Menangani tantangan manufaktur dengan data dan AI
Manufaktur akan membuat kemajuan besar melalui Big Data dan AI, tetapi tantangan kompleks industri telah memperlambat penyerapan...
“Di bidang manufaktur, Anda berada di bawah tekanan untuk terus meningkatkan kualitas sekaligus mengurangi biaya dan meningkatkan produktivitas,” kata pemimpin perangkat lunak dan solusi analitik SAS. Hal ini tetap berlaku seperti biasa di era digital, dan kemajuan teknologi telah berkonspirasi untuk mengatasi tantangan dengan lebih efektif daripada sebelumnya.
Bahkan pandangan sepintas memperjelas bahwa, dari semua industri yang akan terguncang oleh transformasi digital, hanya sedikit yang telah diubah secara lebih nyata dan dramatis dalam beberapa tahun terakhir daripada manufaktur. Perjalanan ini, dari lini produksi intensif tenaga kerja Henry Ford ke lingkungan pabrik modern yang semakin bebas manusia, telah sangat dipercepat dengan munculnya Big Data. Mengumpulkan informasi dari operasi manufaktur, peralatan dan mesin, pola penjualan dan fluktuasi permintaan memungkinkan para pemimpin untuk menyusun strategi untuk efisiensi, output, dan keamanan yang lebih besar. Visi Industri 4.0 tentang pabrik pintar yang berjalan dengan input manusia minimal sambil menghasilkan produktivitas, profitabilitas, dan keandalan yang lebih tinggi sangat menarik, tetapi mewujudkan tujuan ini membawa tantangan yang sama besarnya yang harus diatasi.
Gelombang data
Kembali pada tahun 2018, penyedia layanan konsultasi dan outsourcing terkemuka Capgemini mengidentifikasi manufaktur sebagai salah satu yang memiliki potensi paling besar untuk peningkatan operasional melalui Big Data, dengan mengatakan bahwa penerapannya sangat penting untuk kesuksesan bisnis yang berkelanjutan. “Dengan analitik Big Data tidak lagi menjadi opsi 'baik untuk dimiliki', perusahaan harus mengidentifikasi peluang yang tepat untuk meningkatkan efisiensi pabrik dan menghasilkan wawasan," kata Capgemini dalam posting blog November 2018. “Analisis data besar kemudian akan memberikan keunggulan kompetitif yang dibutuhkan perusahaan untuk berhasil dalam lingkungan yang semakin kompleks.”
Dengan volume data yang sangat besar - massa yang meningkat secara eksponensial untuk operasi yang memanfaatkan teknologi bertenaga Internet of Things (IoT) dan kecepatan transfer gigabit per detik dari 5G - muncul kompleksitas yang luar biasa. Organisasi tidak hanya harus membidik nilai kumpulan data yang luas, tetapi mereka juga harus mengubah nilai yang baru lahir itu menjadi wawasan yang dapat ditindaklanjuti sebelum digantikan oleh data yang lebih baru dan lebih relevan. Seringkali, data mentah harus dikawinkan dengan telemetri sistem lain agar nilainya dapat diekstraksi, dan pengetahuan ini pada tingkat manusia sulit didapat.
Kasus untuk AI
Di seluruh dunia, ilmuwan data terlatih memiliki permintaan tinggi dan pasokan terbatas, dan bahkan dengan armada analis data top, nilai sebenarnya dari data organisasi terkunci di belakang waktu yang lama untuk melakukan analisis rumit, kemungkinan kesalahan manusia. , dan kebutuhan akan strategi implementasi data yang dipertimbangkan secara mendalam. Kebutuhan akan kecepatan dan akurasi, terutama dengan kesenjangan keterampilan data yang meluas, dapat dijawab oleh teknologi baru lainnya:kecerdasan buatan (AI).
Perhitungan dan analisis algoritmiknya yang dapat disesuaikan dengan kebutuhan operasi tertentu menghasilkan hasil yang lebih akurat dan tersedia dengan cepat, memungkinkan perusahaan mengubah data tersebut menjadi tindakan yang tepat guna meningkatkan efisiensi dan produktivitas, menskalakan operasi sesuai permintaan waktu nyata dan meningkatkan keselamatan, mencabut masalah yang ditimbulkan oleh kekurangan keahlian saat membangun nilai. Ia bahkan dapat mengatasi masalah sebelum muncul melalui pemeliharaan prediktif, sesuatu yang akan membutuhkan tenaga kerja yang cukup besar dan alokasi waktu tanpa janji akurasi yang disediakan AI.
