A profitabilitás és az adatvezérelt megoldások kapcsolata

Az eredményesség kulcsa az integrációban van: miként képes együttműködni az ember a mesterségesintelligencia- (AI – Artificial Intelligence) alapú megoldásokkal, hogyan tudunk így automatizmusokat kialakítani és döntéseket támogatni – egyebek mellett erről beszélt a VG-nek Gáspár Sándor, a Stratis Vezetői és Informatikai Tanácsadó Kft. AI-kompetencia-központjának vezetője és Géró Péter, a cég partnere. A százfős vállalat alaptevékenysége az üzleti és informatikai tanácsadás, ezt egészítették ki az adatelemzésre épülő megoldások fejlesztésével.

A cég árbevétele 3,5 milliárd forint felett jár, tevékenységi köre pedig széles, többek között bankokkal, biztosítókkal, telekommunikációs vállalatokkal dolgozik együtt, részt vesz az egészségügy, a gyártó és energiaszektor szereplőinek fejlesztési projektjeiben.

Az elmúlt időszak fejlesztései a gyártó szektor digitalizációjának, automatizációjának elősegítésére, adatalapú megoldások kialakítására irányultak.

„Az ipar 4.0 a mi értelmezésünkben egy olyan vízió, amelyben az emberek és a gépek egymással kommunikálnak. Azt szokták mondani, hogy az adat az új olaj, és ebben az esetben valóban, hiszen az adatokat úgy kell gyűjteni, feldolgozni és elemezni, hogy a mesterséges intelligencia számára is fogadható legyen, ezáltal a megfelelő döntéseket hozza meg, illetve az embernek is átlátható visszacsatolást, javaslatot küldjön. Ezt az egész kommunikációt az adat és az abból származó információ vezérli” – magyarázta Gáspár Sándor. Úgy véli, fontos az ember szerepe a folyamatban, hiszen ő adja a visszajelzést az AI-nek, hogy jól végzi-e a munkáját. A kompetencia-központ vezetője hangsúlyozta, a mesterséges intelligencia a jelenlegi alkalmazási területein olyan feladatokat képes ellátni hatékonyabban, pontosabban, amiket az ember is.

„Az AI tanítása arról szól, hogy az ember által létrehozott mintaadatok segítségével megmutatjuk neki, hogyan döntene az ember. Az AI felismeri a mintázatokat, és azok alapján képes a döntést reprodukálni, például a minőség-ellenőrzésnél kiválogatja a selejtes termékeket. Időnként ezt ellenőrizni kell, szükséges a visszajelzés az ember részéről, hogy jó döntést hozott-e vagy sem, ezzel tovább tudja javítani a gép döntési pontosságát. De amellett, hogy az AI képes teljesen önállóan elvégezni a feladatokat, bizonyos esetekben inkább döntéstámogató szerepe van, mint például anyagbeszerzések támogatása a várható kereslet függvényében” – emelte ki a szakember.

Három nagy területet céloztunk meg a gyártásban: minőség- és ellátásilánc-menedzsment, illetve a gyártáshatékonyság javítása. Ez utóbbihoz tartozik a leállások megelőzése a berendezések működési hibáinak korai felismerésével, a megelőző karbantartási igények előrejelzésével, a gyártási tervbe illesztés megtervezésével

– mondta Géró Péter. A hatékonyság javítása érdekében a legtöbben még mindig egy újabb gép vásárlásában gondolkoznak, pedig hosszú távon egyáltalán nem biztos, hogy az a leginkább megtérülő megoldás, hiszen a pluszgép ellenére a gyártás ugyanazzal a – talán téves – szemlélettel folytatódik.

A mesterséges intelligencia az ellátásilánc-menedzsment területén is hatékonyan bevethető. Sok vállalatnál teljesen kiszámíthatatlanná vált a gyártáshoz az alapanyag-ellátottság, ezáltal az ügyfelek kiszolgálásának folyamata. A Stratis az egyik elektronikai cikkeket gyártó cégnek készített előrejelző modellt, amelyben megállapította, mekkora késések várhatók a beszállítói oldalon, így a cég el tudta kerülni az ügyfélpanaszokat, valamint priorizálhatta a gyártási, logisztikai és vevőkiszolgálási folyamatokat.

Az elmúlt években állandó dilemma volt, hogy milyen mértékben képezzen raktárkészletet egy vállalat, hiszen ez kifejezetten nagy inaktív tőkelekötéssel járhat. A világjárvány idején megdőlni látszik azok stratégiája, akik minimálkészletre terveztek. Új megközelítésre van szükség, ami jóval több paraméter figyelembevételét igényli. Sok helyen még mindig Excelben készítik a beszerzési terveket, amely már nem alkalmas komplex, több tényezőből álló modellek kirakására és a bonyolult szcenárióelemzésekre

– jegyezte meg Géró Péter. Kollégája hozzátette, a vállalatirányítási rendszerrel működő cégek esetében a rendszerekben gyűlő adatok számos olyan összefüggést rejtenek magukban, amelyek hagyományos elemzési módszerekkel nem, de a gépi tanulásalapú eljárások segítségével feltárhatók.

Egy ilyen eljárás segít korai szakaszban felismerni, hogy bizonyos beszerzési források elakadhatnak, vagy késhetnek a szállítások. A sok-sok adat közti összefüggés alapján ez a helyzet hamar felismerhető, és a rendszer riasztást tud adni, hogy várhatóan mely megrendelések gyártása és kiszolgálása nem teljesül a tervezett időpontban

– szögezte le Gáspár Sándor.

A mesterséges intelligencia a munkaerőhiány vagy a munkaerő-minőség kezelésére is megoldást nyújthat, ami jelenleg szintén befolyásolja a gyártó vállalatok termelékenységét és gátolja a növekedését, hiszen számos, az ember által repetitív módon elvégzett munkafolyamat automatizálható. Az egyik ilyen terület a minőség-ellenőrzés, a gyártási hibák, selejtek beazonosítása – negyedére csökkenthető az emberi ráfordítás mértéke azzal, hogy a kameraszenzorok és gépi látásalapú AI-megoldások segítségével nagy hatékonysággal és pontossággal végezhetők el ezek a feladatok. Bár a selejtválogatásban részt vevők munkaereje megtakarítható, a gépek működtetéséhez a legtöbb esetben szükség van emberi támogatásra, kivéve a teljesen automatizált okosgyárakban.