Ideal upravljanja tovarne na podlagi podatkov je organizacija, ki na vseh ravneh odločanja uporablja podatke in ima na vseh ravneh vzpostavljene tudi povratne zanke učenja in izboljševanja. Rešitve v praksi so odvisne predvsem od potreb podjetja v danem trenutku, pojasnjujeta Gregor Jeromen, vodja rešitev za proizvodnjo, in Nika Kalan, vodja projektov v podjetju Result, ponudniku inovativnih IT-rešitev na podlagi inteligentne rabe podatkov.
Kako vidita razmere pri upravljanju tovarn na podlagi podatkov?
Tovarne so na zelo različnih stopnjah podatkovne zrelosti, kar je odvisno tudi od različnih zmožnosti naložb, vizije, razumevanja poti, korakov. V enih podatke zbirajo sistematično, v drugih o tem še razmišljajo.
Čez palec bi lahko rekli, da je približno štiri petine tovarn na začetnih ravneh podatkovne zrelosti. To pomeni, da nimajo vzpostavljene podatkovne platforme in zato težko startajo s podatkovnimi produkti, kot so uporaba umetne inteligence ali kaj podobnega. Recimo petina pa je vzpostavila potrebne kompetence, da se tega že lotevajo. Delež se sicer iz leta v leto povečuje.
Kje je največji manko pri prvi skupini?
Največji manko na poti od točke A do ideala, denimo industrije 4.0, je v pomanjkanju znanja, kako do tja priti. Kako smiselno postaviti zaporedje korakov, projektov na tej poti.
To zahteva kombinacijo znanj, ki za tovarne niso tradicionalna. Na primer znanja iz podatkovnega inženiringa – kako se postavlja sistem za obvladovanje dela s podatki, se pravi zbiranje, hranjenje, obdelava … Znanja iz podatkovne analitike - kako podatke strukturirati, kako jih vzdrževati, kaj pomeni kakovost podatkov, njihovo poreklo in podobno.
Omeniti je treba tudi organizacijska znanja, za upravljanje podatkov so potrebne določene nove vloge. Ena od osnovnih je vloga lastnik podatkov oziroma lastnik vira podatkov ali določenega področja. Podobna je vlogi lastnik procesa pri standardu ISO 9001.
Lastnik podatkov je oseba, ki je odgovorna za določeno področje, za določen nabor podatkov in ve, od kod ti izhajajo, kako so bili pridobljeni, kako kakovostni so, zna razložiti, kaj kaj pomeni. Ko nekdo te podatke uporablja, mu kaj ni jasno, želi kaj dopolniti, zajemati drugače ... Takrat mora vedeti, na katero osebo se lahko obrne, da dobi pojasnilo ali doseže, da se bo zajemal še kakšen dodaten podatek, da se bodo zajemali drugače in podobno. Če tega človeka ni, je potrebnega zelo veliko časa, da zadevo urediš, in projekti napredujejo počasi, so manj uspešni.
Omenila sta podatkovno platformo. Kaj ta zajema?
Podatkovna platforma je koncept in tehnična rešitev, s katero v podjetju ali organizaciji uredimo upravljanje podatkov.
Obsega zajem podatkov, njihovo procesiranje, preoblikovanje, hrambo in katalog. Kadar je vzpostavljena pravilno, točno vemo, katere podatke in od kod jih imamo, kako kakovostni so, kje so dostopni in pod kakšnimi pogoji so na voljo za uporabo.
Uporaba pomeni analize, kjer je analitika lahko zelo preprosta ali zelo napredna, pa tudi uporabo v drugih aplikacijah, denimo za simulacije, napovedi in tako naprej.
Podatkovno platformo sestavljata najmanj dva elementa: podatkovno vodilo in skladišče podatkov. Podatke zajamemo na vodilo, jih po potrebi preoblikujemo ter posredujemo odjemalcem in v skladišče podatkov. Pri zadnjem govorimo o podatkovnih jezerih (data lakes), koliščih (lakehouses) in klasičnih podatkovnih skladiščih (tako imenovane kocke).
Kakšna je Resultova vizija upravljanja tovarne na podlagi podatkov?
Naš ideal sta proizvodnja in organizacija, ki na vseh ravneh odločanja uporabljata podatke in imata na vseh ravneh vzpostavljene tudi povratne zanke učenja in izboljševanja.
Da v proizvodnem procesu na tehnološki ravni zbirajo meritve za detekcijo odmikov od normale, ugotavljanje trendov, klasifikacijo in podobno, na poslovni in organizacijski ravni pa za analize in napovedi trendov poslovanja. Pri tem je zelo pomembna povezava med obema, denimo za izračun ali oceno učinka posameznega predloga spremembe in nato merjenje dejanskega dogajanja za izboljšavo oziroma učenje.
Učenje je pri izkoriščanju podatkov zelo pomemben dejavnik. To je hkrati tudi dejavnik, ki pogosto pomeni oviro. Zakaj? V tovarnah donosnost naložbe v podatkovni projekt ocenjujejo podobno kot pri nakupu novega stroja. Sedanji stroj naredi sto kosov na uro, novi jih naredi 200, kakovost je takšna, cena stroja je toliko in na tej podlagi se izračuna povrnitev naložbe (ROI).
