제조업체가 AI와 빅 데이터를 채택해야 하는 이유는 무엇입니까?

Manufacturing Global은 EY, Infor 및 GE Digital의 경영진과 이 질문의 핵심을 설명합니다.

지난 10년 동안 제조 산업을 디지털 방식으로 전환하려는 움직임이 대화의 주제였지만 최근 사건으로 인해 스마트 제조 기능인 Industry 4.0이 제공할 수 있는 민첩성, 확장성 및 탄력성에 대한 필요성이 높아졌습니다. GE Digital의 수석 디지털 제품 관리자인 Cobus Van Heerden, EY(UKI Consulting)의 파트너 Mark Powell, Infor Manufacturing Global 의 솔루션 컨설팅 EMEA 부사장 Phil Lewis와의 인터뷰 AI 및 빅 데이터를 활용하는 기술이 제조업체가 실시간 운영 가시성을 확보하여 프로세스 안정성과 성능을 개선하는 데 어떻게 도움이 되는지 살펴봅니다.

제조 산업에서 인공 지능(AI) 및 빅 데이터의 현재 응용 프로그램은 무엇입니까?

CVH: 산업용 AI는 표적 AI 기술, 데이터, 물리학 및 심층적인 도메인 지식의 조합을 사용하여 주요 산업 비즈니스 과제를 해결합니다. 전통적인 AI는 인간의 지능을 모방하는 반면, 산업용 AI는 이를 기반으로 하여 위험이 크고 역동적이며 가변적인 산업 환경에서 통찰력을 확보하고 인과적 지식을 결정합니다. 제조 분야에서 산업용 AI는 주요 프로세스 및 자산 문제를 감지하고 예측하여 기업이 용량, 품질 및 비용 구조를 포함한 운영을 최적화하는 데 도움이 될 수 있습니다.

PL: AI 또는 빅 데이터에 대한 교과서의 정의는 산업이 다르고 기술에 대한 요구 사항이 크게 다를 것이라는 점을 놓치고 있습니다. 기업이 겪을 수 있는 특정 문제에 주어진 기술을 적용하는 것입니다. 이 문제는 '산업 표준'이거나 기술 구성에서 발생하는 문제일 수 있습니다. 그러나 빅 데이터 및 AI와 같은 도구를 비즈니스의 중요한 10%에 적용하는 데 가장 큰 가치가 있습니다. 우리는 이것을 60/30/10 분할로 분류하며 이것이 최대 가치를 창출하기 위해 이러한 기술을 적용하는 방법입니다.

인더스트리 4.0, 스마트 제조 기능을 도입하려는 제조업체가 AI와 빅 데이터를 사용하여 그렇게 해야 하는 이유는 무엇입니까?

CVH: 스마트 제조는 산업 고급 분석을 배포하여 실시간 및 과거 데이터를 사용하고 폐쇄 루프에서 최적화하여 미래 자산 및 프로세스 성능을 예측합니다. 여기에는 AI 및 머신 러닝을 사용하여 프로세스 엔지니어가 산업 데이터 소스 전반에 걸쳐 데이터를 결합하고 문제를 신속하게 식별하고, 공장 문제의 근본 원인을 발견하고, 자산의 미래 성능을 예측하고, 품질 개선을 위해 직원이 취할 수 있는 조치를 자동화할 수 있도록 하는 것이 포함됩니다. , 생산성 및 운영.

MP: 디지털화로 인해 제조업체는 공급망을 재고해야 합니다. 예를 들어, 대부분의 회사는 내부 데이터를 사용하여 수요-공급 균형을 추적하며 공급망에 영향을 미치는 외부 이벤트를 예측하는 것이 어렵습니다. 제조업체는 소셜 미디어 및 기타 이벤트 데이터와 같은 구조화되지 않은 외부 데이터 세트를 이해하는 AI 기술을 사용하여 공급망 중단을 훨씬 더 빨리 계획할 수 있습니다.

또한 제조업체는 AI 및 빅 데이터를 사용하여 제조 작업의 디지털 복제본을 구축하고 생산 주기 시간 단축, 제조 용량 추가 및 계획되지 않은 유지 관리 활동 예측 등의 혁신적인 가능성을 활용할 수 있습니다.

PL: AI 및 빅 데이터에 대한 포스터 하위 통계 중 일부는 단순히 주의를 요합니다. 최근 Siemens는 독일에 있는 공장 중 하나를 자동화했으며 프로세스의 75%가 디지털화되었거나 자동화가 증가했습니다. 생산성이 1,400% 향상되었습니다. 이는 모든 비즈니스의 판도를 바꾸고 있습니다. 이는 많은 제조업체가 현재 AI와 빅 데이터를 미래 계획에 어떻게 연결하는지 살펴보고 있음을 의미합니다.

