Промышленный ИИ может сократить цикл поиска причин брака с пяти дней до четырёх часов и снизить число дефектов примерно на 25% — такой результат в пилоте получила Toyota Industries на участке окраски. Производители пытаются превратить разрозненные данные, инструкции и опыт мастеров в систему, которая не только подсказывает решение, но и помогает безопасно применить его на оборудовании. Об этом сообщает MIT Technology Review.
Идея проста, хотя её внедрение обычно упирается не в простоту. После переналадки линии опытный оператор смотрит не только на параметры станка. Он помнит, как вела себя конкретная партия материала, знает, что случилось в предыдущую смену, и отличает безобидное отклонение от повода остановить процесс. В документации такая связка контекста, наблюдений и профессионального чутья редко живёт целиком. Вместе с уходом специалиста она нередко уходит из компании.
Microsoft, подготовившая материал для издания, называет этот накопленный слой знаний industrial intelligence — сочетание практик, производственных данных, опыта сотрудников и понимания собственного бизнеса. В российской терминологии ближе всего «производственный интеллект», но важнее не термин, а цель: сделать знания доступными инженеру, планировщику, службе ремонта и оператору, не вырывая их из обстоятельств, в которых они появились.
Данные сами по себе не знают, что делать
Обычная цифровизация цеха уже дала предприятиям море телеметрии: журналы событий, показания датчиков, параметры партий, результаты контроля качества. Но запись о выпуске продукции не объясняет инженеру, почему оператор выбрал именно такой режим, какие ограничения были у оборудования и чем пришлось пожертвовать ради качества или срока. Промышленный ИИ в этой логике нужен не для красивого чат-окна рядом с ERP, а для сборки такого контекста в пригодную для решения картину.
Следующий шаг — связать эту картину с физическим процессом. Авторы относят к Physical AI системы, которые видят состояние среды, интерпретируют его и воздействуют на неё. Например, камера на роботизированной станции замечает, что деталь лежит иначе обычного; модель оценивает положение с учётом материала и задачи; система управления корректирует движение, но только в заранее проверенных пределах. Польза здесь не в ещё одном сигнале тревоги, а в корректной реакции до того, как отклонение превратится в брак или простой.
Показателен кейс Toyota Industries. Компания объединила ранее фрагментированные данные малярного производства, чтобы инженеры и операционные команды могли быстрее искать факторы дефектов. По её данным, аналитический цикл сократился с пяти дней до менее чем четырёх часов, а число относящихся к задаче дефектов окраски в пилотном проекте уменьшилось примерно на четверть. Это не доказательство того, что любой завод получит те же цифры: результат зависит от исходного качества данных, процесса и дисциплины внедрения. Но он хорошо показывает, где возникает экономический эффект — на скорости установления причин и возможности вмешаться до выпуска негодной продукции.
Автономность начинается с границ
Для разработчиков и ИТ-директоров здесь нет магии, зато есть длинный список инженерной работы. Нужны надёжные связи между данными и оборудованием, единые идентификаторы партий, операций и конфигураций, разграничение прав, журнал решений и понятный путь ручного вмешательства. Модель может предложить изменить режим, но право на изменение, допустимые диапазоны и порядок аварийной остановки должны быть определены заранее. Симуляция в цифровой среде позволяет проверить часть гипотез до выхода на линию, однако не отменяет физическую валидацию.
Отдельная проблема — доверие. Оператор не станет полагаться на рекомендацию, если не понимает, на каких данных она основана и как отменить действие системы. Инженер по безопасности не примет подключённый к контроллерам сервис без ограничений и аудита. Поэтому зрелый промышленный ИИ — скорее помощник в цепочке принятия решений, чем самостоятельный диспетчер завода. Там, где цена ошибки высока, неопределённость должна приводить к эскалации человеку, а не к уверенной генерации следующей команды.
В качестве примера работы с человеческим опытом приводится завод Rockwell Automation в Сингапуре. Техники там используют помощника для обслуживания, который объединяет производственные данные, руководства к машинам и знания, зафиксированные у опытных сотрудников. По данным компании, срок подготовки новых работников к поиску неисправностей на сотнях машин сократился с девяти до трёх месяцев. Для HR и руководителей производства это, вероятно, не менее важный эффект, чем автоматизация: дефицитные компетенции можно быстрее передавать команде, а не надеяться на одного незаменимого человека.
Главный вопрос для предприятий теперь не в том, появится ли в цехе агент с модным названием. Он в том, смогут ли они описать собственные правила, очистить данные и договориться, какие решения допустимо отдавать системе. Компании, которые начнут с конкретных узких процессов — качества, ремонта, переналадки или планирования, — получат шанс накопить работающую базу знаний. Остальным придётся сначала выяснить, почему их самые ценные производственные инструкции всё ещё хранятся в памяти сменного мастера.
