Üretimde yapay zeka yol haritası: tesis verisinden ajanlara

Yapay zeka pilotunuz tek bir hatta çalıştı. Bir yıl sonra ikinci tesiste hâlâ yok ve ilk hat da onu sessizce kullanmayı bıraktı.

Üretimde bir yapay zeka yol haritası tam olarak bunu önlemek için vardır. Dört aşaması var. Tesis verisini ERP verisiyle birleştirin, yönetişimli bir zeka katmanı ekleyin, yapay zeka ajanlarını ölçeklendirin, ardından yapay zekayı fabrikanın işleyişinin içine yerleştirin.

Üreticilerin çoğu üçüncü aşamadan başlamaya çalışır. Pilotların tıkanmasının nedeni bu.

Plastik, çelik ve savunma üretiminde ERP implementasyonları yaptım. Aynı örüntü tekrar ediyor. Model nadiren işin zor kısmıdır.

Zor kısım, üç sistemin aynı siparişi üç farklı şekilde tanımlamasıdır.

5.000 adetlik tek bir kalıplanmış kapak siparişi düşünün. ERP bir üretim siparişi görür. MES (atölyeyi yöneten sistem) 14 numaralı preste bir iş görür, pres ise yalnızca çevrim sayılarını bilir.

Bu yol haritası, çekirdek sisteminiz ne olursa olsun işe yarar: SAP, Oracle, Microsoft, Infor ya da şirket içinde geliştirilmiş bir sistem.

Üç yılı şöyle kurgulardım.

Üç yıl, dört aşama

1. 01

   Şimdi: veri temeli

   Tesis, kalite ve ERP verisi, köken izleme ve self servis raporlamayla tek bir yönetişimli platformda.

2. 02

   1. yıl: yönetişimli zeka

   Tesisler, hatlar, malzemeler ve siparişler için tek bir iş dili, yapay zeka yönetişimi ve ilk hızlı kazanımlar.

3. 03

   2. yıl: yapay zeka ajanlarını ölçeklendirme

   Bakım, kalite, planlama ve satın alma için tesisler genelinde çalışan ajanlar.

4. 04

   3. yıl: ölçekte yerleşik yapay zeka

   Yapay zeka fabrikanın planlama, işletme ve iyileştirme biçiminin içinde, insanlar ve ajanlar birlikte çalışıyor.

Süreleri bir rehber olarak görün. Dört ERP üzerinde on tesisi olan bir grubun birinci aşamada daha fazla zamana ihtiyacı olur.

Fabrika verisi katmanlar halinde yaşar ve ISA-95 standardı bu katmanları iyi tanımlar. En altta sensörler ve her makineyi çalıştıran kontrolörler, yani PLC'ler bulunur. Onların üstünde SCADA ekranları ve historian'lar (makine okumalarını tutan veritabanları), ardından MES ve en üstte hepsini planlayan ve maliyetlendiren ERP yer alır.

Yapay zekanın bu katmanların birbiriyle konuşmasına ihtiyacı var. Çoğu tesiste konuşmazlar.

Üç şeyle başlardım.

1. ERP verisini, MES kayıtlarını ve historian okumalarını alan bir veri platformu, genellikle bir bulut lakehouse'u ya da veri ambarı. Kullanım senaryolarının çoğu, parti başına ortalama eriyik sıcaklığı gibi özetlere ihtiyaç duyar.
2. İlk günden yönetişim: bir veri kataloğu, her sayının nereden geldiğini gösteren köken izleme (lineage) ve kalite kuralları. Bir hurda rakamının nereden geldiğini kimse söyleyemiyorsa, onu tahmin eden bir modele de kimse güvenmez.
3. Self servis raporlama. Tesis müdürleri, işin içine yapay zeka girmeden önce OEE'yi (iyi çıktının olası çıktıya oranı), hurdayı ve plana uyumu tek bir kaynaktan görmeli.

En zor iş ana veridir. İki tesisi olan bir plastik grubunu ele alalım.

A tesisi siyah polipropilen granüle MAT-1001 der ve onu kilo ile sayar. B tesisi aynı granüle PP-BLK-25 der ve 25 kg'lık torbalarla sayar. Bir modelden reçine tüketimini tahmin etmesini isteyin, birbiriyle ilgisi olmayan iki malzeme görür.

