De invoering van AI in de productie-industrie mislukt vaak tijdens de overgang van testfase naar regulier gebruik. Dit kan alleen worden vermeden met een holistische aanpak die rekening houdt met het hele spectrum van commerciële, technische en organisatorische aspecten
Neem nu een metaalverwerkingsbedrijf waarvan de processen in hoge mate geautomatiseerd zijn. Een magazijnsysteem levert het gevraagde plaatwerk en transportsystemen leveren het rechtstreeks aan de snijmachines. Vervolgens gaat het materiaal onder de ponsmachines en wordt geperst en gelast, waarbij na elke bewerkingsstap een kwaliteitscontrole plaatsvindt. Klinkt als een perfecte omgeving om de werkwijze via artificial intelligence (AI) te optimaliseren.
Toch zien we, als gevolg van de veranderde vraag van de klant, dat deze op regels gebaseerde automatisering steeds meer een probleem wordt. In de afgelopen jaren zijn de batchgroottes van het metaalbewerkbedrijf steeds kleiner geworden. Elk nieuw onderdeel dat gemaakt wordt, vereist een nieuwe run-in van de productielijn, en voor elke afzonderlijke processtap moeten parameters worden bepaald en getest. Deze inspanning doet de productiviteitswinst van de automatisering teniet.
Tijdens het definiëren van autonome en zelforganiserende productiesystemen hielden de initiatiefnemers alle scenario’s in gedachten. Deze waardeketens zouden idealiter in staat moeten zijn om de effectiviteit van massaproductie te hebben, zelfs met een batchgrootte van 1.
Met dat vooruitzicht werd AI uitgeroepen tot de motor van de vierde industriële revolutie. Want AI maakt de stap van op regels gebaseerde automatisering naar situationele zelfsturing. Daarbij is alleen AI in staat om autonoom conclusies te trekken uit historische en real-time gegevens om adequaat, precies en snel te reageren op ongeplande gebeurtenissen.
Enkele jaren en duizenden artikelen en analistenrapporten later, kan de situatie echter enigszins verwarrend overkomen. Terwijl de algemene AI-adoptie blijft toenemen - volgens McKinsey’s "State of AI in 2021" - loopt de productiesector nog steeds ver achter. Een belangrijke reden is dat een groot aantal AI-projecten niet verder komt dan een testfase. De oorzaken voor dit falen liggen dieper dan bijvoorbeeld een gebrek aan expertise of budget - in veel gevallen onderschatten productiebedrijven de systematische uitdagingen van de invoering van AI.
Het begint vaak bij de manier waarop de testen worden opgezet. Ze vinden meestal plaats in een beschermde omgeving en zijn gericht op het toepassen en trainen van de AI-modellen met data. Hierbij wordt vergeten om de AI-oplossing te integreren in de bestaande informatie- en productietechnologie en worden de bijbehorende processen vaak verwaarloosd. Dit omvat bijvoorbeeld real-time gegevens, beveiliging, operationele plannings- en controleprocessen en operationele veiligheid. Als gevolg van deze opzet levert het testproject geen serieus bewijs van de technische haalbaarheid, noch kan deze worden gebruikt om een solide business case te berekenen.
Hoe saai en vervelend het ook mag klinken, de invoering van AI in de productie-industrie kan alleen succesvol zijn met een holistische aanpak. De testfase moet slechts het topje van de ijsberg zijn. Een holistische benadering bij de invoering van AI in de bewerk- en verwerkindustrie omvat onder andere de volgende aspecten;
Net als voor de meeste andere bedrijven is er voor het metaalverwerkende bedrijf nog een lange weg te gaan om de visie van volledig autonome productie te bereiken. Maar door de beschreven holistische aanpak zorgt het ervoor dat het daadwerkelijk vooruitgang kan boeken op dit pad.
Door: Marcel de Bont, Enterprise Architect & Presales Consultant bij HPE Nederland