδα εφοδιασμού θέτει μια μεγάλη σκιά πάνω από το τοπίο της κατασκευής.

Κάποιες εταιρείες εξετάζουν τον τρόπο με τον οποίο η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για να διατηρήσει την ασφάλεια των εργαζομένων στις γραμμές παραγωγής κοντά στον εξοπλισμό – χρησιμοποιώντας τεχνικές μηχανικής μάθησης και όρασης υπολογιστών για να παρακολουθούν τις εικόνες από κάμερες στα εργοστάσια, προκειμένου να εντοπίζουν πιθανές απειλές ή ατυχήματα.

Ταυτόχρονα, στα αγγλικά αποθήκες έχουν επιστρατευτεί εξωσκελετικά, ενισχυτικά ενδύματα που λειτουργούν με τη βοήθεια τεχνητής νοημοσύνης, προκειμένου να διασφαλίσουν ότι οι άνθρωποι που έχουν αναλάβει την επαναλαμβανόμενη μεταφορά βαριών φορτίων δεν υποστέλλονται ή δεν τραυματίζονται.