Çözüm sıkıcıdır. Bir malzeme sahibi kodları eşleştirir, tek bir birimde uzlaşır ve platform bu kuralı her gece uygular.

Araç eşleşmeyi önerebilir. Hangi kodun geçerli olacağına ve o andan itibaren kuralın sahibinin kim olacağına yine bir insan karar verir.

Erkenden kontrol edeceğim diğer konu saatlerdir. Bir haddehanenin historian'ı fırın okumalarını yerel saatle kaydederken ERP kayıtları UTC ile atıyor olabilir.

4471 numaralı bobindeki bir yüzey hatasını, bobin haddelenirken ölçülen fırın sıcaklığıyla ilişkilendirmek istiyorsunuz. Saatler arasında dört saat fark varsa model yanlış sıcaklıktan öğrenir. Bunu burada bir kez düzeltin, sonraki her kullanım senaryosu doğru veriyle çalışır.

1. 01Makineler ve historian'larSensör okumaları, parti başına özetlenmiş
2. 02MESİşler, duruşlar ve hurda
3. 03ERPSiparişler, malzemeler ve maliyetler
4. 04İniş alanıGeldiği haliyle saklanan ham kopyalar
5. 05Temizlenmiş ve eşleştirilmişTek malzeme kodu, tek birim, tek saat
6. 06Self servis raporlarOEE, hurda ve plana uyum

Makineden muhasebe defterine kadar her siparişin güvenilir tek bir versiyonu

Birinci yıl bu veriyi yapay zekanın güvenle kullanabileceği bir şeye dönüştürür. Merkezinde semantik katman vardır: tesisler, hatlar, iş merkezleri, malzemeler, siparişler ve hatalar için ortak tek bir iş dili.

Bir ajana "3. hattaki duruşu" sorun, hangi 3. hattın kastedildiğini bilmesi gerekir. A tesisinde de B tesisinde de bir 3. hat olabilir ve ikisi duruşu farklı sayıyor olabilir.

Bir tesis sayacı makine durduğunda başlatır. Diğeri operatör duruşu kaydettiğinde başlatır. Semantik katman tek bir tanımı yazıya döker ve her rapor ve her ajan onu kullanır.

Yapay zeka yönetişimini aynı yıl kurun. Her yapay zeka kullanım senaryosunu bir kayıt defterinde tutun. Her birinin adı belli bir sahibi, bir risk derecesi ve çıktının bir insan tarafından kontrol edildiği bir noktası olsun.

Bir yapay zeka sistemi bir makinenin güvenlik bileşeni haline gelirse, EU AI Act onu yüksek riskli kabul eder. Güvenlik mühendislerinizi erkenden dahil edin. Onları ilk çalıştayda görmek isterim.

Ardından sahadaki insanların fark edeceği iki ya da üç hızlı kazanım sağlayın. Gece vardiyasında bir bakım copilot'u şöyle çalışır.

1. Bir teknisyen, sürekli düşük basınç arızası veren bir hidrolik presin başında. Tabletteki copilot'a arıza kodunu ve pres numarasını yazıyor.
2. Copilot pres kılavuzunu ve o presin geçmiş iş emirlerini tarar.
3. Aynı arızanın daha önce iki kez çıktığını, ikisinde de ana silindirdeki contanın aşınmış olduğunu söyler.
4. Contanın parça numarasını verir ve değişim prosedürünün yer aldığı kılavuz sayfasının bağlantısını ekler.

Presi durdurup durdurmayacağına yine teknisyen karar verir ve kilitlemeyi yine kendisi uygular. Copilot yalnızca eski evraklar arasındaki aramayı ortadan kaldırdı.

Vardiya devir özetleri ikinci hızlı kazanımdır. Sabah 6'da gelen vardiya amiri MES olaylarından, duruş kayıtlarından ve kalite blokajlarından derlenmiş tek bir sayfa alır. 9 numaralı pres yavaş bir kalıp değişiminde 40 dakika kaybetti ve 2207 numaralı parti eksik dolum nedeniyle blokajda.

