Professionals uit de industrie zijn het erover eens: de toekomst van productie is smart. Daarom is 'smart manufacturing' een topprioriteit voor veel ondernemingen. Centraal in het streven naar slimme fabricage staat Industrie 4.0 (ook wel I4.0), een strategie om de productieactiviteiten te moderniseren en de efficiëntie en productiviteit in de hele sector te verbeteren, waardoor de winstgevendheid toeneemt.
Het gaat hierbij niet alleen om technologie, maar ook om degenen die met die technologie werken. De roadmap van I4.0 leidt naar een toekomst waarin werknemers hun baan interessanter en boeiender zullen vinden, mede dankzij de 21ste-eeuwse technologieën die op hun werkplek worden geïntroduceerd. Maar een grootse strategie vereist ook een grootse tactiek. Wil I4.0 slagen, dan zal de productie-industrie zorgvuldig moeten plannen voor de toekomst die ze wil creëren.
Natuurlijke voorwaarden
Sinds de term I4.0 in 2011 werd bedacht, werden ai en ml gezien als natuurlijke voorwaarden ervoor. Gezien de manier waarop deze technologieën een dagelijks onderdeel van ons leven zijn geworden, was hun potentieel om de manier waarop we werken en materialen produceren te transformeren duidelijk – van het veranderen van de manier waarop we informatie verwerken tot het verbeteren van mechanische bewerkingen.
Hoe we deze technologieën effectief kunnen inzetten is een andere zaak. Op een bepaald moment voorspelden veel industrieleiders een nabije toekomst waarin neurale netwerken fabrieken zouden besturen zonder veel menselijke tussenkomst. Een decennium later is deze voorspelling voor de meeste fabrikanten niet uitgekomen, vooral niet voor hen die denken dat nieuwe technologieën alles vanzelf zullen veranderen.
Ai en ml zijn als analytische instrumenten slechts een deel van de oplossing. Er zijn mensen en processen nodig om de technologie aan het werk te zetten en zinvolle veranderingen teweeg te brengen. Door ai aangedreven oplossingen voegen waarde toe, niet op zichzelf, maar omdat ze bruikbare informatie in handen geven van mensen die beslissingen nemen en producten ontwikkelen.
Faalwijzen
Regelmatig beklagen producenten zich over voorspellende modellen die niet verder gaan dan één type machine op een bepaalde locatie. Of ze vragen zich af waarom ai niet zelfstandig bekende faalwijzen kan ontdekken. Maar het is het proces dat in deze gevallen heeft gefaald, niet de gegevens, de modellen of de mensen.
Vaak is het probleem terug te voeren op het feit dat veel bedrijven hun data-analytische activiteiten over meerdere silo’s verspreiden, die niet noodzakelijk samenwerken en soms verschillende, onverenigbare tools en software gebruiken. Het omgekeerde kan ook een probleem zijn: een onderneming die al haar geavanceerde analyses centraliseert in een gesloten team van datawetenschappers zorgt voor onduidelijkheid wat sommige gegevens eigenlijk betekenen. Een datawetenschapper kan een invoer die normaalgezien logisch is voor een controle-ingenieur verkeerd begrijpen. Het resultaat van dit misverstand is meestal een onnauwkeurig en onbruikbaar model.
Tussen deze twee uitersten ligt een gulden middenweg: het opbouwen van een AI Center of Excellence (CoE). Een CoE bestaat uit een geïntegreerd netwerk van datawerkers, in verschillende teams van ingenieurs tot datawetenschappers en bedrijfsanalisten, gebruikmakend van een enkel systeem om inzichten te delen en problemen op te lossen. Productiegegevens bevatten vaak ruis en sterk gecorreleerde (soms overbodige) variabelen die vaak op willekeurige tijdstippen worden verzameld met onduidelijke naamgeving. Bij het voorspellen moet het hele team het eens zijn over wat je probeert te voorspellen en welke informatie je daarvoor nodig hebt.
Kijken we bijvoorbeeld naar het onderhoud van een motor van een centrifugaal ventilator, een afzuiger die in veel fabrieken te vinden is, dan willen we weten welke gegevens nodig zijn om storingen te voorspellen. Is elektriciteitsverbruik voldoende? Hoe zit het met trillingen? Hoe typisch is een bepaalde motor ten opzichte van een andere in de fabriek, en kunnen ze op dezelfde manier worden gesensibiliseerd? Er is een krachtig, flexibel coördinatiesysteem nodig om dergelijke multivariabele problemen aan te pakken.
Intelligente robots
Hype-cycles komen en gaan, maar complexe problemen vereisen discipline en innovatie om ze op te lossen. Er is geen tekort aan boeken en opiniestukken waarin wordt beweerd dat de productie-industrie van de toekomst volledig zal worden geleid door intelligente robots, of dat ai de kracht heeft om de industrie in haar eentje te transformeren. Maar dit is sciencefiction vergeleken met de manier waarop ai in de praktijk dagelijks wordt gebruikt in allerlei sectoren over de hele wereld. Net zoals alle andere technologieën bestaat ai om gebruikt te worden, niet om ons te gebruiken.
De grootste technologie, met alle potentie en kracht, heeft nog steeds baat bij menselijke inbreng en hulp – dit geldt zowel nu als in de I4.0-toekomst. Veel taken zijn te automatiseren, maar er is nog steeds geen substituut voor een domeindeskundige die de operationele theorie van apparatuur definieert om te bepalen waar, in een zee van ruis, een datawetenschapper moet zoeken naar signalen – naar correlaties en verbanden. Een visie op smart manufacturing is alleen haalbaar als er een systematisch proces is om slimme mensen en slimme technologie samen te brengen.
Industrie 4.0 gaat om efficiëntie, het is vooral een antwoord op een oosterse productiecapaciteit tegen lagere kosten waarin het oude make-to-stock (MTS) van de massaproductie veranderd wordt in een make-to-order van kleinere productieseries met grotere variaties. De kern hiervan ligt in duurzaamheid want overproductie is een maatschappelijk zonde, dat de grondstoffen hierin goedkoop zijn maar niet herbruikbaar gaat om de ESG strafpunten als we kijken naar een circulaire economie. Wat betreft faalwijzen van een volledig productie in de afvalcontainer moeten sommige bedrijven nog eens nadenken over de marketing van duurzaamheid.