Dyskusje o Sztucznej Inteligencji często dotyczą tego, czy zgubi ona gatunek ludzki, czy też spowoduje rozkwit naszej cywilizacji. W przemyśle jednak zadaje się bardziej praktyczne pytanie: jakie zastosowania AI mogą przynieść zwiększenie produktywności. Można podać wiele przykładów takich rozwiązań, które znajdują zastosowanie od branży samochodowej, przez bankowość i logistykę, do ochrony zdrowia. Czy także producenci mięsa i jego przetworów powinni zainteresować się Sztuczną Inteligencją?
Niskie marże powodują, że jednym z największych wyzwań w branży mięsnej jest uzyskanie wysokiej jakości produktu, przy jednoczesnej optymalizacji kosztów. I na Świecie, i w Polsce odpowiedzią branży na to wyzwanie jest automatyzacja i robotyzacja. Widać jednak, że podejście to napotyka na ograniczenia i inwestycje w maszyny przynoszą coraz mniejszą optymalizację kosztów. W uproszczeniu – maszyna nie jest w stanie pracować szybciej, a u zwierząt osobniki różnią się między sobą cechami, co uniemożliwia pełną robotyzację produkcji. Trzeba też pamiętać, że automatyzacja i robotyzacja generuje wysokie jednorazowe koszty – nie tylko zakupu maszyn, ale także rozbudowy infrastruktury, kosztów przestojów i szkolenia pracowników. Specjalizacja pracowników i inwestycje w kapitał ludzki są ważnym kierunkiem rozwoju przedsiębiorstw, ponieważ w wychwytywaniu subtelnych różnic ludzie są sprawniejsi niż maszyny.
A gdzie tu miejsce dla Sztucznej Inteligencji? Kluczową kompetencją AI i Machine Learning (ML), jest umiejętność tworzenia prognoz i predykcji w oparciu o duże zbiory danych historycznych. Jest to umiejętność identyfikowania prawidłowości, które są niedostrzegane przez ludzi. W silnie zautomatyzowanym przemyśle, a takim jest przetwórstwo mięsa, urządzenia generują w czasie rzeczywistym ogromną liczbę danych, zatem mamy na czym opierać prognozy.
Jednym z przykładów wykorzystania AI do optymalizacji kosztów jest predykcyjne utrzymanie produkcji. Opiera się ono na analizie dużej ilości danych dostarczanych w czasie rzeczywistym bezpośrednio z maszyn oraz z hali produkcyjnej, a następnie analizie tych danych i wychwyceniu anomalii, które mogą świadczyć o ryzyku wystąpienia awarii. Dodatkowo na podstawie danych historycznych i bieżącej analizy występujących awarii można nieustannie usprawniać modele i przewidywać awarie z większą skutecznością oraz z uwzględnieniem zmiennych warunków występujących na hali. Możemy zatem nie tylko przewidzieć awarię z wyprzedzeniem, ale także jej zapobiec. W podobny sposób możemy także przewidywać i zapobiegać problemom jakościowym produktów jeszcze przed zleceniem produkcji.
Oczywiście można powiedzieć, że doświadczenie pracownika polega właśnie na tym, że człowiek już zna te prawidłowości i nie ma potrzeby korzystania z AI. Wystarczy mu inteligencja własna. To jednak tylko część prawdy. Jest bowiem wiele istotnych prawidłowości, o których istnieniu nie wiemy. Człowiek jest niezbędny, ponieważ potrafi zadać programowi sensowne pytania i zinterpretować wyniki. Jednak analiza dostępnych dzisiaj danych jest nawet dla najwybitniejsze eksperta niewykonalna.