Amir blokajı kontrol eder ve önce neyin çalıştırılacağına karar verir.

Üçüncü seçenek tedarikçi belge kontrolleridir. Bir bobinin hadde sertifikasında S275 yazıyorsa ve siz S355 sipariş ettiyseniz, yapay zeka bunu mal girişinden önce işaretler. Bobini kabul etmek ya da reddetmek yine kalite ekibinden birinin işidir.

İlk adayları şöyle sıralardım.

1. 01Amir sorar3. hat dün gece neden zaman kaybetti?
2. 02Semantik katmanHangi tesis, hangi hat, hangi duruş kuralı
3. 03Yönetişimli veriDuruş kaydı, MES olayları, iş emirleri
4. 04Copilot cevaplarHer rakamın kaynağıyla birlikte
5. 05Amir kontrol ederKabul eder, düzeltir ya da üst kademeye taşır

Tesis müdürünün ve yönetim kurulu raporunun üzerinde uzlaştığı bir cevap

İş değeriYüksekOrtaDüşük

• Otonom çizelgeleme

• Görüntü tabanlı kalite muayenesi

• Bakım copilot'u

• Tedarikçi belge kontrolleri

• Vardiya devir özetleri

• Genel amaçlı chatbot

DüşükOrtaYüksekVeri hazırlığı

• Sonra
• Planla
• Hemen başla

İkinci yıl asistanlardan ajanlara geçer. Bir asistan bir soruyu cevaplar. Bir ajan bir sinyali izler, sizin belirlediğiniz sınırlar içinde ne yapacağına karar verir ve sistemlerinizde işlem yapar.

Üretimde ilk geri dönüşü sağladığını gördüğüm ajanlar şunlar.

1. Kestirimci bakım. Makine okumaları arızadan önce ERP'de bir iş emri tetikler ve yedek parçalar rezerve edilir.
2. Kalite. Görüntü tabanlı muayene bir hatayı işaretler, ajan partiyi bloke eder, hatayı proses ayarlarıyla ilişkilendirir ve bir sapma kaydı açar.
3. Planlama. Bir makine durduğunda ya da bir malzeme geciktiğinde ajan çizelgeyi yeniden dengeler ve bir planlamacıdan onay ister.
4. Satın alma. Geciken teslimatların peşine düşer ve hızlandırma talebinin taslağını hazırlar.

Bir bakım ajanı, sac şekillendirme presindeki arızalanmaya başlamış bir rulmanı şöyle ele alır.

1. Ana rulmandaki titreşim iki hafta boyunca yavaş yavaş artar, sıcaklık da onu izler.
2. Ajan bu örüntüyü aynı tip preslerdeki geçmiş arızalarla karşılaştırır ve bir eşleşme bulur.
3. ERP'de bir bakım bildirimi açar, stokta yedek rulman olup olmadığını kontrol eder ve onu rezerve eder.
4. Cumartesi günkü planlı duruşta bir zaman dilimi önerir ve talebi bakım planlamacısına gönderir.

Planlamacı zaman dilimini onaylar ya da kaydırır. Ajan kendi başına bildirim açıp rezervasyon yapabilir, ama bir hattı durduramaz ve bu sınırın sahibi adı belli bir kişidir.

Şimdi planlama ajanını ele alalım. Salı öğleden sonra bir ekstrüder perşembeye kadar devre dışı kalıyor ve bir konteyner reçine limanda takılmış durumda.

Ajan açık siparişleri, teslim tarihlerini ve hangi hattın hangi ürünleri üretebildiğini kontrol eder. İki seçenek hazırlar. Üç siparişi çarşamba günü fazla mesaiyle 2. hatta kaydırmak ya da bir müşteri siparişini iki gün ertelemek.

Planlamacı birini seçer ya da önce müşteriyi arar. Bir ajanın bir müşteri tarihini sessizce değiştirmesine asla izin vermem.

İkinci yıldaki daha büyük değişim sahipliktir. Her ajanın, sınırlarının ve sonuçlarının bir sahibi olmalı. Ajanlara yeni ekip üyeleri gibi davranırım: bir görev tanımları ve düzenli bir değerlendirmeleri olur.