제조업체가 운영에서 AI와 빅 데이터의 가치를 실현하기 위해 노력하는 최선의 전략은 무엇입니까?

CVH: 프로세스 엔지니어는 프로세스 모델 또는 프로세스 디지털 트윈을 구성하고 모델을 해석할 수 있는 탁월한 도메인 전문 지식을 보유하고 있습니다. 이는 분석을 통해 경쟁 우위와 성공을 개선하기 위한 토대입니다. 분석을 주도하고 프로세스를 개선하기 위해 제조업체는 도메인 전문 지식을 5가지 기능에 맞출 수 있는 전략을 마련해야 합니다. 분석 - 자동 근본 원인 식별은 지속적인 개선을 가속화합니다. 모니터링 – 조기 경고는 가동 중지 시간과 낭비를 줄입니다. 예측 – 사전 조치는 품질, 안정성 및 신뢰성을 향상시킵니다. 시뮬레이션 – 가상 시뮬레이션은 저렴한 비용으로 정확한 결정을 가속화합니다. 최적화 – 최적의 프로세스 설정점은 수용 가능한 품질의 처리량을 최대 10%까지 향상시킵니다.

모든 프로세스 엔지니어는 경쟁력을 유지하기 위해 분석 및 기계 학습 기능을 개발할 수 있고 개발해야 합니다. 시간이 지남에 따라 엔지니어는 분석을 심층적으로 적용하여 소규모 프로젝트에서 파일럿, 다중 공장 최적화로 전환할 수 있습니다. 그들의 깊은 도메인 전문 지식은 매우 특정한 애플리케이션에서 게임 체인저인 분석을 모델링하고 분석을 개발하기 위한 기반을 제공합니다.

가장 중요한 것은 분석을 시작하는 것입니다. 일부 프로젝트를 "시도"합니다. 직관적인 아이디어를 테스트하고 데이터와 분석을 바탕으로 합니다. 데이터 과학 전문가가 되기 위해 기다리지 마십시오. 그것은 필요하지 않습니다. 도메인 전문성을 바탕으로 입증된 사용하기 쉬운 산업용 분석 도구를 활용하십시오. 이를 통해 빠르게 개선할 수 있습니다.

PL: 제조업체를 포함한 기업은 고객, 공급망, 내부 효율성 또는 사람에 중점을 두고 디지털 프로젝트를 평가하는 경향이 있습니다. 이는 디지털로의 진출을 위한 4가지 주요 동인입니다. 이것들은 종종 유기적이며 지속적인 '어떻게 하면 더 잘할 수 있을까'라는 태도에서 비롯됩니다. 기업들이 이제 경쟁에서 뒤처지고 파괴적인 진입자를 두려워하기 때문에 경쟁에 대한 우려로 인해 이러한 현상이 가속화되었습니다. 디지털 관련성에 대한 명백한 두려움이 있으며 이는 많은 투자를 촉진하고 있습니다.

그러나 많은 제조업체가 이미 기술에 막대한 투자를 했기 때문에(COVID가 디지털화로 이동하기 전에도) 첫 번째 정의는 AI와 빅 데이터를 기존 기술에 맞추는 것입니다. 기업이 현재 사용 중인 기술을 평가할 때 기술이 현재 프로세스를 처리할 뿐만 아니라 미래를 위한 플랫폼을 제공할 것인지에 대한 단기적인 관점을 염두에 두어야 합니다. 이 후자의 관점은 데이터를 기반으로 합니다. 두 요소 모두 똑같이 중요하지만 두 번째 '플랫폼 관점'은 빅 데이터를 요구합니다. 진행 중인 프로세스를 지원/조정하는 플랫폼을 선택하는 것만으로는 더 이상 충분하지 않습니다. 내장된 미래 기능이 있어야 합니다.

그런 다음 이 기술이 가능한 최선의 방식으로 배포되도록 해야 합니다. 이를 위해서는 복잡한 통합 및 볼트온 프로세스를 거치지 않고도 기업이 빅 데이터 또는 AI와 같은 새로운 기회를 포착할 수 있도록 개방형 클라우드 기반 애플리케이션 환경이 필요합니다. 이를 통해 새로운 수익 기회를 식별하는 것과 같이 비즈니스 요구 사항에 기술을 창의적으로 적용하는 데 중점을 두고 조직의 민첩성을 높일 수 있습니다.

AI 및 빅 데이터 분석을 제조 운영에 도입할 때 어떤 어려움이 있습니까?

CVH: 제조업체는 고객 요구를 충족하면서 낭비, 비용 및 위험을 줄이는 문제에 직면해 있습니다. AI와 데이터의 결합은 사람, 자산, 프로세스가 효율적으로 협력할 수 있도록 맥락에 맞는 데이터를 작업자에게 부여하는 분석 기반 솔루션을 통해 디지털화를 가속화합니다.

