데이터와 AI로 제조 문제 해결

제조는 빅 데이터와 AI를 통해 상당한 발전을 이루었지만 업계의 복잡한 문제로 인해 도입이 느려졌습니다...

분석 소프트웨어 및 솔루션 리더인 SAS는 "제조 분야에서는 비용을 절감하고 생산성을 높이는 동시에 품질을 지속적으로 개선해야 한다는 압박을 받고 있습니다."라고 말합니다. 이는 디지털 시대에도 변함없이 사실이며 기술 발전으로 인해 그 어느 때보다 더 효과적으로 문제를 해결하기 위해 공모했습니다.

얼핏 보기에도 디지털 변혁에 의해 뒤흔들 모든 산업 중에서 최근 몇 년 동안 제조업보다 더 가시적이고 극적으로 변모한 산업은 거의 없음을 알 수 있습니다. Henry Ford의 인력 집약적 생산 라인에서 점점 더 사람이 없는 현대 공장 환경으로의 이 여정은 빅 데이터의 도래로 크게 가속화되었습니다. 제조 작업, 장비 및 기계, 판매 패턴 및 수요 변동에서 정보를 수집함으로써 리더는 효율성, 생산량 및 안전성을 높이기 위한 전략을 수립할 수 있습니다. 최소한의 인력으로 운영되는 동시에 더 높은 생산성, 수익성 및 신뢰성을 제공하는 스마트 공장에 대한 인더스트리 4.0의 비전은 매우 매력적이지만 이 목표를 실현하려면 극복해야 하는 동등하게 큰 과제가 있습니다.

데이터 웨이브

2018년에 선도적인 컨설팅 및 아웃소싱 서비스 제공업체인 Capgemini는 빅 데이터를 통한 운영 개선의 가장 큰 잠재력 중 하나가 제조임을 확인했으며 지속적인 비즈니스 성공을 위해서는 빅 데이터 채택이 필수적이라고 말했습니다. Capgemini는 2018년 11월 블로그 게시물에서 "빅 데이터 분석이 더 이상 '있으면 좋은' 옵션이 아니기 때문에 기업은 플랜트 효율성을 개선하고 통찰력을 생성할 수 있는 적절한 기회를 식별해야 합니다."라고 말했습니다. "빅 데이터 분석은 경쟁 우위 기업이 점점 더 복잡해지는 환경에서 성공하는 데 필요한 정보를 제공할 것입니다."

사물 인터넷(IoT) 기반 기술과 5G의 초당 기가비트 전송 속도를 사용하는 작업을 위해 기하급수적으로 증가하는 방대한 양의 데이터는 엄청난 복잡성을 낳습니다. 조직은 광범위한 데이터 세트의 가치에 집중해야 할 뿐만 아니라 더 새롭고 관련성이 높은 데이터로 대체되기 전에 초기 가치를 실행 가능한 통찰력으로 전환해야 합니다. 종종 원시 데이터는 가치를 추출하기 위해 다른 시스템의 원격 측정과 결합되어야 하며 인간 수준의 이러한 노하우는 얻기 어렵습니다.

AI 사례

전 세계적으로 훈련된 데이터 과학자는 수요가 많고 공급이 부족합니다. 최고의 데이터 분석가가 있더라도 조직 데이터의 진정한 가치는 복잡한 분석을 수행하는 데 걸리는 오랜 시간, 즉 인적 오류 가능성 뒤에 잠겨 있습니다. , 깊이 고려된 데이터 구현 전략의 필요성. 특히 광범위한 데이터 기술 격차로 인한 즉각성과 정확성의 필요성은 또 다른 신기술인 인공 지능(AI)으로 해결될 수 있습니다.

특정 작업의 요구 사항에 맞게 조정 가능한 알고리즘 계산 ​​및 분석을 통해 보다 정확하고 빠르게 사용할 수 있는 결과를 얻을 수 있으므로 기업은 해당 데이터를 정보에 입각한 조치로 전환하여 효율성과 생산성을 향상하고 작업을 실시간 수요에 맞게 확장하며 안전성을 향상시킬 수 있습니다. 가치를 구축하는 동안 전문성 부족으로 인해 발생하는 문제. AI가 제공하는 정확성에 대한 약속 없이 상당한 노동력과 시간 할당이 필요한 예측 유지 관리를 통해 문제가 발생하기 전에 포착할 수도 있습니다.