“Pemeliharaan prediktif adalah salah satu area di mana IoT, Big Data, dan analitik membuat dampak yang signifikan,” kata Debbie Heaton-Bowen, Partner di Oliver Wight EAME. “Meskipun berasal dari tahun 1990-an, munculnya teknologi canggih berarti bahwa kemampuan pemeliharaan prediktif baru-baru ini telah 'ditingkatkan', terutama di sektor manufaktur dengan pabrik pintar menjadi kenyataan. Waktu henti yang tidak direncanakan dan pemeliharaan yang buruk dapat merugikan perusahaan, tetapi sensor yang diaktifkan IoT dapat mendeteksi saat mesin memerlukan pemeriksaan, mencegah perkembangan kesalahan yang lebih serius yang akan menyebabkan gangguan yang mahal. Pemeliharaan prediktif tidak hanya mengidentifikasi kesalahan yang tidak terlihat oleh mata manusia, tetapi juga membuat keputusan berdasarkan data semata untuk meningkatkan masa pakai alat berat, menurunkan biaya servis, dan meningkatkan efisiensi operasional untuk keuntungan yang lebih sehat.”
Di tempat lain, robotika adalah tren lain dalam industri yang menunjukkan harapan besar, dan AI sangat penting untuk proposisi nilai mereka saat digunakan di seluruh proses manufaktur. “Bila terintegrasi dengan benar, unit robot ini dapat memperkuat keterampilan dan kekuatan orang untuk meningkatkan efisiensi tempat kerja dan meningkatkan pengalaman karyawan,” kata Prasad Satyavolu, CDO Manufaktur dan Logistik di pemimpin layanan TI Cognizant. “Mereka sudah dikerahkan di seluruh organisasi manufaktur, dari memasukkan peredam kejut atau memotong daging di jalur perakitan tradisional, hingga drone yang bertindak sebagai mata petugas keamanan yang berpatroli di halaman kontainer yang luas. Dengan melakukan itu, generasi baru rekan kerja otonom membebaskan manusia untuk melakukan pekerjaan yang bernilai lebih tinggi. Para peneliti di MIT menemukan bahwa tim robot manusia yang bekerja untuk BMW sekitar 85% lebih produktif daripada manusia atau robot yang bekerja sendiri.” Dengan demikian, AI dapat secara bersamaan menjembatani kesenjangan keterampilan dan memaksimalkan waktu yang tersedia bagi pekerja terampil untuk fokus pada tugas yang dapat menambah nilai lebih.
Tantangan penyerapan AI
Terlepas dari peluang jelas yang dihadirkannya, konsultan manajemen McKinsey mencatat bahwa penyerapan AI sangat lambat di industri manufaktur. “Sementara teknologi AI telah membuat peningkatan nyata pada rantai pasokan dan fungsi administratif, mereka sejauh ini hanya memiliki sedikit kehadiran dalam produksi,” kata McKinsey, mencatat bahwa adopsi yang lambat ini sebagian dipicu oleh ketergantungan yang besar pada keahlian dan tenaga kerja yang berpengetahuan, yang agak ironis mengingat kapasitas AI untuk mengarahkan keahlian ini ke proses yang tidak terlalu berulang. Ketergantungan pada tenaga kerja terampil itu sendiri menyebabkan percepatan integrasi AI di industri.
“Karena variasi dalam kualifikasi operator dapat memengaruhi tidak hanya kinerja tetapi juga keuntungan, kemampuan AI untuk mempertahankan, meningkatkan, dan menstandarisasi pengetahuan menjadi lebih penting,” kata McKinsey. “Selain itu, karena dapat membuat keputusan set-point operasional yang kompleks dengan sendirinya, AI mampu memberikan hasil yang konsisten dan dapat diprediksi secara andal di pasar yang mengalami kesulitan dalam menarik dan mempertahankan bakat operator.”
Seiring dengan ketergantungan pada sumber daya manusia ini, banyak pabrik mengandalkan mesin warisan yang bahkan sudah ada sebelum internet, dan yang diperkenalkan dalam dua dekade terakhir memerlukan beberapa ukuran modifikasi agar kompatibel dengan teknologi pemanenan data saat ini. Sementara itu, pertanyaan tentang sumber kumpulan data yang paling berdampak, cara terbaik untuk menginterpretasikannya dan mengimplementasikan temuan tidak hanya bervariasi menurut perusahaan tetapi juga menurut departemen dan tim.