Pri oceni naložbe v podatkovni produkt je malo drugače. Ena od pomembnih vrednosti, ki jih pridobimo, je učenje. Ko gremo v serijo eksperimentov (proof of concept, pilotni projekti), ne vemo, kaj natančno bomo dobili ven, koliko časa bo trajalo, zato ne znamo vnaprej postaviti cene. Hkrati niso vsi eksperimenti uspešni − in to razumeti in sprejeti je velik izziv. Kakšna je vrednost tega, da smo ugotovili, da tako ne bo šlo?
Želimo si, da bi tovarne in organizacije to razumele, saj bi potem odločitev o naložbi v podatkovne projekte lažje sprejeli in lažje napredovali.
Kaj podjetje pridobi z vašo celostno rešitvijo?
Ponudbe storitev v informatiki so na trgu zelo različne. Podobno kot pri avtomobilih, kjer avto kupimo, najamemo ali souporabljamo, lahko tudi tukaj storitev kupiš v kosu, kjer monolitna sklenjena enota zahteva to in to, zna to in to ter stane toliko in toliko.
Result ima drugačen pristop. Zapolnjuje nišo, ki je monolitni produkti ne morejo. Naša celostna rešitev je sestavljena iz naše vizije, kaj se da narediti, kaj je ideal. Začnemo pa iz dane situacije, na tisti stopnji razvoja, kjer naročnik trenutno je. S te točke načrtujemo korake, projekte, da jih v sodelovanju pripeljemo do tja, kamor želijo priti.
Pri tem uporabimo naše tehnološko znanje, da je rešitev tehnološko primerna, organizacijska znanja, da znamo projekt izpeljati, jim povedati, katere vloge so na njihovi strani potrebne, in pa tudi prenos znanja.
Zagovarjamo namreč, da ni dovolj, da nekaj prodamo, ampak mora uporabnik to znati tudi uporabljati, da mu rešitev prinaša koristi.
Če strnemo, našo celostno rešitev sestavljajo svetovanje, prenos znanja, načrt rešitve in izvedba.
Lahko navedeta nekaj primerov uporabe v praksi?
Rešitve v praksi so odvisne predvsem od potreb podjetja v danem trenutku. Zavedati se je treba, da vsa podjetja niso zrela za industrijo 4.0 niti je morda (še) ne potrebujejo, potrebujejo pa digitalizacijo, primerno njihovi stopnji razvoja. Za nas je pomembno, da ob sodelovanju s podjetjem oblikujemo takšno rešitev, ki se temu splača.
Tako pri planiranju proizvodnje marsikatero podjetje potrebuje najprej osnovno rešitev, s katero digitalizira osnovni proces, da ga potem lahko nadgrajuje do potrebne ravni, ki niti ni nujno avtomatsko planiranje.
Med primeri iz prakse bi poudarila uvedbo avtomatiziranega planiranja proizvodnje v tovarni netkanih materialov Filc v Škofji Loki, kjer so poleg kakovostnejših planov proizvodnje pridobili tudi zmožnost hitrejšega odziva na zahteve strank in nepredvidljive razmere. Še zlasti pomembno pa je bilo, da smo jim rešitev dostavili prav na začetku epidemije covida, zaradi česar so iz krize prišli v precej boljši kondiciji, kot bi sicer.
V proizvajalcu in ponudniku vijakov in pritrdilnega materiala AS System iz Šmarja pri Jelšah so z uporabo orodja za digitalno podporo planiranju Plansphere rešili izziv na kadrovskem področju in odpravili ozko grlo za nadaljnjo rast obsega proizvodnje in povečano dinamiko sprememb pri dobavah in naročilih. Zdaj proizvodnjo načrtujejo in vodijo digitalno, enostavno. Hkrati pridobivajo podatke, da analizirajo produktivnost, učinkovitost in se izboljšujejo.
Na področju podatkovnih platform in UI sodelujemo s ponudnikom storitev tehtanja tovornih vozil med vožnjo Cestel iz Trzina, ki je s svojo rešitvijo navzoč na svetovnem trgu. Pomagali smo jim pri iskanju možnosti, kako zbranim podatkom z analizami in uporabo umetne inteligence še povišati vrednost. Pa tudi, kako na podlagi zbranih podatkov poslovni model razširiti z novimi storitvami in tako povišati dodano vrednost podjetja.
O uporabi umetne inteligence v proizvodnji je veliko govora. Kateri pogoji morajo biti za to izpolnjeni v podjetju?
Gotovo je prvi pogoj ta, da so podatki zbrani in do neke meje urejeni. Torej da obstaja (napolnjena) podatkovna platforma vsaj za področje, kjer želimo umetno inteligenco uporabiti.
Naslednji pogoj pa je pripravljenost na učenje, poskušanje. Umetna inteligenca ni naprava, ki jo kupiš, namestiš in dela. Je razvoj, učenje modela, ki se mora prilagoditi specifičnim pogojem naloge in vzorcem podatkov.
Splošen napotek za uporabo umetne inteligence v proizvodnji je: začnite zbirati podatke danes! Drugi pa: vzpostavite peskovnik in začnite eksperimentirati!
Peskovnik v smislu tehničnega okolja, kjer so kadrom s potrebnimi znanji in pripravljenostjo za učenje omogočeni eksperimentiranje, igranje z idejami, poskušanje. Da lahko ugotavljajo, kaj je izvedljivo, kaj manjka, kaj je še treba …
