Na osmih kovinskih delih izmerijo premer luknje. Pri štirih meritev pokaže, da je luknja preširoka. Ker so na stroju malo pred tem zamenjali rezalno orodje, je prva razlaga na dlani. Morda so pri menjavi napačno nastavili stroj. Ko pa Claude pregleda zapiske zaposlenih in rezultate meritev, opozori na podrobnost, ki bi lahko spremenila potek preiskave. Kako zanesljivo je merilo, s katerim so pregledali vseh osem kosov?
S tem primerom ameriško tehnološko podjetje Anthropic ponazarja, kako lahko njegov pomočnik Claude sodeluje pri nadzoru kakovosti v proizvodnji. V dokumentaciji manjkata dva podatka. Prvi je natančna nastavitev stroja po menjavi orodja, drugi pa potrdilo o točnosti merila. Claude zato predlaga preprost prvi korak. Ekipa naj merilo preizkusi na predmetu, katerega mere natančno pozna, nato pa ponovno izmeri istih osem kosov. Tako se lahko izogne posegu v stroj, če se izkaže, da je težava v merjenju.
V poročilu iz prejšnjega meseca Claude najde še en podatek. Na enakem kovinskem delu so že takrat odkrili podobno odstopanje. Zaposleni so popravili nastavitev stroja in opravili dodatno usposabljanje, iz poročila pa ni razvidno, ali je kdo pozneje preveril, kako dobro je ukrep deloval. Vodja kakovosti lahko tako ob današnjih meritvah preveri tudi, kaj se je zgodilo po prvem popravku.
Takšno situacijo poznajo tudi ljudje zunaj proizvodnje. Ko se težava ponovi, nekdo v ekipi običajno vpraša: »Kako smo to rešili zadnjič?« Odgovor je včasih razpršen med starim poročilom, preglednico in zapiskom sodelavca iz prejšnje izmene. Pomočnik lahko te zapise poveže in ob vsaki ugotovitvi pokaže, od kod izvira. Za ekipo, ki se danes odloča, kako ukrepati, je lahko prav ta podatek dragocenejši od še enega predloga, kaj vse bi utegnilo biti narobe.
V tem je ena bolj oprijemljivih možnosti uporabe umetne inteligence v proizvodnih podjetjih. Del odgovora je v zapisku prejšnje izmene, drugi v tehničnem načrtu, tretji v poročilu izpred meseca dni. Claude jih lahko poišče, poveže in pokaže, od kod prihaja posamezen podatek. Ljudje, ki poznajo stroj in so ob njem, pa presodijo, kaj je vredno preveriti. Na podoben način lahko pomočnik vodji izmene pripravi jutranji pregled dogajanja ali komercialistu pomaga sestaviti ponudbo za novo naročil
PANEL »AI za vodenje proizvodnje«
Kje bi takšna pomoč najbolj koristila slovenskim podjetjem? In če bi vodstvo in zaposlene v proizvodnji ločeno vprašali, pri katerem opravilu vsak teden izgubijo največ časa, bi dobili enak odgovor? O tem bomo govorili na okrogli mizi »AI za vodenje proizvodnje«, ki bo v četrtek, 19. novembra, od 17. do 19. ure v Cankarjevem domu v Ljubljani, v okviru Slovenskega festivala vin.
Pogovor bo vodil Peter Korenčan iz podjetja Korenčan in družabniki, sodelovali pa bodo Kaja Kovič, direktorica Zavoda AI-D, Greg Evseev iz podjetja Prosecco 37 in Jaka Leban iz podjetja Industry Dynamics. Razpravljali bodo o tem, kako izbrati prvi proces, pri katerem je smiselno preizkusiti umetno inteligenco, koga vključiti že na začetku in kako po prvih 90 dneh ugotoviti, ali je ekipi res olajšala delo.

*Vir naslovne ilustracije je Black Scarab.