Firma riset NelsonHall mencatat bahwa adopsi MES (Manufacturing Execution Systems) meningkatkan kompleksitas ini lebih jauh. MES telah memungkinkan perusahaan untuk mendigitalkan operasi mereka dan mengakses data lebih mudah selama bertahun-tahun, tetapi kustomisasi mendalam dari masing-masing fasilitas MES sendiri berarti kompatibilitas dan integrasi dengan teknologi lain, seperti perangkat lunak analitik yang menyusun dan menganalisis data dari berbagai sumber, adalah tantangan yang cukup besar. “Kesulitan yang dibawa MES adalah sulit dan mahal untuk ditingkatkan, mengingat tingkat penyesuaiannya,” kata NelsonHall. “Selain itu, MES mengatur produksi sebuah pabrik, jadi mereka adalah sistem yang kritis dan oleh karena itu membutuhkan pengembangan dan implementasi yang ketat, pengujian, dan peluncuran. Dengan kata lain, mereka sebanding dengan aplikasi mainframe:selama mereka berjalan, tidak ada yang benar-benar ingin menyentuhnya terlalu dalam.” Mengatasi masalah ini sering dilakukan melalui penambahan sistem pelengkap, seperti yang disediakan oleh Dassault, Siemens, PTC dan sejenisnya, menambahkan lebih banyak kompleksitas di mana banyak operator berusaha untuk merampingkan dan merampingkan infrastruktur teknologi mereka untuk meningkatkan fleksibilitas dan kelincahan .
Menangani tantangan hydra
Jelas, tantangan untuk berhasil memanfaatkan set data manufaktur sangat besar:strategi, telemetri, integrasi, keahlian, dan infrastruktur warisan masing-masing harus ditangani untuk memfasilitasi perpindahan yang mulus ke Industri 4.0. Sayangnya, AI saja tidak dapat menyelesaikan sakit kepala karena berhasil menerapkan teknologi berbasis data yang akan mendorong manufaktur ke Industri 4.0. IoT industri, robotika, kembaran digital, dan pemeliharaan prediktif semuanya dengan cepat memperoleh daya tarik sebagai alat modernisasi yang kuat untuk manufaktur, masing-masing dimungkinkan oleh Big Data dan AI, tetapi seperti pendahulunya, masing-masing memerlukan pertimbangan strategis yang cukup besar untuk benar-benar sukses. Sentuhan manusia, dan keselarasan operasional, adalah kuncinya.
“Strategi transformasi berbasis data yang sukses perlu mempertimbangkan pandangan komprehensif dari berbagai faktor termasuk budaya organisasi, pelanggan, karyawan, dan teknologi. Ini tidak dapat dicapai melalui inisiatif yang terisolasi, dan sebaliknya membutuhkan fokus yang terkonsentrasi, perencanaan jangka menengah hingga panjang, sponsor, dan investasi langsung dari para pemimpin bisnis, ”kata Rohit Gupta, VP dan Kepala Manufaktur, Logistik, Energi dan Utilitas di Cognizant. “Produsen perlu menilai tingkat kematangan digital mereka saat ini, memahami tantangan bisnis dan teknis, dan dengan jelas membayangkan peta jalan untuk berkembang dalam paradigma digital ini. Ini harus menjadi pendekatan berulang, bekerja untuk mengembangkan fondasi yang dapat mendukung pertumbuhan yang terukur dan berkelanjutan serta membangun kemampuan data dalam organisasi dengan pencapaian yang jelas.”
Bantuan dari luar adalah akselerator besar, dan SAS, McKinsey, dan Capgemini untuk menyebutkan tetapi beberapa telah berbuat banyak untuk menjembatani kesenjangan teknologi dan strategis perusahaan dan pembangkit tenaga listrik yang ingin membuat lompatan ke masa depan yang cerdas. Bagaimanapun, ekosistem teknologi saat ini didasarkan pada fokus yang lebih besar pada outsourcing dan pengetahuan bahwa keahlian luar seringkali lebih unggul dalam ruang teknologi yang semakin terperinci dari hari ke hari. Manufaktur sangat kompleks dan satu ukuran tidak akan pernah cocok untuk semua, tetapi memanfaatkan keahlian para pemimpin di seluruh ruang data dan AI pasti akan mengatasi tantangan yang ditimbulkan dan membuka potensi besar Industri 4.0.