Oliver Wight EAME의 파트너인 Debbie Heaton-Bowen은 “예측 유지 관리는 IoT, 빅 데이터 및 분석이 상당한 영향을 미치는 영역 중 하나입니다. “1990년대에 시작되었지만 첨단 기술의 도래는 특히 스마트 공장이 현실화되는 제조 부문에서 예측 유지 관리 기능이 최근 '슈퍼차지'됨을 의미합니다. 계획되지 않은 다운타임과 부실한 유지보수로 인해 기업은 수백만 달러의 비용을 지출할 수 있지만 IoT 지원 센서는 기계 점검이 필요한 시점을 감지하여 비용이 많이 드는 중단을 야기할 수 있는 더 심각한 결함이 발생하는 것을 방지할 수 있습니다. 예측 유지보수는 인간의 눈으로 놓친 오류를 식별할 뿐만 아니라 기계의 수명을 개선하고 서비스 비용을 낮추며 운영 효율성을 높여 더 나은 수익을 창출하기 위해 전적으로 데이터 기반 결정을 내립니다."

다른 곳에서 로봇은 상당한 가능성을 보여주는 업계의 또 다른 트렌드이며 AI는 제조 프로세스 전반에 배포될 때 가치 제안에 매우 중요합니다. IT 서비스 리더인 Cognizant의 제조 및 물류 CDO인 Prasad Satyavolu는 "올바르게 통합되면 이러한 로봇 장치는 사람들의 기술과 강점을 증폭시켜 작업장 효율성을 높이고 직원 경험을 개선할 수 있습니다."라고 말합니다. “충격 흡수 장치를 삽입하거나 전통적인 조립 라인에서 고기를 자르는 것에서부터 광대한 컨테이너 야드를 순찰하는 보안 요원의 눈 역할을 하는 드론에 이르기까지 이미 제조 조직 전반에 걸쳐 배치되고 있습니다. 그렇게 함으로써 새로운 유형의 자율적 동료는 인간이 더 높은 가치의 일을 맡을 수 있도록 합니다. MIT의 연구원들은 BMW에서 일하는 인간-로봇 팀이 혼자 일하는 인간이나 로봇보다 약 85% 더 생산적이라는 것을 발견했습니다.” 따라서 AI는 기술 격차를 해소하는 동시에 숙련 작업자가 더 많은 가치를 추가할 수 있는 작업에 집중할 수 있는 시간을 최대화할 수 있습니다.

AI 도입의 과제

그것이 제시하는 분명한 기회에도 불구하고 경영 컨설팅 업체인 McKinsey는 제조 산업에서 AI 도입이 현저하게 느리다고 지적합니다. McKinsey는 "AI 기술이 공급망과 관리 기능을 가시적으로 개선했지만 지금까지 생산 분야에서는 거의 존재하지 않았습니다."라고 말했습니다. AI가 이 전문 지식을 덜 반복적인 프로세스로 리디렉션할 수 있는 능력을 고려할 때 다소 아이러니합니다. 숙련된 인력에 대한 의존 자체가 업계에서 AI의 통합을 가속화하는 원인이 됩니다.

McKinsey는 "운영자 자격의 차이는 성능뿐만 아니라 수익에도 영향을 미칠 수 있으므로 지식을 보존, 개선 및 표준화하는 AI의 능력이 훨씬 더 중요합니다."라고 말합니다. "또한 AI는 복잡한 운영 설정점 결정을 스스로 내릴 수 있기 때문에 운영자 인재를 유치하고 유지하기 어려운 시장에서 예측 가능하고 일관된 결과를 안정적으로 제공할 수 있습니다."

인적 자본에 대한 이러한 의존과 함께 많은 공장이 인터넷보다 앞선 레거시 기계에 의존하고 있으며 지난 20년 동안 도입된 공장은 오늘날의 데이터 수집 기술과 호환되도록 약간의 수정이 필요합니다. 한편, 가장 영향력 있는 데이터 세트를 소싱하는 문제, 데이터를 해석하고 결과를 구현하는 최선의 방법은 회사뿐만 아니라 부서 및 팀마다 다릅니다.

