Memanfaatkan Data dan AI untuk Transformasi Manufaktur: Mengatasi Tantangan Industri
Manufaktur berpotensi membuat kemajuan besar melalui Big Data dan AI, namun tantangan kompleks industri telah memperlambat adopsi...
"Di manufaktur, Anda berada di tekanan untuk terus meningkatkan kualitas sambil mengurangi biaya dan meningkatkan produktivitas," kata SAS, pemimpin perangkat lunak dan solusi analitik. Ini tetap benar seperti sebelumnya di era digital, dan kemajuan teknologi telah bekerja sama untuk menangani tantangan ini secara lebih efektif dari sebelumnya.
Bahkan sekilas menjelaskan bahwa, dari semua industri yang digoncangkan oleh transformasi digital, sedikit yang telah ditransformasikan secara lebih terlihat dan dramatis dalam beberapa tahun terakhir daripada manufaktur. Perjalanan ini, dari garis produksi yang intensif tenaga kerja Henry Ford hingga lingkungan modern yang semakin bebas manusia di pabrik-pabrik modern, telah sangat dipercepat oleh kedatangan Big Data. Memanen informasi dari operasi manufaktur, peralatan dan mesin, pola penjualan, dan fluktuasi permintaan memungkinkan pemimpin untuk merancang strategi guna efisiensi, output, dan keselamatan yang lebih besar. Visi Industry 4.0 tentang pabrik cerdas yang berjalan dengan input manusia minimal sambil menghasilkan produktivitas, profitabilitas, dan keandalan yang lebih tinggi sangat menarik, namun mewujudkan tujuan ini membawa tantangan yang sama besarnya yang harus diatasi.
Gelombang Data
Kembali pada 2018, Capgemini, penyedia layanan konsultasi dan outsourcing terkemuka, mengidentifikasi manufaktur sebagai salah satu dengan potensi terbesar untuk perbaikan operasional melalui Big Data, hingga mengatakan bahwa adopsi ini sangat penting untuk keberhasilan bisnis yang berkelanjutan. "Dengan analitik Big Data yang tidak lagi merupakan opsi 'nice to have', perusahaan harus mengidentifikasi peluang yang tepat untuk meningkatkan efisiensi pabrik dan menghasilkan wawasan," kata Capgemini dalam posting blog November 2018. "Analitik big data kemudian akan memberikan keunggulan kompetitif yang diperlukan perusahaan untuk berhasil di lingkungan yang semakin kompleks."
Dengan volume data yang luas—massa yang meningkat secara eksponensial untuk operasi yang menggunakan teknologi berdaya Internet of Things (IoT) dan kecepatan transfer gigabit-per-detik 5G—datang kompleksitas yang luar biasa. Tidak hanya organisasi harus fokus pada nilai dari sekumpulan data yang luas, tetapi mereka harus mengubah nilai nascence menjadi wawasan yang dapat ditindaklanjuti sebelum digantikan oleh data yang lebih baru dan lebih relevan. Seringkali, data mentah harus dipadukan dengan telemetri sistem lain agar nilainya dapat diekstrak, dan pengetahuan ini pada tingkat manusia sulit didapatkan.
Kasus untuk AI
Di seluruh dunia, ilmuwan data yang terlatih sangat diminati dan sedikit tersedia dan, bahkan dengan armada analis data terbaik, nilai sebenarnya dari data organisasi terkunci di balik waktu yang panjang untuk analisis yang rumit dilakukan, kemungkinan kesalahan manusia, dan kebutuhan akan strategi implementasi data yang dipertimbangkan dengan matang. Kebutuhan akan seketika dan akurasi, terutama dengan kesenjangan keterampilan data yang meluas, dapat dijawab oleh teknologi muncul lainnya: kecerdasan buatan (AI).
Perhitungan dan analisis algoritmik yang dapat disesuaikan dengan kebutuhan operasi tertentu menghasilkan hasil yang lebih akurat dan tersedia dengan cepat, memungkinkan perusahaan untuk mengubah data tersebut menjadi tindakan yang tepat guna yang meningkatkan efisiensi dan produktivitas, menskalakan operasi sesuai permintaan waktu nyata, dan meningkatkan keselamatan, mengakar masalah yang diajukan oleh kesenjangan keahlian sambil membangun nilai. Ia bahkan dapat menangkap masalah sebelum timbul melalui pemeliharaan prediktif, sesuatu yang akan memerlukan tenaga kerja dan alokasi waktu yang besar tanpa janji akurasi yang disediakan oleh AI.