1. 01İzleHer preste titreşim, sıcaklık ve akım
2. 02Tespit etBir rulman okuması aralığın dışına kayar
3. 03Hazırlaİş emri taslağı hazırlanır, yedek parça rezerve edilir
4. 04OnaylaBakım planlamacısı zaman dilimini ayırır
5. 05UygulaEmir serbest bırakılır, teknisyen yönlendirilir
6. 06ÖğrenSonuç bir sonraki tahmini besler

Her ajan için belirlenmiş sınırlarla tek bir sahip

Üçüncü yıla gelindiğinde yapay zeka artık ayrı bir proje olmaktan çıkar. Planlamanın, üretimin, kalitenin, bakımın ve maliyetlendirmenin içinde yer alır.

Satış, üretim ve finansın tek bir planda uzlaştığı aylık S&OP döngüsünde bu şöyle görünür.

1. Müşteriler tahminlerini paylaşır ve ajan, sipariş geçmişine göre fazla yüksek görünenleri işaretler.
2. Tedarikçiler kapasitelerini paylaşır, böylece ajan kaplama tedarikçinizin mart ayında dolu olduğunu görür.
3. Ajan ikisine de uyan bir plan taslağı hazırlar ve onu ERP'de maliyetlendirir.
4. Toplantı bir saatini gerçek olan birkaç ödünleşime ayırır.

Planın sahibi yine insanlardır. Operasyon direktörü planı imzalar, finans da marjı kontrol eder.

Bakacağım diğer yer maliyetlendirmedir. Diyelim ki bir kalıplama makinesi standart çevrim süresinden sürekli daha yavaş çalışıyor. Ajan aradaki farkı tespit eder, maliyet etkisini hesaplar ve maliyet muhasebecisine standardın güncellenip güncellenmeyeceğini sorar.

Kararı muhasebeci verir, çünkü bir standart maliyet değişikliği stok değerlemesine ve marjlara yansır.

1. Tesis direktörüTesis hedeflerinin ve ajan portföyünün sahibi
   Yapay zeka yönetişimiHer ajan için kayıt defteri, test ve acil durdurma anahtarı
2. Üretim müdürüAjanların önerdiği çizelge değişikliklerini onaylar

• Bakım ajanıSahibi bakım müdürü
• Kalite ajanıSahibi kalite müdürü
• Planlama ajanıSahibi planlama sorumlusu
• Satın alma ajanıSahibi satın alma uzmanı

1. 04Yapay zeka ajanları ve copilot'larİnsan onay noktalarıyla bakım, kalite, planlama ve satın alma ajanları
2. 03Yönetişimli zeka katmanıTesislerin, hatların, malzemelerin ve siparişlerin semantik modeli, yanında yapay zeka kayıt defteri
3. 02Veri temeliERP, MES ve historian verisini içeren lakehouse, katalog ve köken izleme
4. 01Tesis ve kurumsal sistemlerSensörler, SCADA, historian'lar, MES ve ERP

Dört konu tek bir yıla ait değildir. Hepsinin içinden geçer.

1. OT güvenliği. OT, makineleri çalıştıran kontrolörler ve ağlar demektir. Bunları bulut yapay zekasına bağlamak saldırı yüzeyini genişletir, bu yüzden bağlantıyı IEC 62443'e göre tasarlayın ve kontrol ağlarını ayrı segmentlerde tutun. Ajan historian verisinin bir kopyasını okur ve bir PLC'ye asla yazmaz.
2. Egemenlik. Savunma, kamu ve ihracat kontrolüne tabi bazı işler ülke içinde ya da şirket içinde (on-premise) çalışan yapay zeka seçenekleri gerektirir. Bir model seçmeden önce hangi verinin tesisten çıkabileceğine karar verin. Bir savunma parçasının çizimi herkese açık bir modelin yanına hiç yaklaşmamalı olabilir, bir reçine tahmini ise büyük ihtimalle yaklaşabilir.
3. Açık, çok tedarikçili bir yığın. Açık formatlar ve OPC UA gibi standart arayüzler kullanın. OPC UA, makine verisini okumak için yaygın kullanılan bir standarttır. Böylece her şeyi yeniden kurmadan modelleri değiştirebilirsiniz.
4. Çalışanlarınız. Planlamacıları, mühendisleri ve teknisyenleri ajanlarla çalışmak üzere eğitin. Ajanın seçeneklerine güvenen bir planlamacı onları kullanır. Güvenmeyen ise planı Excel'de yeniden kurar.

