중소 제조업체는 인공 지능으로 린(Lean)을 얻습니다

인공 지능은 널리 알려진 인더스트리 4.0의 중요한 측면으로 널리 알려져 있습니다. 인공 지능이 산업 혁명의 다음 단계에 어떻게 통합될지는 아직 아무도 모르지만 대부분은 인공 지능이 사람, 기계, 정보 기술 간의 더 큰 연결을 허용하여 제조업체가 프로세스를 더 잘 최적화하고 문제를 예측할 수 있도록 한다는 데 동의합니다.

일반적으로 신흥 기술을 테스트할 시간이나 자본이 없는 중소기업(SMM)은 인공 지능이 조직에 어떤 영향을 미칠 수 있는지 평가하고 인더스트리 4.0을 준비하는 역할을 해야 합니다. ?

말하자면 제조 부문의 결정을 기다리는 것은 선택 사항이 아닙니다. 1년, 2년 또는 5년의 지연으로 인해 제조업체가 뒤처질 수 있습니다. 행동해야 할 시기는 바로 지금이지만 앞으로 나아갈 방향은 명확하지 않습니다.

이 문제를 해결하는 한 가지 방법은 많은 SMM이 이미 수용한 지속적인 변화인 린 제조를 통해 인공 지능을 평가하는 것입니다.

인공 지능을 통한 지속적인 개선의 "지속적" 구현

린 철학의 핵심은 지속적인 개선이라는 아이디어입니다. 지속적인 변화에 대한 약속입니다. 린을 하기 위해서는 개선의 여지가 발견되면 신속하게 시행할 수 있도록 항상 변화 의지를 유지해야 합니다.

린 개선은 개입을 통해 진행됩니다. 프로세스에서 문제가 식별되면 작업이 중지됩니다. 팀원들은 관찰하고, 결론을 내리고, 판단을 내리고, 결국 문제의 원인을 해결하기 위한 조치를 취하기 위해 호출됩니다. 이 간헐적 작동은 린이 작동하는 방식입니다. 중지-시작 리듬이 지속적인 개선이라는 아이디어와 근본적으로 상반되는 것처럼 보입니다. 현재로서는 가능하지만 최소한 인간적으로는 가능합니다.

이제 린 작업을 수행하기 위해 작업을 중단할 필요가 없다면 어떻게 될까요? 작업이 진행되는 동안 기본적인 린 프로세스(관찰, 결론 도출, 판단, 조치)의 대부분을 수행하여 린 프로세스를 보다 연속적으로 만들 수 있다면 어떨까요? 이것은 모든 규모의 제조 작업을 위한 인공 지능의 주요 약속 중 하나입니다.

인공 지능으로 린 운영을 시작할 수 있는 곳

인공 지능은 데이터 세트에서 학습할 수 있는 알고리즘부터 공상 과학 소설에 나오는 것과 유사한 로봇에 이르기까지 다양한 기술을 포함하는 광대한 분야입니다.

소규모 제조업체에 관한 한, 이들이 주로 관심을 가져야 하는 인공 지능 유형은 기계 학습이라는 하위 분야입니다. Amit Manghani는 "A Primer on Machine Learning"에서 다음과 같이 정의합니다.

Manghani는 계속해서 4가지 유형의 기계 학습에 대해 설명하며, 모두 린 제조에 적용할 수 있습니다. 그러나 이는 소규모 제조업체가 컴퓨팅 분석에 필요한 데이터를 사용할 수 있도록 하기 위해 컴퓨팅 성능에 기꺼이 투자한다고 가정합니다.

<올>

지도 머신 러닝

비지도 머신 러닝

반 지도 머신 러닝

강화 머신 러닝

아래에서 머신 러닝을 린 제조에 적용할 수 있는 4가지 기회를 각각 살펴보겠습니다.

1. 지도 머신 러닝

지도 머신 러닝에서 알고리즘은 수신 데이터를 구문 분석하여 사전 정의된 기준을 충족하는 모든 데이터에 레이블을 할당합니다. 린 제조업체는 이러한 기술을 사용하여 복잡한 부품에 대한 품질 관리를 자동화할 수 있습니다. 예를 들어 관련 부품 데이터를 기록하고 알고리즘에 사용할 수 있다고 가정할 수 있습니다.

2. 비지도 머신 러닝

비지도 머신 러닝에서는 알고리즘이 데이터를 정렬하는 데 사용할 수 있는 미리 정해진 답변이 없습니다. 오히려 알고리즘은 데이터가 축적될 때 데이터를 관찰하고 평가하여 패턴을 식별하고 새로운 레이블을 생성해야 합니다. 이러한 유형의 기계 학습은 린 제조업체에서 비정상적인 동작에 대해 생산 기계 또는 일련의 네트워크 기계를 모니터링하여 오작동을 예측하는 데 사용할 수 있습니다.

3. 반 지도 머신 러닝

이름에서 알 수 있듯이 반 지도 머신 러닝은 지도 및 비지도 접근 방식을 혼합합니다. 반 감독 시나리오에는 데이터에 대한 일부 기존 레이블이 있습니다. 시간이 지남에 따라 인간 감독의 도움을 받아 알고리즘에 의해 다른 기준도 개발됩니다. 반 감독 시나리오는 반복적인 부품 생산을 최적화하여 잠재적으로 부품 및 공정 낭비를 모두 제거하는 데 유용할 수 있습니다.

4. 강화 기계 학습

강화 시나리오에서 알고리즘은 가능한 일련의 행동 중 어떤 행동이 가장 높은 보상을 가져올지 예측합니다. 린 변환 프로세스에 참여하는 SMM은 이러한 유형의 기계 학습을 사용하여 그들이 구상하는 프로세스 지향적 변화를 향한 다양한 경로를 평가할 수 있습니다.

기계 학습이 린 제조를 보완할 수 있음

기계 학습에 초점을 맞추면 규모에 관계없이 대부분의 제조업체에서 유용하고 액세스할 수 있는 인공 지능 애플리케이션이 어떻게 존재하는지 알 수 있습니다. 어떤 경우에는 이미 설치된 기계 센서, 기존 정보 기술(IT) 및 운영 기술(OT) 인프라에서 수집한 데이터의 형태로 퍼즐 조각을 이미 사용할 수 있습니다.

SMM이 인공 지능을 위한 응용 프로그램을 고려하기 시작하면서 이러한 시나리오 중 어느 것도 인간의 일자리 가용성을 자동으로 위협하지 않는다는 것을 기억하는 것이 중요합니다. 오히려 이러한 아이디어는 직원들이 실시간 정보에 액세스할 수 있고 현장 문제 해결 및 실행을 위한 더 나은 도구를 제공함으로써 직원에게 권한을 부여하는 린 프로세스를 보완하는 방식으로 추구될 수 있습니다.

유용한 비유는 인간 운전자의 인식과 인식을 보완하는 현재의 자동차 센서 기술입니다. 이 기술은 안전성을 향상시킬 뿐만 아니라 도로 위의 모든 사람의 행동을 정렬하여 전체 주행 시스템의 마찰을 줄이는 데 도움이 됩니다. 이러한 방식으로 자동차 안전 기술은 운전 방정식에서 누구도 배제하지 않고 운전을 보다 안전하고 효율적인 경험으로 만듭니다.

우리가 이러한 관점을 취한다면 인공 지능은 매우 강력할 가능성이 있기는 하지만 린 도구 상자의 또 다른 도구로 볼 수 있습니다.