Martin Rebane: kuidas rakendada tehisaru tööstuses?

Martin Rebane: kuidas rakendada tehisaru tööstuses?. 25.04.2024. Eesti tööstuse kirstunael on madal efektiivsus. Ettevõtted on hädas – paljud on automatiseerinud ja robotiseerinud suurema osa oma tootmisest, ent sellegipoolest jäävad endiselt Lääne-Euroopa ja Aasia tootjatele alla. Eesti tööstussektori tööjõu tootlikkus on vaid 58% Euroopa Liidu keskmisest*. Ettevõtete konkurentsivõimet määrab aina rohkem tehisaru (AI) kasutamise võimekus. Hüpe tehisaru kasutamiseks on aga palju keerulisem kui ühe kindla töökoha automatiseerimine. Pakun järgnevalt välja esimesed sammud, millega iga tööstusettevõte alustada võiks. Alusta andmete kogumisest Tehisaru võimaluste maksimaalne kasutamine eeldab, et AI lahendusel on võimalik pidevalt ettevõttes tekkivatest andmetest õppida. Seega peaks alustama andmehõivest ja läbi mõtlema, kuidas kõikides tootmisetappides tekkivad andmed talletada andmelattu. Andmete kogumine peab olema automatiseeritud tootmisliini poolt või eraldi paigaldatud sensorite abil. Oluline on andmete täpsus, näiteks tuleb eristada liini seadistamiseks ja tootmiseks kulunud aega. Seetõttu ei sobi käsitsi tootmisandmete sisestamine, sest ette võib tulla vigu ja ebatäpsuseid. Tootmises kogutud andmeid kasutame tehisaru regulaarseks uuendamiseks, sest tootmine muutub ajas ja seetõttu muutuvad ka andmed. Sõltuvalt ettevõtte dünaamikast võib tehisaru lahenduse uuendamine juhtuda kord ööpäevas, nädalas või kuus, aga ka mitu korda tunnis. Tehisaru ostmine ei tähenda tavalise tarkvarapaketi ostmist, vaid iseõppiva tarkvara ülesseadmist ettevõttesse. Tehisarust on kõige rohkem kasu protsesside muutmisel Teine samm on mõista, et muuta tuleb protsesse. Eelmine suurem tehnoloogiline hüpe toimus tööstusrobotite ja automaatika kasutuselevõtmisel. Sellega oli võrdlemisi lihtne – ettevõte tuvastas palju käsitööd nõudvad töölõigud ja asendas need automatiseeritud lahendustega. Tehisaru kasutamine tööstuses ei tähenda vaid üksiku tootmisetapi muutmist. Efektiivsuse tõusu tagab hoopis tehisaru abil tootmis- ja äriprotsesside juhtimine ja korraldamine. See nõuab aga tänaste tööprotsesside ümberkorraldamist – kusjuures suur osa efektiivsusest on peidus väljaspool tööpinke ja tootmisliine. Külastades Eesti tootmisettevõtteid olen täheldanud, et madalal tehnoloogilisel tasemel töökorraldus, näiteks tellimuste haldamine, tootmise planeerimine, kvaliteedijuhtimine ja töövoogude prognoosimine neelavad täna suure osa Eesti tööstuse ressurssidest. Seetõttu jääb tootlikkus madalaks. Tehisaruga juhtides saab ülaltoodud protsesse korraldada automaatselt. Näiteks uut hinnapakkumist tehes või tellimust vastu võttes on tehisaru kasutav ettevõte juba alustanud tootmise planeerimist ja teab kõrge täpsusega, mis on selle tellimuse omahind, toorme- ja ajakulu. Protsessid muutuvad tehnoloogiliselt keerulisemaks, kuid loogiliselt lihtsamaks. Reaalajas protsesside juhtimine on konkurentsieelis Kolmas samm on reaalajas muutustega kohanemine. Näiteks, AI abil tootmise juhtimine ei eelda iga muudatuse korral (nt tellimuse äralangemine, tootmisliini rike, tarne hilinemine, töötaja haigestumine) mahukat tööd tootmise ümberkorraldamiseks, sest mitme planeerija töö teeb tehisaru ära sekunditega või kiiremini. Tootmisplaani muutmine 20 korda päevas ei ole enam probleem, vaid konkurentsieelis, mis võimaldab toimetada efektiivselt ja kõrge tootlikkusega. Kvaliteedikontrolli teostamine tootmisliinil, näiteks defektse toote kõrvaldamine toimib juba paljudes ettevõtetes, kuid veel vähesed suudavad juhtida kvaliteeti terve tootmisahela lõikes. Kvaliteedi juhtimine tähendab defekti põhjustest aru saamist, õppimist ja tulevikus taoliste probleemide ennetamist. Teisisõnu protsessi kvaliteedi jälgimist ja tõstmist. Seda sai teha ka varem, kui ettevõttel oli võimekus palgata andmeanalüütikuid ja teha kõrgel tasemel andmehõivet. Tehisaru on muutnud selle oluliselt kättesaadavamaks ja võimaldab leida väga keerukaid kvaliteediprobleemide põhjuseid. Näiteks ei pruugi toidutööstuses ühekraadiline temperatuurierinevus ühes etapis ega natuke hälbiv niiskusesisaldus teises etapis kumbki toodet mõjutada, kuid kombineeritult põhjustavad kvaliteediprobleemi. Korralik andmehõive ja tehisaruga kvaliteedikontroll aitavad leida kvaliteediprobleemide põhjused ja muuta tootmisprotsessi edasiste vigade vältimiseks. Tootmise lõpus olevast kvaliteedi hindamise etapist on saanud tootmisprotsessi läbiv eesmärk. Suur plaan AI nõustamist kasutanud ettevõtjate kogemuste pealt saan öelda, et mõistlik on paika panna suur plaan, kuid alustada ühest konkreetsest tootmis- või äriprotsessi etapi muutmisest. Kui ettevõtte põhiprobleemiks on tootmise planeerimine, võiks kaaluda müügiprotsessi ja tootmise juhtimise sidumist tehisaru abil üheks protsessiks. Kui probleemiks on kvaliteedijuhtimine, võiks kaaluda selle lahendamist koos konkreetse tootmisliini juhtimisega. Kui väiksem probleem on lahendatud, saab need omakorda ühendada. Näiteks kvaliteedikontrolli käigus kogutavad andmed tootmisliini kiiruse ja toote parameetrite kohta võimaldavad edaspidi täpsemalt prognoosida sarnaste toodete tootmise ajakulu ja maksumust. Tehisintellekti- ja robootikakeskus AIRE on pühendunud Eesti tööstusettevõtete konkurentsivõime tõstmisele, aidates neil kasutusele võtta tehisintellekti ja robootika lahendusi. AIRE soov on tuua ülikoolid tööstusele lähemale ning keskus pakub ettevõtetele uudseid erilahendusi, mida eraturult ei leia – olgu selleks uue tehnoloogia või tarkvara testimine, andmeanalüüsimeetodid, pilvelahendused, ennetav hooldus või digitaalsete kaksikute arendus.