En yaygın başarısızlık ölçeklenemeyen bir pilottur. Tek bir hatta, elle çekilmiş veriyle eğitilmiş bir görüntü modeli fikri kanıtlar, o kadar.

Onu ikinci tesise götürün. Kameralar farklıdır, parça numaraları uyuşmaz ve modelin bir sahibi yoktur.

İkinci başarısızlık, yapay zekayı bir BT projesi olarak görmektir. Kullanım senaryolarının sahibi üretim, kalite ve bakım yöneticileri olmazsa ajanlar inşa edilir ve sonra görmezden gelinir.

Tavsiyem süreçlerle başlamanız. Bir iş emrinin ya da kalite blokajının bugün nasıl ilerlediğini haritalayın, sonra sistemi seçin. Kimse kod yazmadan önce her kullanım senaryosuna bir iş sahibi atayın.

Nasıl ters giderNe işe yarar

1. 01Nasıl ters gider: Tek hatta, elle çekilmiş veriyle bir pilot→Ne işe yarar: Her tesis için kurulmuş bir veri temeli
2. 02Nasıl ters gider: BT inşa eder, tesis asla sahiplenmez→Ne işe yarar: Her kullanım senaryosu için bir üretim, kalite ya da bakım sahibi
3. 03Nasıl ters gider: Kodlar, birimler ve saatler her projede yeniden düzeltilir→Ne işe yarar: Ana veri bir kez, merkezi olarak düzeltilir
4. 04Nasıl ters gider: Sahibi, sınırı ve değerlendirmesi olmayan ajanlar→Ne işe yarar: Her ajanın bir sahibi, sınırları ve düzenli bir değerlendirmesi var

Bunu kendi tesislerinizde sınamak ister misiniz? Bir görüşme ayarlayın ve yanınızda bir kullanım senaryosu ile ERP ve MES yapınızın kaba bir taslağını getirin. Size gerçekte hangi aşamada olduğunuzu ve ilk olarak ne yapacağımı söyleyeyim.

Üretimde yapay zeka yol haritası nedir?

Bir üretim işletmesi genelinde yapay zeka kullanımı için aşamalı bir plandır. Tesis ve ERP verisini birleştiren bir veri temeliyle başlar. Ardından yönetişimli bir zeka katmanı, yapay zeka ajanları ve fabrikanın işleyişine yerleştirilmiş yapay zeka gelir.

Bir üretici yapay zekaya nereden başlamalı?

Veriden başlayın. ERP, MES ve makine verisini tek bir yönetişimli platformda birleştirin, ana veriyi düzeltin ve tesis müdürlerine self servis raporlama sağlayın. İlk yapay zeka kullanım senaryoları birinci yılda, bu temelin üzerine gelir.

Üretimde hangi yapay zeka kullanım senaryoları ilk geri dönüşü sağlar?

Bakım copilot'ları, vardiya devir özetleri ve tedarikçi belge kontrolleri hızla devreye alınır. Kestirimci bakım, görüntü tabanlı muayene ve çizelge dengeleme daha fazla değer sağlar ama daha iyi veri gerektirir, bu yüzden genellikle ikinci yılda gelir.

Üretimde yapay zeka yol haritası ne kadar sürer?

Veri temeli çalışması başladıktan sonra üç yıllık bir plan yaparım. Birinci yıl zeka katmanını ekler, ikinci yıl ajanları ölçeklendirir ve üçüncü yıl yapay zekayı kilit süreçlerin içine yerleştirir. Hızlı kazanımlar ilk yıl içinde değer göstermeli.

Yapay zekayı kullanmadan önce ERP'mizi ya da MES'imizi değiştirmemiz gerekir mi?

Hayır. Yapay zeka, veri temeli aracılığıyla mevcut sistemlerinizin üzerinde çalışır. Önemli olan, hangi tedarikçileri kullanırsanız kullanın ERP ve MES verinizin temiz ve birbirine bağlı olmasıdır.