"Pemeliharaan prediktif adalah salah satu area di mana IoT, Big Data dan analitik memberikan dampak yang signifikan," kata Debbie Heaton-Bowen, Partner di Oliver Wight EAME. "Meskipun berasal dari tahun 1990-an, kedatangan teknologi canggih berarti bahwa kemampuan pemeliharaan prediktif baru-baru ini telah 'disupercharge', terutama di sektor manufaktur dengan pabrik cerdas menjadi kenyataan. Waktu henti yang tidak terduga dan pemeliharaan buruk dapat mengancam perusahaan jutaan, tetapi sensor yang diaktifkan IoT dapat mendeteksi ketika mesin memerlukan pemeriksaan, mencegah perkembangan kerusakan yang lebih serius yang akan menyebabkan gangguan yang mahal. Tidak hanya pemeliharaan prediktif mengidentifikasi kesalahan yang terlewatkan oleh mata manusia, tetapi juga membuat keputusan yang didorong data secara utuh untuk meningkatkan umur mesin, menurunkan biaya layanan, dan meningkatkan efisiensi operasional untuk keuntungan yang lebih sehat."
Di tempat lain, robotika adalah tren lain di industri yang menunjukkan janji yang besar, dan AI sangat penting untuk nilai proposisinya saat diterapkan di seluruh proses manufaktur. "Saat terintegrasi dengan benar, unit robotika 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 IT Cognizant. "Mereka sudah diterapkan di seluruh organisasi manufaktur, dari memasang breaker gotok atau memotong daging pada garis perakitan tradisional, hingga drone yang bertindak sebagai mata petugas keamanan yang mematrol halaman kontainer yang luas. Dalam melakukan ini, generasi baru rekan kerja otonom ini membebaskan manusia untuk mengambil pekerjaan dengan nilai lebih tinggi. Peneliti di MIT menemukan bahwa tim manusia-robot yang bekerja untuk BMW sekitar 85% lebih produktif daripada manusia atau robot yang bekerja sendirian." AI dapat sekaligus menutupi kesenjangan keterampilan dan memaksimalkan waktu yang tersedia untuk pekerja terlatih untuk fokus pada tugas di mana mereka dapat menambahkan lebih banyak nilai.
Tantangan Adopsi AI
Meskipun peluang yang jelas yang ditawarkannya, konsultasi manajemen McKinsey mencatat bahwa adopsi AI telah lambat secara signifikan di industri manufaktur. "Sementara teknologi AI telah membuat perbaikan nyata pada rantai pasokan dan fungsi administrasi, hingga sekarang kehadirannya dalam produksi masih terbilang langka," kata McKinsey, mencatat bahwa adopsi lambat ini sebagian dipicu oleh ketergantungan yang besar pada keahlian dan tenaga kerja yang berpengetahuan, yang agak ironis mengingat kapasitas AI untuk mengalihkan keahlian ini ke proses yang kurang berulang. Ketergantungan pada tenaga kerja terlatih itu sendiri adalah alasan untuk mempercepat integrasi AI di industri.
"Sebab variasi dalam kualifikasi operator dapat mempengaruhi tidak hanya kinerja tetapi juga keuntungan, kemampuan AI untuk melestarikan, meningkatkan, dan standarisasi pengetahuan semakin penting," kata McKinsey. "Selain itu, karena ia dapat membuat keputusan titik set operasional yang kompleks sendiri, AI mampu memberikan output yang dapat diprediksi dan konsisten secara andal di pasar yang sulit menarik dan mempertahankan talenta operator."
Selain ketergantungan pada modal manusia, banyak pabrik bergantung pada mesin lama yang mendahului bahkan internet, dan yang diperkenalkan dalam dua dekade terakhir memerlukan sejumlah modifikasi untuk membuatnya kompatibel dengan teknologi pemanen data saat ini. Sementara itu, pertanyaan tentang pencarian sekumpulan data yang paling berdampak, cara terbaik untuk menginterpretasikannya dan menerapkan temuan bervariasi tidak hanya menurut perusahaan tetapi menurut departemen dan tim juga.