리서치 회사인 NelsonHall은 MES(Manufacturing Execution Systems)의 채택이 이러한 복잡성을 더욱 증가시킨다고 지적합니다. MES는 기업이 수년 동안 운영을 디지털화하고 데이터에 더 쉽게 액세스할 수 있도록 해왔지만, 각 시설의 자체 MES를 심층적으로 맞춤화한다는 것은 무수한 소스의 데이터를 대조하고 분석하는 분석 소프트웨어와 같은 다른 기술과의 호환성 및 통합을 의미합니다. 상당한 도전. NelsonHall은 "MES가 가져오는 어려움은 맞춤화 수준을 감안할 때 업그레이드가 어렵고 비용이 많이 든다는 것입니다."라고 말합니다. “또한 MES는 플랜트 생산을 관리하므로 중요한 시스템이므로 엄격한 개발 및 구현, 테스트 및 롤아웃이 필요합니다. 다시 말해, 메인프레임 애플리케이션과 비교할 수 있습니다. 실행 중인 한 아무도 너무 깊게 만지고 싶어하지 않습니다." 따라서 이 문제를 우회하는 것은 Dassault, Siemens, PTC 등에서 제공하는 것과 같은 보완 시스템을 추가하여 수행되는 경우가 많으며, 많은 운영자가 유연성과 민첩성을 높이기 위해 기술 인프라를 간소화하고 축소하려고 하는 곳에서 복잡성을 추가합니다. .

도전 히드라 대처

분명히 제조 데이터 세트를 성공적으로 활용하는 데 따르는 어려움은 막대합니다. 전략, 원격 측정, 통합, 전문 지식 및 레거시 인프라는 각각 인더스트리 4.0으로의 원활한 전환을 촉진하기 위해 해결되어야 합니다. 슬프게도 AI만으로는 제조를 인더스트리 4.0으로 이끌 데이터 기반 기술을 성공적으로 구현하는 문제를 해결할 수 없습니다. 산업용 IoT, 로봇 공학, 디지털 트윈 및 예측 유지 관리는 모두 빅 데이터와 AI에 의해 가능해진 강력한 제조 현대화 도구로 빠르게 주목을 받았지만 그들의 조상과 마찬가지로 진정한 성공을 위해서는 상당한 전략적 고려가 필요합니다. 사람의 손길과 운영상의 조정이 핵심입니다.

“성공적인 데이터 기반 혁신 전략은 조직 문화, 고객, 직원 및 기술을 포함한 다양한 요소에 대한 포괄적인 관점을 고려해야 합니다. 이것은 고립된 이니셔티브를 통해 달성할 수 없으며 대신 집중적인 집중, 중장기 계획, 후원 및 비즈니스 리더의 직접 투자가 필요합니다. “제조업체는 현재 디지털 성숙도 수준을 평가하고, 비즈니스 및 기술 과제를 이해하고, 이 디지털 패러다임에서 성공하기 위한 로드맵을 명확하게 구상해야 합니다. 이는 확장 가능하고 지속 가능한 성장을 지원하고 명확한 이정표를 통해 조직 내 데이터 기능을 구축할 수 있는 기반을 개발하기 위해 노력하는 반복적인 접근 방식이어야 합니다.”

외부의 도움은 거대한 액셀러레이터이며 SAS, McKinsey, Capgemini 등 몇몇은 스마트한 미래로 도약하고자 하는 기업과 제조 강국의 기술 및 전략적 격차를 해소하기 위해 많은 일을 했습니다. 결국, 오늘날의 기술 생태계는 아웃소싱에 대한 더 큰 초점과 날이 갈수록 세분화되는 기술 공간에서 외부 전문 지식이 종종 우월하다는 지식에 기반을 두고 있습니다. 제조는 매우 복잡하고 한 가지 규모로 모든 것을 충족시킬 수는 없지만 데이터 및 AI 공간 전반에 걸쳐 리더의 전문성을 활용하면 제기된 문제를 극복하고 인더스트리 4.0의 엄청난 잠재력을 실현할 수 있습니다.