Do AI se investuje po celém světě a práce s daty se stala klíčovým předpokladem k tomu, aby se tyto investice proměnily v konkurenční výhodu. Ve výrobě není o data nouze – výrobní podniky využívají informace ze strojů, výrobních linek a systémů pro řízení výroby (MES) a plánování podnikových procesů (ERP) či z průmyslových senzorů. K tomu se přidávají data ze systémů SCADA pro řízení provozu, platforem PLM pro správu životního cyklu výrobků a z logistiky, údržby a kontroly kvality. BI a AI umožňují tato data proměnit z nepřehledné mozaiky čísel v konkrétní odpovědi – odhalují souvislosti, předpovídají vývoj a dávají rozhodování reálný základ. 

Konkurenceschopnost výrobních podniků stojí na celé řadě faktorů – od efektivní správy nákladů a optimalizace výrobních procesů přes spolehlivou údržbu strojů, plánování kapacit a dostupnost materiálu až po schopnost dodávat zboží v čas, v požadované kvalitě a s minimálními ztrátami. Každý z těchto aspektů lze zlepšovat díky práci s daty. Digitalizace – včetně technologií business intelligence (BI) a umělé inteligence (AI) – umožňuje zvýšit efektivitu, snížit prostoje, lépe plánovat výrobu a optimalizovat zásoby. Prediktivní údržba s využitím umělé inteligence může podle mezinárodní sítě poradenských firem PwC snížit náklady na údržbu až o 30 % a neplánované prostoje o 45 %. A podle studie americké společnosti Gartner zvyšují organizace, které implementují řešení BI, svou ziskovost v průměru o 8–10 %. To všechno ale za předpokladu, že máte schopnost vlastní data zpracovat.

Výrobní společnosti rychle zjistily, že aby mohly využít umělou inteligenci pro řízení výroby, musejí nejprve vybudovat funkční datovou infrastrukturu, která propojí všechny zdroje dat. Rozdíl je diametrální: všechny typy pokročilých analýz, jako jsou prediktivní nebo preskriptivní modely, zatím zůstávají doménou spíše velkých podniků. Menší a střední výrobní firmy tyto technologie ve většině případů zatím neřeší a data často vůbec systematicky nesbírají. U nás platí, že čím menší podnik, tím omezenější má pro takovou transformaci potřebné zdroje – ať už finanční, technologické, nebo personální. Menší firmy často narážejí na nedostatek kapitálu i kvalifikovaných zaměstnanců, zatímco střední podniky už alespoň častěji experimentují s pokročilejšími analytickými nástroji.

 

 

Na absolutní špičce práce s daty stojí společnosti jako Continental, jeden z největších výrobních podniků na světě s více než 190 000 zaměstnanci v 61 zemích. Firmě Continental se podařilo přejít od izolovaných BI reportů k plně škálovatelné infrastruktuře pro AI a datovou analytiku. Ve spolupráci s Amazon Web Services (AWS) během šesti měsíců vyvinul platformu CAEdge, která propojuje vozidla s cloudem a dokáže zpracovávat obrovské objemy senzorových dat v reálném čase. Procesy, které dříve trvaly dny, nyní dokáže dokončit během minut, což jí umožňuje rychle validovat bezpečnostní funkce, trénovat algoritmy a sdílet inovace napříč celou organizací.

 

Většina českých malých a středních výrobních podniků stojí teprve na začátku této cesty. Mnohé z nich fungují desítky let na principech, které se příliš nezměnily – rozhodování podle zkušenosti, papíru a Excelu, s lokálními ERP systémy a omezenou analytickou vrstvou. Pokud mezi ně patříte, nezoufejte. Továrny řízené kompletně umělou inteligencí zkrátka ještě neexistují. Realita je taková, že i ty největší podniky teprve testují své první AI scénáře, což je pro menší firmy výhoda. Velké korporace v posledních letech složitě prošlapaly cestu a vytvořily know-how, ze kterého teď mohou těžit i menší výrobci. Dnes už nejsme v bodě nula: technologie jsou dostupnější, senzory levnější a nástroje pro BI i AI snadněji implementovatelné. Tlak na efektivitu, kvalitu dat a digitální propojenost ale bude dál sílit.

Zavedení datové kultury neznamená nakupovat nástroje, ale postupně změnit přístup celé organizace. Klíčem je začít tam, kde jste – a jít krok po kroku.

Prvním krokem je najít partnera, který se na podnik dokáže podívat v celém kontextu, nejen z pohledu dat nebo BI dashboardů. Externí specialista by měl rozumět strategii firmy, jejím procesům, back office i front office, aby pochopil, jak podnik skutečně funguje. Jen tak může navrhnout řešení, které nebude stát mimo realitu provozu. 

Dalším krokem je zjistit, kde a jak data vznikají, která z nich jsou skutečně důležitá – a jestli je vůbec dokážete sbírat. V mnoha případech zatím data neexistují nebo nejsou propojená. Některé stroje nejsou připojené, jinde chybí senzory. Každá výroba je unikátní, ale určité vzorce se opakují napříč odvětvími. Zkušený partner přináší know-how z trhu – vidí, jak podobné projekty fungují jinde a jak se řeší typické problémy s integrací dat.

Jakmile má podnik stabilní přehled o svých procesech, může přejít k definování konkrétních scénářů pro využití obou technologií. Začíná se malými a praktickými modely, například s kontrolou kvality, kde BI nástroje a kamery pomáhají odhalovat vadné kusy – nebo s plánováním výroby na základě analýzy kapacit, prostojů a dostupnosti materiálu. Teprve v této fázi může BI plynule přerůst do aplikací AI, které z dat generují predikce nebo doporučení.

Umělá inteligence by neměla být prvním krokem. Přichází až tehdy, když má podnik spolehlivá data, rozumí svým procesům a ví, co chce optimalizovat. Jinými slovy – s AI nezačínáte, s AI končíte. BI ve výrobě sleduje klíčové ukazatele, jako je OEE (overall equipment effectiveness), zmetkovitost, prostoje nebo náklady na jednotku výroby. Umožňuje manažerům rychle zjistit, kde vznikají ztráty, a slouží jako základní podklad pro plánování a rozhodování. AI pak na těchto datech staví – předpovídá poruchy strojů, optimalizuje výrobní plán, rozpoznává chyby pomocí kamer a strojového vidění a pomáhá řídit zásoby i energetickou spotřebu.

 

V posledním roce se v průmyslu hodně mluví o traceability – tedy o sledovatelnosti výroby. Zjednodušeně jde o to, aby měl každý vyrobený kus či komponent svou „občanku“, díky které bude od vstupního materiálu až po finální výrobek možné přesně dohledat, kdy, z čeho a na jakém stroji vznikly. Díky tomu firmy rychleji řeší reklamace, udržují kvalitu a plní stále přísnější požadavky odběratelů. Příkladem může být česká firma Strojmetal Aluminium Forging, která nedávno zavedla systém sledovatelnosti, v němž každému výkovku přiřazuje vlastní digitální identifikátor a umožňuje tak sledovat celý proces výroby v reálném čase.

 

Teď je na tyto změny ideální doba – technologie pro zapojení BI a AI do výroby jsou levnější, a navíc běží dotační program Digitální podnik – digitální technologie I., který malým a středním firmám pomáhá financovat právě tyto projekty. Kdo začne včas, nebude jen snadněji plnit požadavky odběratelů, ale položí základy skutečně chytré výroby.