AI w zarządzaniu produkcją – ograniczenia i dylematy w przedsiębiorstwach produkcyjnych

310

Sztuczna Inteligencja (AI) stała się w ciągu ostatniego roku pojęciem niezwykle często wyszukiwanym i obecnym we właściwie każdej dziedzinie. Z jednej strony mówi się o ogromnych korzyściach wynikających z powszechnego wykorzystania sztucznej inteligencji, z drugiej – główne autorytety mówią o potężnych zagrożeniach oraz konieczności kontroli i regulacji prawnej jej zastosowania (w tej chwili trwają prace nad AI Act w Parlamencie Europejskim, który te kwestie ma regulować).

Sztuczna inteligencja jest również coraz bardziej obecna w komunikacji dotyczącej branży produkcyjnej. Coraz więcej mówi i pisze się o wykorzystaniu algorytmów AI w zarządzaniu produkcją, o narzędziach stosujących zaawansowane algorytmy, które wspierają menedżerów w podejmowaniu decyzji. Dostawcy oprogramowania dla przemysłu ścigają się w odmienianiu przez przypadki wyrażenia „sztuczna inteligencja” w swoich materiałach marketingowych. Teraz każdy proces przetwarzania, analizy danych to już AI. Każdy zbiór instrukcji opisany jako algorytm to już algorytm uczenia maszynowego (ML). Klienci coraz częściej pytają, czy dane rozwiązania są wspierane przez AI, ponieważ obecność sztucznej inteligencji ma być gwarantem nowoczesności rozwiązania.

Pracując kilkadziesiąt lat z klientami w branży produkcyjnej uważam, że należy spojrzeć nieco bardziej wnikliwie i krytycznie na to, co obecnie nazywane jest sztuczną inteligencją w przemyśle i odczarować trochę magię przekazu marketingowego dostawców dla branży przemysłowej. Chciałbym też pokrótce poruszyć kwestię tego, czy jesteśmy na takie rozwiązania gotowi na obecnym etapie naszego rozwoju technologicznego.

Czym jest właściwie AI?

Na początku odniosę się do definicji sztucznej inteligencji, aby nadać wspólny mianownik dalej poruszanym kwestiom. Określenie „AI” stosowane jest w różnym kontekście, w odniesieniu do różnego stopnia zaawansowania analizy danych. Mam wrażenie, że większość prezentacji i analiz na temat możliwości zastosowania AI w branży produkcyjnej prowadzona jest z użyciem niezdefiniowanego pojęcia AI i milczącym założeniem, że wszyscy uczestnicy dyskusji rozumieją je tak samo.

AI w zarządzaniu produkcją

Czy sztuczną inteligencją możemy nazwać rozbudowane algorytmy matematyczne wykorzystywane do zaawansowanych analiz danych w celu wykonywania określnych zadań? Jeśli tak rozumiemy to wyrażenie, zbliżając się trochę do definicji Johna McCarthy z 1956 roku, to można powiedzieć, że AI wykorzystywana jest w przemyśle od kilku dekad, kiedy to przykładowo wprowadzono pierwsze kompleksowe systemy APS do planowania i harmonogramowania produkcji, które umożliwiały już tworzenie symulacji na podstawie różnych kryteriów i warunków brzegowych oraz wspierały podejmowanie decyzji planistów produkcji. Tego typu rozwiązania od lat z powodzeniem stosowane są w wielu polskich firmach produkcyjnych.

Sztuczną inteligencję możemy też rozumieć podobnie jak Alan Turing, czyli zdolność maszyny do naśladowania lub imitowania ludzkiej inteligencji. Wówczas warunkiem koniecznym uznania technologii za spełniającą definicję AI jest jej zdolność uczenia się.

Do uczenia maszynowego (ML) potrzebna jest duża liczba danych, aby algorytmy ML budowały na podstawie tych danych (tzw. zbiorów uczących) modele matematyczne. Następnie kolejna porcja danych wykorzystywana jest do treningu algorytmów (tzw. dane treningowe), które ucząc się doskonalą swoją jakość. Ostatecznie udoskonalone modele umożliwiają prognozowanie lub podejmowanie decyzji bez konieczności dodatkowej ingerencji człowieka.

Czy specyfika firm produkcyjnych pozwala stosować narzędzia oparte o AI?

Należy wspomnieć o pewnych słabościach związanych z zastosowaniem AI w zarządzaniu produkcją. Zarządzanie produkcją to w uproszczeniu procesy: przygotowanie danych technologicznych, bilansu MRP, generowania zleceń produkcyjnych, ustalenia harmonogramu produkcji, monitorowania wykonania, modyfikacji harmonogramów i rozliczenia produkcji w założeniu wykorzystywania procedury MRP II. Aby sprostać tym wyzwaniom konieczna jest analiza ogromnej liczby danych.