기업의 또 다른 도전은 이제 막 시작되었습니다. 그들은 운영에서 분석을 사용하는 방법에 대해 더 배우고 싶지만 현재 인력을 위한 직업으로 여기지 않습니다. 다행히도 산업용 AI 솔루션은 프로세스 엔지니어에게 데이터 과학자가 필요하지 않고 도움이 될 수 있습니다.

MP: AI 채택의 핵심 과제는 AI가 영향을 미칠 일부 고부가가치 영역에서 조직 전반에 걸쳐 조정을 구축할 수 있는 제조업체의 능력에 달려 있습니다. 예를 들어, 기계 학습과 컴퓨터 비전을 사용하여 장비의 결함이 발생하기 전에 예측하고 식별하여 생산 중단 시간을 줄이고 유지 관리 비용을 줄입니다. 또 다른 과제는 테스트 및 학습 문화를 통해 AI를 프로세스에 주입하는 문화를 구축하는 것입니다.

너무 오랫동안 조직은 '데이터 기반'이 되는 것에 대해 이야기해 왔지만 일반적으로 기대한 만큼 효과가 없었습니다. 제조업체는 새로운 통찰력에서 가치를 이끌어낼 수 있는 위치를 이해하는 것으로 시작하여 비즈니스 가치를 창출할 수 있는 통찰력을 이끌어내는 데 필요한 데이터에 집중하는 다른 접근 방식을 취해야 합니다. 조직은 단순히 '데이터 중심'이 아니라 '통찰 중심 및 데이터 지원'이 되어야 합니다. 그래야만 AI와 빅 데이터의 힘을 실제로 활용할 수 있습니다.

PL: 데이터에 대한 태도가 어떻게 바뀌었는가에 관한 것입니다. 과거에는 필요악으로 여겨졌으나 지금은 기업의 자산 1위입니다. 일반적으로 이는 빅 데이터 레이블에 대한 집착을 불러일으키지만 중요한 것은 데이터로 무엇을 하느냐입니다. AI/BI/IoT 등을 사용하여 해당 데이터를 진정으로 가치 있는 자산으로 전환합니다. 자동차 산업은 자동차에서 생산된 데이터를 사용하고 판매하는 대표적인 예입니다. 흥미롭게도 우리는 이제 거의 '클라우드'를 당연하게 여깁니다. 24개월 전에 이 질문에 답했다면 클라우드가 첫 번째 고려 사항이 되었을 것이지만 이제는 테이블 스테이크입니다. 더 이상 비즈니스가 클라우드로 전환되는지가 아니라 어떤 유형의 클라우드/클라우드 사용이 더 중요합니까? – 우리는 인프라에 대한 논의를 넘어 어떻게, 무엇을, 그리고 기업이 디지털을 수용하려는 이유에 대해 논의했습니다.

인공 지능(AI)과 빅 데이터가 4차 산업 혁명(Industry 4.0)을 주도하고 있습니까?

CVH:  산업용 AI와 데이터의 결합은 사용 가능한 센서 및 생산 데이터에서 통찰력을 마이닝하여 제조업체가 연속, 개별 또는 배치 제조 공정 성능 문제를 신속하게 해결할 수 있도록 도와주는 Process Digital Twin이라고 부르는 것을 생성합니다. 예측 분석을 활용하는 이 기술을 통해 사용자는 운영 시나리오를 분석하여 운영 변경이 주요 성능 지표에 미칠 영향을 규정하고 성능 변동의 원인을 식별할 수 있습니다. Digital Twins는 과거 데이터와 실시간을 되돌아보고 빠르게 전진함으로써 업계 미래의 핵심 목표인 지속적인 개선을 고무합니다.

PL:  AI/ML 사용이 매일 증가하고 있습니다. 재고 최적화, 유지 관리, 더 빠른 재무 프로세스는 모두 여러 번 발생하는 핵심 영역입니다. 이것이 계속되고 투자 수익이 지속되기 위해서는 AI가 연결되어 다른 시스템과 함께 사용할 준비가 되어 있어야 합니다. 그렇지 않으면 기업이 막대한 비용이 드는 통합 프로젝트에 직면하게 됩니다. 다음 특정 기술의 관점에서, 그것은 개별 회사 또는 프로젝트의 성숙도에 달려 있습니다. 기업은 디지털 프로젝트의 무리가 아니라 디지털 패브릭의 지점에 도달했을 뿐입니다. AI에 의해 주도되고 대량의 센서 데이터를 기반으로 하는 처방적 작업은 B2B/산업 시장에 엄청난 가능성을 갖고 있으며 자산 유지 관리 및 현장 서비스에서 매우 고무적인 초기 촬영을 볼 수 있습니다.