Nie tak dawno temu sztuczna inteligencja była li tylko placem zabaw dla gigantów z dziedziny oprogramowania – dopóki nie zawitała jako poważna dyscyplina do departamentów rozwoju firm zajmujących się produkcją maszyn i logistyką.
Sztuczna inteligencja (AI) jest już powszechnie wykorzystywana do realizacji niektórych zadań w branży opakowaniowej oraz w logistyce. I chociaż technologia ta nie wyszła jeszcze z powijaków, już teraz stajemy się świadkiem procesu, który wynosi automatyzację na zupełnie nowy poziom. Z badań przeprowadzonych przez firmę konsultingową Deloitte wynika, że niedostateczny rozwój potencjału AI, o którym często mówi się w kontekście rynku niemieckiego, jedynie przyhamuje ekspansję sztucznej inteligencji, jednak z całą pewnością jej nie zatrzyma. Wiele firm współpracuje z gigantami branży nowoczesnych technologii takimi jak Google czy Microsoft. Inne polegają na swych własnych możliwościach rozwojowych przy wdrażaniu samouczących się systemów.
Zastosowanie sztucznej inteligencji to oczywisty krok, choćby z uwagi na ilość danych, jakie są obecnie gromadzone. Niezależnie od tego, czy informacje pochodzą z czujników, czy są dostarczane przez działy magazynowania albo marketingu, każda część firmy stanowi źródło wartościowych treści, które warto pozyskiwać. Zatem dane już tu są. Ale wykorzystanie ich w wartościowy sposób wymaga inteligentnych systemów oraz – w coraz większym stopniu – także sztucznej inteligencji. Dzięki odpowiednim algorytmom maszyny są w stanie wykryć wzory w danych i na ich podstawie samodzielnie podejmować decyzje. A gdy sektor maszyn opakowaniowych mówi o sztucznej inteligencji, ma z reguły na myśli uczenie maszynowe.
Roboty idą do szkoły: nauka przez powtarzanie
Nauczanie maszynowe to tak naprawdę jedynie podrozbiór sztucznej inteligencji, choć oba terminy często używane są zamiennie. W praktyce chodzi o optymalizację procesów produkcyjnych w taki sposób, by – przykładowo – mogły być wykonywane automatycznie przez roboty pakujące. Ale aby to osiągnąć, absolutnym minimum są systemy rozpoznawania. Dla przykładu: jeśli zależy nam na zautomatyzowaniu zadań typu „podnieś i ułóż” (pick-and-place), roboty muszą mieć dostęp do pochodzących z systemów wizyjnych bieżących informacji na temat pozycji, lokalizacji i ilości produktu, który ma zostać zapakowany. Wówczas mogą uchwycić go w niezawodny sposób lub zignorować, jeśli jest uszkodzony. Takie zadanie jest dzisiaj często zautomatyzowane i wykorzystuje się je do przegrupowania części opakowań takich jak pokrywki i pojemniki lub do niezawodnego układania żywności na tackach.
Jednak rosnąca liczba producentów artykułów codziennego użytku jest zmuszona do pakowania na swych maszynach coraz mniejszych partii produktów, i to w dodatku o coraz większym zróżnicowaniu. Będąca skutkiem tego konieczność zmiany for-
matów maszyny i przeprogramowania systemu kontroli powoduje opóźnienia w realizacji zleceń. Inteligentne roboty mogą w znaczącym stopniu skrócić czas przezbrojenia – tak, by grupy produktów były pakowane w wyraźnie krótszym czasie.
Roboty wykrywają wzory i porównują swe zachowania, co pozwala im szybko i automatycznie rozpoznać nowe produkty, a następnie dopasować do nich procesy pakowania. Ta zdolność opiera się na koncepcjach takich jak tzw. głębokie uczenie (deep learning), opracowywane z wykorzystaniem neutralnych sieci, które można szkolić z użyciem wzorów lub obrazów. Zasada rozpoznawania wzorów może być wykorzystana z tą samą skutecznością do przewidywania usterek lub zużycia maszyn.
Gdy planują roboty: konserwacja zapobiegawcza i optymalizacja procesów
Tzw. konserwacja zapobiegawcza wykorzystuje czujniki i dane z maszyn, na podstawie których dostarcza oceny dotyczące sprawności urządzeń i potencjalnych przyszłych zdarzeń. Uczenie maszynowe pozwala urządzeniom odróżnić normalne warunki od takich, które wskazują na odstępstwo od normy. Zgromadzenie tak dużej ilości informacji pozwala na wczesne wykrywanie problemów występujących w maszynie, a następnie zapobieganie im, jeszcze zanim usterka spowoduje zatrzymanie produkcji. Innymi słowy, takie wydarzenia stają się przewidywalne i wykrywalne. W efekcie producenci maszyn mogą ustalać terminy wizyt, optymalizować dostępność maszyn, a wskutek tego oferować swym klientom poprawę wydajności ich pracy.
Sztuczna inteligencja w logistyce
Oprócz konserwacji zapobiegawczej, przemysłowego przetwarzania obrazu i sterowania robotami pakującymi, sztuczna inteligencja jest w coraz szerszym stopniu wykorzystywana w logistyce wewnętrznej i zewnętrznej. Zautomatyzowane pojazdy kierowane (AGV), podobnie jak roboty, kierowane są do coraz to nowych zadań, otrzymując komendy bezpośrednio od systemów IT wyższego rzędu (przykładowo: gdy konieczne jest przetransportowanie materiału z magazynu na linię produkcyjną), a następnie realizują przypisane im zadania w sposób całkowicie autonomiczny.
W procesach logistycznych wyższego rzędu analiza predykcyjna stanowi podstawę do precyzyjnego prognozowania prawdopodobnych zmian w przepływie materiałów. Przykładowo – jak wynika z danych BVL, niemieckiego stowarzyszenia branży logistycznej – metody oparte na sztucznej inteligencji są obecnie wykorzystywane do szacowania ryzyka ze strony dostawców, do projektowania zmian w kursach walut na rynku zamówień publicznych, a także do przewidywania potencjalnych problemów w łańcuchach dostaw i ich negatywnego wpływu na produkcję. Centrum Badań Stosowanych nad Obsługą Łańcucha Dostaw przy Instytucie Fraunhofera obrało sztuczną inteligencję za główny temat prelekcji i zaprezentuje swoje najnowsze odkrycia na ten temat podczas TechBox na targach FachPack 2019. 26 września br. prelegenci będą dyskutować m.in. o tym, w jaki sposób dyspozytorzy mogą korzystać z rozwiązań prognozowania i optymalizacji opartych na danych, aby efektywniej stosować zasoby, a tym samym oszczędzać koszty i zwiększać zadowolenie klienta.
Na podstawie informacji FachPack opracował TK
Alfa-Print Sp. z o.o.
ul. Świętokrzyska 14A
00-050 Warszawa
