Panasonic Industry, üretimde yapay zekâ kullanımının hazır bir model veya araç seçmekle değil, güvenilir bir operasyonel veri tabanı oluşturmakla başladığını düşünüyor. MONOist Japan'da yayımlanan içeriğe göre şirket, üretim hatlarından elde edilen verileri ve bunlarla bağlantılı bilgileri süreçlerin iyileştirilmesinde kullanılabilecek bir yapıya dönüştürmek için on yıldan fazla zaman harcadı.
Bu deneyim, 1969 yılında kurulan ve diğer ürünlerin yanı sıra alüminyum elektrolitik kapasitörler üreten bir şirketten geliyor. Bu bileşenler elektrikli araçlar, yapay zekâ uygulamaları ve iletişim altyapısı dâhil olmak üzere çeşitli alanlarda kullanılıyor. Bu bağlamda şirket, üretimin iyileştirilmesinin üretim hatları arasındaki farklılıklarla başa çıkmayı, kaynak sağlamayı ve talep hacmindeki değişikliklere yanıt vermeyi gerektirdiğini belirtiyor.
Veriler yapay zekâdan önce geldi
Yaklaşık on yıl önce, 2010 öncesine ait eski üretim ekipmanlarının yaklaşık yarısı verileri doğrudan toplayamıyordu. Bu nedenle Panasonic Industry, veri sağlayabilen ekipmanları devreye almaya ve mevcut üretim hatlarına programlanabilir mantık denetleyicileri ya da PLC'ler kurmaya çalıştı.
İçeriğe göre bu süreç, 600'den fazla üretim hattından veri toplanmasını mümkün kıldı. Standardizasyon süreci genel göstergelerle sınırlı kalmadı; üretim kalitesi, ekipman kusur oranları, ürün kusurları ve hacimle ilişkili kusurların yanı sıra üretim verimliliği ve diğer operasyonel göstergeler gibi verilerin düzenlenmesi mümkün hâle geldi.
Ölçümden operasyonel bilgiye
Şirket, veri toplamayı kendi başına bir amaç olarak görmüyor. Tüm ekipmanlardan veriye erişilebilmesi, çalışma koşullarının analiz edilmesine ve sorunların nedenlerinin belirlenmesine yardımcı olurken ekipman ve süreç performanslarının karşılaştırılmasını da mümkün kılıyor. Panasonic Industry, veriler ile çalışanların biriktirdiği bilgileri ilişkilendiriyor ve pratik açıdan önemli sorunun, çalışanların yaptıkları ile süreçlerin performansında meydana gelen değişiklik arasındaki ilişkinin nasıl anlaşılabileceği olduğunu düşünüyor.
İçerik, şirketin operasyonel bilgiyi, saha deneyimini belirli kişilerle bağlantılı kalmak yerine yeniden kullanılabilir bir biçime dönüştürmeye dayanan bir çerçeve oluşturmaya çalıştığını belirtiyor. Bu nokta, ürün özelliklerinin ve üretim yöntemlerinin bir müşteriden diğerine değiştiği ve binlerce ayar ve işletim prosedürü gerektirebilen üretim ortamlarında özellikle önem taşıyor.
Pratikte ne değişiyor?
Asıl dönüşüm, yapay zekânın ayrı bir araç olarak kullanılmasından ekipman verileri ve operasyonel bilgiyle bütünleştirilmesine geçişte yatıyor. İçerik, Panasonic Industry'nin operasyonları desteklemek üzere yapay zekâ ajanları da dâhil olmak üzere çeşitli teknolojileri kullanmaya başladığını, ancak bu adımın temel veri altyapısının hazırlanması ve performans göstergelerinin standartlaştırılmasının ardından geldiğini açıklıyor.
Buradaki en önemli çıkarım, yapay zekânın veri eksikliğini veya veri tanımlarındaki tutarsızlığı telafi etmediğidir. Ekipman verilerine erişemeyen ya da arızaları ve üretim kalitesini tanımlamak için ortak bir yönteme sahip olmayan bir fabrika, yapay zekâ modelini seçme aşamasından önce kısıtlamalarla karşılaşacaktır. Panasonic Industry örneğinde ise 600'den fazla üretim hattının dijitalleştirilmesi, süreçlerin analiz edilmesi ve bilgiye dayalı otomasyonun genişletilmesi için üzerine inşa edilebilecek bir temel sağladı.
İçerik, tüm üretim sorunlarının çözüldüğünü veya yapay zekâ ajanlarının insan deneyiminin yerini aldığını kanıtlamıyor. Bunun yerine açık bir yol sunuyor: ekipmanlardan veri toplamak, bu verileri standartlaştırmak, saha bilgisiyle ilişkilendirmek ve ardından yapay zekâyı üretim süreçlerinde kullanmak. Bu yolun etkinliği; verilerin kalitesine, bilginin ne kadar doğru modellendiğine ve çalışanların sonuçları operasyonel kararlara dönüştürmeden önce doğrulama becerisine bağlılığını koruyor.