Potentieel van artificiële intelligentie in de maaksector

Van hoe de maaksector in de toekomst gaat evolueren, kunnen we ons al een goed beeld vormen in de fabriek van Fanuc in Oshino, Japan. Hier, bij een van ’s werelds grootste producenten van industriële robots, bouwen, inspecteren en testen de robots zichzelf. Fanuc’s geheel van 22 subfabrieken is een van de eerste productievestigingen waar robots gedigitaliseerde ‘nakomelingen’ maken die machinaal leren aankunnen. Daarbij gebruiken ze computervisie om digitale beelden te begrijpen, terwijl ze 24 uur op 24 en 7 dagen op 7 aan het werk zijn. Deze onderneming toont ons hoe ver het gebruik van AI in productieprocessen reeds is gevorderd sinds de jaren ’60 van de vorige eeuw, toen ‘Unimate’, de eerste industriële robotarm die in massaproductie op de markt gebracht werd, deel werd van de assemblagelijn bij General Motors. Die robotarm werd gebruikt om hete stukken metaal op te tillen om ze vervolgens in een koelvloeistof onder te dompelen.

Hoewel Fanuc als voorbeeld kan dienen voor een door AI gestuurde toekomst, slagen veel fabrikanten en constructeurs er nog niet echt in deze technologie op schaal in te zetten. Uit een Global Digital Operations studie die PwC in 2018 uitvoerde – waarbij 1.155 kaderleden uit de maaksector, verspreid over 26 landen, werden bevraagd – is inderdaad gebleken dat slechts negen procent AI in hun processen had ingevoerd om beslissingen in verband met de bedrijfswerking vlotter te kunnen nemen. Voordat we de toepassingen en voordelen van AI in een maakcontext bespreken, moeten we dus kijken naar wat AI inhoudt, wat het potentieel van AI is en wat de ingebruikname van AI stimuleert of bevordert.
 
Eenvoudig verwoord is AI de nabootsing van menselijke intelligentieprocessen door computersystemen. Verder in deze bijdrage beschrijven we meer gedetailleerd de vier verschillende types AI. Om in de klantenvraag te voorzien, produceren fabrieken sinds de industriële revolutie producten op een massale schaal, snel en niet duur. Maar vandaag worden producenten geconfronteerd met een reeks van nieuwe uitdagingen zoals:

• voorzien in personalisering van massaproducten;
• de digitalisering van producten;
• de stijging van de productiekosten;
• onverwachte uitvaltijden van machines;
• knelpunten in de supply chain;
• voldoen aan normen die gericht zijn op milieubehoud en die verspilling/verlies tegengaan. 

• productiviteitswinsten van bedrijven die processen automatiseren en hun bestaande personeelsbestand met verscheidene soorten AI-technologie uitrusten;
• een toename van de consumentenvraag als gevolg van de beschikbaarheid van gepersonaliseerde en/of van hoger kwalitatieve en door AI verbeterde producten en diensten.

Figuur 2 geeft aan in hoeverre productie-entiteiten wereldwijd AI-toepassingen in de productieketen implementeren. Hoewel AI in de hele waardeketen wordt geïmplementeerd, blijken productieondernemingen toch enigszins meer te focussen op het implementeren van AI-oplossingen in taken zoals ‘assembly’ of ‘quality testing’, ‘product development’ en ‘engineering’.

Uit het onderzoek van PwC blijkt dat onzekerheid over de return on investment (ROI) een van de grootste obstakels voor een bredere implementatie van AI blijft. Zoals we in figuur 3 zien, hebben heel wat ondernemingen het ook moeilijk om de data te verzamelen die een AI-systeem nodig heeft en beschikken ze onder hun personeel over onvoldoende mensen met de nodige (technische) vaardigheden om AI op schaal te implementeren.

Een van de meest invloedrijke factoren bij het aandrijven van AI is ongetwijfeld hoever een onderneming in het algemeen staat met het digitaliseren van haar algemene bedrijfswerking. Organisaties die het verst gevorderd zijn met het digitaliseren van hun kernprocessen staan meestal ook het verst met de ingebruikname van AI. In de ‘Global Digital Operations’-studie heeft PwC ondernemingen gerangschikt volgens hun digitale maturiteit en hen ingedeeld in een van vier categorieën, zoals figuur4 weergeeft. Zogenaamde digital champions nemen vaak nieuwe technologieën zoals AI in gebruik om de digitalisering in het bedrijf te intensiveren en zo aan digitale maturiteit te winnen. De studie toont aan dat 69 procent van de digital champions AI gebruikt met toepassingen die alle functies bestrijken, terwijl tien procent van zogenaamde digital novices niet eens met het gebruik van AI begonnen zijn.