Można mieć obawy, że analizy takie są bardzo kosztowne i dlatego warto je stosować tylko w przemysłach o wysokich marżach. Jednak rewolucja AI zachodząca na naszych oczach diametralnie zmieniła tę sytuację. Dzisiaj znajdowanie prawidłowości w danych nie wymaga skończenia kilkuletnich studiów Data Science. Programy podpowiadają, jakie algorytmy zastosować w wyszukiwaniu istotnych prawidłowości ukrytych w naszych danych. I co najważniejsze – wprowadzenie takich rozwiązań jest wielokrotnie tańsze niż zakup nowych maszyn. Dlatego w sytuacji, gdy automatyzacja rozumiana jako robotyzacja przynosi coraz słabsze efekty, warto sięgnąć po narzędzia do analizy danych w biznesie. Bardzo dobrym przykładem takiego oprogramowania jest Qlik Sense i jego rozwiązanie AutoML. Więcej na jego temat można dowiedzieć się na blogu: businessintelligence.pl/blog/ oraz bezpośrednio w Hogart Business Intelligence, który jest partnerem firmy Qlik oraz specjalizuje się we wdrożeniach innowacyjnych rozwiązań, począwszy od zaawansowanej analizy sprzedaży, produkcji, dostawców, łańcucha dostaw, przez predykcję sprzedaży, aż zastosowania sztucznej inteligencji i Machine Learning. Ich wspólną cechą jest łatwość korzystanie przez użytkowników i niewysokie koszty wdrożenia. Wśród klientów Hogart można między innymi wymienić Apotex (wsparcie procesów decyzyjnych managerów firmy farmaceutycznej), czy Wipasz S.A. (agregacja danych i prognozowanie wyników w oparciu o analizy danych historycznych).
Co jeszcze przemawia, za poszukiwaniem optymalizacji za pomocą inwestycji w AI:
– Po pierwsze, koszty inwestycji są znacząco niższe niż w przypadku zakupu maszyn.
– Po drugie, inwestycje są łatwo skalowalne. Możemy sprawdzać ich skuteczność w wybranym zakresie i rozszerzać zastosowanie na inne obszary funkcjonalne biznesu.
– Po trzecie, rozwiązania znajdują zastosowanie we wszystkich etapach produkcji od przebiegu jej procesu, przez serwis, zapewnienie jakości, bezpieczeństwo pracowników do logistyki.
– Po czwarte wreszcie, w przeciwieństwie do maszyny AI doskonali się samo.
Gdy dzisiaj słyszymy o rewolucji przemysłowej 4.0, to właśnie o wykorzystanie Sztucznej Inteligencji chodzi. Badanie przeprowadzone przez McKinsey już trzy lata temu (jeszcze przed wybuchem światowej mody na Sztuczną Inteligencję) pokazało wpływ AI na optymalizację kosztów i wyniki firm. Z AI korzystało 50% badanych firm, a 22% z nich deklarowało, że co najmniej 5% EBIDT wynika ze wprowadzenia AI. Wśród wymienianych funkcji, w których korzystano z Sztucznej Inteligencji wskazywano między innymi na produkcję (15% firm), serwis (20% firm), i logistykę (5%). Jednocześnie firmy wskazały produkcję jako funkcję, w której optymalizacja kosztów była największa. Ponad połowa firm deklarowała, że optymalizacja ta wyniosła, co najmniej 5%.
Rewolucja Przemysłowa 4.0 dzieje się na naszych oczach. Rewolucja polegająca na odmiennym sposobie automatyzacji, opartej o wykorzystanie danych generowanych przez urządzenia pomiarowe, a nie na wprowadzaniu do użytku nowych maszyn. Doświadczenie poprzednich rewolucji pokazało, że warto włączyć się w nią szybciej, niż później. I nie ma powodu, aby branża mięsna, podobnie jak było wśród przemysłów szybko się automatyzujących, nie zachowała się podobnie w kwestii wykorzystania AI do optymalizacji kosztów.
W opracowaniu tekstu wykorzystano publikacje: „Artificial intelligence-driven automation is how we achieve the next level of efficiency in meat processing” Animal Frontiers, Volume 12, Issue 2, April 2022, The state of AI in 2020, McKinsey Global Instytute, listopad 2020. “AI USE CASES & APPLICATIONS ACROSS MAJOR INDUSTRIES”, https://www.leewayhertz.com/ai-use-cases-and-applications/