Perusahaan riset NelsonHall mencatat bahwa adopsi MES (Manufacturing Execution Systems) meningkatkan kompleksitas ini lebih jauh. MES telah memungkinkan perusahaan untuk memdigitalisasi operasi mereka dan mengakses data dengan lebih mudah selama bertahun-tahun, tetapi kustomisasi yang dalam dari MES setiap fasilitas berarti kompatibilitas dan integrasi dengan teknologi lain, seperti perangkat lunak analitik yang mengumpulkan dan menganalisis data dari berbagai sumber, adalah tantangan yang besar. "Kesulitan yang dibawa MES adalah sulit dan mahal untuk ditingkatkan, mengingat tingkat kustomisasinya," kata NelsonHall. "Selain itu, MES mengatur produksi pabrik, jadi mereka adalah sistem kritis dan oleh karena itu memerlukan pengembangan dan implementasi yang ketat, pengujian, serta peluncuran. Dengan kata lain, mereka dapat dibandingkan dengan aplikasi mainframe: selama mereka berjalan, tidak ada yang benar-benar ingin menyentuh mereka terlalu dalam." Mengatasi masalah ini biasanya dilakukan melalui penambahan sistem komplementer, seperti yang disediakan oleh Dassault, Siemens, PTC dan sejenisnya, menambahkan lebih banyak kompleksitas di mana banyak operator mencoba untuk menyederhanakan dan menurunkan infrastruktur teknologi mereka untuk meningkatkan fleksibilitas dan ketangkasan.
Menangani Tantangan Hydra
Jelas, tantangan untuk berhasil memanfaatkan sekumpulan data manufaktur adalah besar: strategi, telemetri, integrasi, keahlian, dan infrastruktur lama masing-masing harus diatasi untuk memfasilitasi perpindahan yang lancar ke Industry 4.0. AI sendiri, sayangnya, tidak dapat menyelesaikan pusingan kepala untuk berhasil menerapkan teknologi berbasis data yang akan mendorong manufaktur menuju Industry 4.0. Industrial IoT, robotika, digital twin, dan pemeliharaan prediktif semuanya dengan cepat mendapatkan tarikan sebagai alat modernisasi yang kuat untuk manufaktur, masing-masing dibuat mungkin oleh Big Data dan AI, tetapi seperti pendahulu mereka, masing-masing memerlukan pertimbangan strategis yang besar untuk benar-benar berhasil. Sentuhan manusia dan penyelarasan operasional adalah kunci.
"Strategi transformasi berbasis data yang berhasil perlu mempertimbangkan pandangan komprehensif tentang berbagai faktor termasuk budaya organisasi, pelanggan, karyawan, dan teknologi. Ini tidak dapat dicapai melalui inisiasi terisolasi, dan malah membutuhkan fokus yang terpusat, perencanaan jangka menengah hingga panjang, sponsor, dan investasi secara langsung dari pemimpin bisnis," kata Rohit Gupta, VP dan Kepala Manufaktur, Logistik, Energi dan Utilitas di Cognizant. "Produsen perlu menilai tingkat maturitas digital saat ini, memahami tantangan bisnis dan teknis, dan secara jelas membayangkan peta jalan untuk berkembang dalam paradigma digital ini. Ini harus menjadi pendekatan iteratif, menuju pengembangan fondasi yang dapat mendukung pertumbuhan yang scalable dan berkelanjutan dan membangun kemampuan data dalam organisasi dengan tonggak pencapaian yang jelas."
Bantuan luar adalah akselerator yang besar, dan SAS, McKinsey, dan Capgemini untuk menyebut beberapa telah melakukan banyak untuk menembus kesenjangan teknologis dan strategis dari perusahaan dan raksasa manufaktur yang ingin melompat ke masa depan cerdas. Akhirnya, ekosistem teknologi saat ini didasarkan pada fokus yang lebih besar pada outsourcing dan pengetahuan bahwa keahlian luar sering kali lebih unggul di ruang teknologi yang semakin rinci sehari demi hari. Manufaktur sangat kompleks dan satu ukuran tidak akan pernah cocok untuk semua, namun memanfaatkan keahlian pemimpin di seluruh ruang data dan AI pasti akan mengatasi tantangan yang dihadapi dan membuka potensi besar Industry 4.0.