Voor productieondernemingen die de invoering van AI in hun processen overwegen, is het belangrijk dat ze vanaf het begin hun doel omschrijven: willen ze repetitieve taken automatiseren of willen ze de aard van het werk in hun fabrieken fundamenteel veranderen door mensen en machines te laten samenwerken om beslissingen te nemen? Volgens de visie van PwC bestaan momenteel de volgende vier types AI:

Bouwstenen voor een geslaagde implementatie van AI

Ondernemingen die AI-oplossingen op schaal met succes hebben geïmplementeerd, geven te kennen dat ze voor een vlotte implementatie een aantal randvoorwaarden van technologische en organisatorische aard nodig hadden. Dat staaft de eerdere bevindingen over de grootste uitdagingen die met het implementeren van AI gepaard gaan (figuur 3). In wat volgt, bekijken we die bouwstenen, die zes aspecten van bedrijfsgebonden, technische respectievelijk organisatorische aard bestrijken (figuur 6).

Bedrijfstoepassingen
Bedrijfstoepassingen moeten het uitgangspunt van een AI-strategie vormen. Bedrijven moeten zich de vraag stellen waarvoor ze op korte, middellange en lange termijn AI willen gebruiken en moeten alle toepassingen binnen het geheel van hun werking en activiteiten op een gestructureerde manier in kaart brengen. Daarbij is het aangewezen een prioriteitsvolgorde aan de projecten toe te kennen op basis van de nodige inspanningen en de verwachte baten. Deze aanpak helpt om potentiële testmogelijkheden te onderkennen om als het ware als bakens in de AI-plannen uit te zetten (vandaar dat zulke pilootprojecten ook ‘lighthouse projects’ worden genoemd). Zulke vroegtijdige en in het oog springende casestudy’s zijn een belangrijke succesfactor omdat ze bevorderlijk zijn voor de geleidelijke invoering van AI in het hele bedrijf.
 
Data
Elke poging om AI met succes te implementeren steunt op data. Het verzamelen en kwalitatief beheren van betrouwbare en nauwkeurige gegevens is dan ook van kritiek belang, willen we tot goed werkende AI-algoritmes voor de eigen bedrijfsprocessen komen. Een belangrijke databron in de maaksector vinden we in de gegevens van sensoren van aangesloten apparatuur (IoT).
Veel ondernemingen zijn volop bezig met het bouwen van zogenaamde ‘data lakes’ om op één centrale plaats ruwe data te verzamelen die afkomstig zijn van sensoren, manufacturing execution systems (MES), onderhoudsprocessen en kwaliteitscontroles.
 
Producenten doen er goed aan eerst hun belangrijkste dataobjecten in kaart te brengen, zoals productiefaciliteiten, machines en producten, alsook de databronnen die ermee samenhangen. Op die manier kunnen ze inzicht verwerven in het volume, de vluchtigheid en de variatie van de data waarmee ze te maken zullen krijgen. Bovendien moeten ze de meetgegevens die ze voor gegevenskwaliteit hanteren formeel vastleggen en deze systematisch monitoren om het belang ervan te laten doordringen, wat voor het implementeren van AI vaak een grote uitdaging is.
 
Technologie
De technologie voor ‘Big Data’, analysemethodologieën en AI evolueert nog altijd snel, wat in veel gevallen ondernemingen onzeker maakt over hoe hun toekomstige IT-architectuur er moet uitzien en voor welke tools en leveranciers ze het best kiezen. Producenten zouden een functionele referentiearchitectuur moeten beginnen gebruiken, die in kaart brengt welke tools de onderneming nodig heeft voor het verzamelen, opslaan, analyseren en visualiseren van data. Op basis van die functionele architectuur kunnen ze bepalen wat ze nodig hebben en bijgevolg gericht evalueren welke technologie die op de markt voorhanden is, de meest geschikte is.
 
Mensen
Voor meer gegevens en nieuwe technologieën zijn ook verschillende mensen met specifieke vaardigheden inzake analyse in het maakdomein nodig. De voorbije jaren zijn ondernemingen ‘data scientists’ beginnen aanwerven, maar ze hebben het nog steeds moeilijk om de gepaste organisatorische opstelling te vinden om de nieuwe vaardigheden – naast die van traditionele ingenieurs – ten volle te benutten.
Een typische vaststelling in dit verband is dat producenten een transformatieproces doorlopen: ze beginnen met een gefragmenteerd en ongecoördineerd gebruik van data en AI-experts. Vervolgens evolueren ze naar een meer gecentraliseerd organisatiemodel (bv. een ‘center of excellence’ dat aan AI is gewijd), waardoor de organisatie een grotere maturiteit in termen van AI verwerft. En in het eindstadium kunnen AI-competenties dan opnieuw worden gedecentraliseerd wanneer ze eenmaal volledig in de organisatie geïntegreerd zijn.
 
Een centraal AI-team moet niet alleen uit data scientists bestaan, maar ook uit wat men in het jargon ‘data engineers’, ‘data stewards’, ‘solution architects’ en ‘analytics translators’ noemt. Zulk een centraal AI-team werkt dan samen met teams van de diverse productiefuncties om AI-oplossingen voor specifieke gebruikssituaties te ontwikkelen en in de praktijk te brengen.
 
Processen
Om efficiënt te werken, hebben ondernemingen een basiskader voor goed bestuur en processen nodig dat ze formeel moeten vastleggen. Een voorbeeld van zo’n proces is ‘AI use-case pipeline management’, om nieuwe use cases in het bedrijf doorlopend te identificeren en te evalueren. Een ander voorbeeld is een formeel vastgelegd ontwikkelingsproces voor AI-oplossingen dat doorgaans voortbouwt op het standaardproces voor datamining dat in diverse sectoren gangbaar is (CRISP-DM).
 
Cultuur
Tot slot moeten producenten een door data en AI aangestuurde cultuur mogelijk maken. Daartoe moeten ze ervoor zorgen dat mensen vertrouwen krijgen in data en algoritmes door in het kader van personeelsvorming niet alleen AI en de door AI aangeboden mogelijkheden en waarde toe te lichten, maar ook te wijzen op de risico’s en beperkingen van deze technologie. Tegelijkertijd moeten ondernemingen de bekommernissen van hun personeel ernstig nemen en dienovereenkomstig handelen, terwijl ze een overtuigende visie op een effectieve samenwerking tussen mens en machine creëren om de vrees te pareren dat AI duizenden jobs in de maaksector zal doen verdwijnen.
 
Hogere leidinggevenden moeten de voortrekkers van verandering zijn door blijk te geven van engagement en zelf ook AI-methoden en AI-technologieën te omarmen. Deze vorm van innovatie kunnen ze ook stimuleren door een benadering te steunen die ruimte laat voor mislukken in het experimenteren met AI. En, al is falen een optie, successen moeten op passende wijze worden gehuldigd en bekendgemaakt opdat AI in de hele organisatie ingang zou vinden.
Koen Cobbaert
PwC België

Klantencase: 3B

Glasvezelfabrikant 3B is een van de belangrijkste ontwikkelaars en leveranciers van op glasvezel gebaseerde producten en technologieën die worden gebruikt om thermoplastische en thermogeharde polymeren te versterken. 3B heeft drie ultrageavanceerde productiefaciliteiten in respectievelijk Battice (België), Birkeland (Noorwegen) en Goa (India). De producten van de onderneming zijn ontworpen en worden geoptimaliseerd om de sectoren automotive en windenergie te bedienen en om in hoogwaardige composieten te worden geïntegreerd.
Een belangrijke oorzaak van inefficiëntie in de productie van glasvezel is het breken van de vezel wanneer de trekkracht wordt toegepast. Het breken van de vezel is het gevolg van een complexe wisselwerking tussen veel verschillende factoren. 3B gebruikt AI om in dit euvel inzicht te krijgen en om de nodige maatregelen te nemen:
 
Kortetermijnvoorspellingen:
Wanneer één vezel breekt, brengt dat een domino-effect op gang waarbij alle vezels binnen één station ‘samenklitten’ en de glasstroom die erdoor loopt volledig stopt. Hoe sneller de operator die situatie kan verhelpen, hoe gemakkelijker het gaat en hoe minder efficiëntieverlies er wordt geleden.

3B gebruikt (technisch mogelijk gemaakt door Robovision) voor een vroegtijdige detectie van brekende vezels. Dit systeem alarmeert de aanwezige operator gemiddeld 75 seconden voordat de vezel effectief breekt, zodat de operator zich hier beter op kan voorbereiden.
 
Root cause analysis:
In het geval van de kortetermijnvoorspellingen wijst het systeem er op dat de breuk zich gaat voordoen, maar anderzijds kan men met deze informatie niets doen om de breuk te voorkomen. Sensorinformatie (vooral thermokoppels, elektriciteitsstromen en gasstromen) werd gebruikt om voorspellende modellen te maken, maar – al kon worden bewezen dat breekgedrag correlatie en autocorrelatie vertoont – het bleek heel moeilijk om op basis hiervan de precieze invloedfactoren te bepalen.
Dit geval bewijst dat het niet vanzelfsprekend is om goede resultaten te bekomen. Een van de redenen daarvoor is dat beschikbare data niet werden verzameld met het oog op machine learning, maar veeleer voor procesbeheersing. Het computervisiegerelateerde geval anderzijds illustreert de kracht van deep learning: een algoritme kan voorspellingen doen waartoe een mens eenvoudigweg niet in staat is.

Koen Cobbaert is director in the Management Consulting practice van PwC. Zijn focus ligt op het helpen van bedrijven bij het toepassen van optimalisering, simulatie en machine learning binnen een Supply Chain en Operations context.