AI Mendorong Manufaktur Tanpa Limbah: Transformasi Pabrik dan Rantai Pasok
Jika kita ingin dunia tanpa limbah, kita mungkin memerlukan sesuatu selain otak manusia untuk mencapainya.
Jawabannya, seperti banyak aspek bisnis saat ini, terletak pada kecerdasan buatan — dalam hal ini, kemampuannya untuk menghilangkan limbah industri dalam manufaktur.
Stephen Pratt adalah chief executive officer di Noodle.ai, sebuah perusahaan yang menggunakan AI untuk menyederhanakan aliran operasi industri. Dia melihat teknologi yang masih baru ini sebagai alat untuk “kembali ke cara pabrik dan rantai pasok seharusnya beroperasi.” Dan itu berarti mencapai “aliran yang lancar dari bahan baku hingga rak.”
Tentu saja, eliminasi limbah di pabrik dan di luarnya telah menjadi obsesi eksekutif rantai pasok selama bertahun-tahun. Sistem Produksi Toyota yang terkenal, yang mengidentifikasi tujuh bentuk muda, kata Jepang untuk limbah, melacak asal-usulnya ke akhir tahun 1940. Baru-baru ini, teori Lean dan just-in-time (JIT) untuk menyuplai bagian ke pabrik dan barang jadi ke gudang telah mencoret apa yang dianggap manajer sebagai inventaris berlebih. (Sampai-sampai, sayangnya, banyak peritel tergesa-gesa tanpa cukup produk untuk memenuhi permintaan konsumen yang melonjak selama pandemi COVID-19. Satu orang “lean” rantai pasok adalah orang lain kehabisan stok.)
Seseorang harus bertanya apakah teori-teori sebelumnya untuk mencuci limbah dari sistem telah menghasilkan lebih banyak buku dan makalah akademis daripada hasil nyata di pabrik. Menurut Pratt, Bank Dunia memperkirakan limbah industri global saat ini 18 kali lebih besar dari limbah padat municipal — “hal-hal yang kita sebut sampah.”
Untuk adil, Lean, JIT, metodologi Six Sigma, Teori Terbatas, dan alat perencanaan canggih lainnya telah semua memberikan jejaknya pada praktik manajemen di pabrik dan di luarnya. Limbah produksi telah berkurang secara drastis, tetapi tetap menjadi masalah sebesar $2 triliun saat ini. (Pratt membelah angka ini di bawahnya.) “Tidak ada di mana dekat keadaan aliran yang sempurna,” katanya. “Banyak rantai pasok memiliki aturan bisnis tetap, tapi tanyakanlah pada perencana inventaris apa pun, dan mereka akan mengatakan kepada Anda bahwa satu-satunya hal yang mereka ketahui adalah aturan-aturan itu salah.”
Muncul AI dengan pendekatan baru terhadap kontrol limbah. Perbedaanya, kata Pratt, adalah penggunaan algoritma kompleks untuk memprediksi kapan bagian, produk, dan praktik berlebih mengancam untuk menyumbat alur kerja. Peringatan semacam ini memungkinkan manusia untuk mengambil tindakan untuk mencegah masalah sebelum mempengaruhi aliran produk.
Penggunaan AI khusus untuk menyerang limbah produksi berusia kurang dari sepuluh tahun, kata Pratt, tetapi telah terbukti “sangat efektif.” Aplikasi manufaktur sebelumnya, termasuk perencanaan kebutuhan bahan (MRP) dan perencanaan sumber daya perusahaan (ERP), terhambat oleh komputer yang lambat dan data yang mahal.
“Penyakit dari teknologi-teknologi tersebut adalah mereka mengasumsikan rata-rata untuk hasil produksi dan waktu pengiriman,” jelas Pratt. “Itu seperti membicarakan ukuran sepatu rata-rata seseorang di planet ini. Perbedaan antara rata-rata dan kenyataan adalah sekitar setengah limbah di seluruh dunia.”
Tujuh bentuk muda Toyota, seperti yang diidentifikasi oleh insinyur industri Jepang Taiichi Ohno, adalah transportasi, inventaris, gerakan, menunggu, produksi berlebih, pemrosesan berlebih, dan cacat. Dengan AI dalam gambar, Pratt memperluas konsep ini di luar pabrik untuk membatasi apa yang dilihatnya sebagai empat area terbesar limbah dalam rantai pasok saat ini:
- Produk cacat. Barang yang rusak yang berhasil melewati seluruh proses produksi harus dibuang. Biaya bagi produsen, kata Pratt, sekitar $861 miliar per tahun.
- Kerusakan pabrik. Waktu henti yang tidak terencana adalah “masalah raksasa,” yang biayanya $689 miliar per tahun.
- Kesalahan distribusi. Pabrik mengeluarkan produk sempurna, yang terhenti di tahap distribusi karena sistem IT saat ini tidak dapat memenuhi target pengiriman waktu, tempat, dan jumlah. Biaya inventaris berlebih: sekitar $446 miliar per tahun.
- Rak kosong. Kehilangan sesuatu mungkin tidak terlihat sebagai bentuk limbah. Namun, ketakutan peritel terhadap kehabisan stok ketika pelanggan ingin membeli — yang terjadi sekitar 9% waktu — menyebabkan mereka melimpahkan inventaris ke rantai pasok. Akibatnya, kata Pratt, “mereka memproduksi lebih dari yang harusnya.”
Pertama kalinya, kemampuan komputasi yang semakin besar memungkinkan untuk menyerang keempat area tersebut secara efektif. Rata-rata komputer yang digunakan untuk perhitungan seperti itu saat ini 2.000 kali lebih cepat dari superkomputer tercepat di dunia pada tahun 2000, catat Pratt.
Peran AI bergerak cepat dari analitik deskriptif ke analitik preskriptif. Sistem yang didorong AI saat ini dapat memindai abnormalitas, memberi peringatan kepada manajer tentang kedatangan yang akan datang, memprediksi konsekuensi dari peristiwa tersebut, dan merekomendasikan tindakan korektif. Selain itu, kata Pratt, “Ini memberi tahu Anda bagaimana menyesuaikan pabrik Anda sehingga Anda tidak memproduksi produk cacat.”
Semua ini tidak berarti orang sepenuhnya tidak terlibat lagi. Pratt melihat sistem ideal sebagai yang menggabungkan daya komputasi paksa AI dengan kreativitas dan wawasan otak manusia. Dan menurut setiap ukuran, AI masih memiliki jalur panjang yang harus ditempuh sebelum memenuhi janjinya di lingkungan manufaktur, apalagi di dunia yang lebih luas.
Seperti teknologi canggih apa pun, penerimaan AI akan bertahap. Namun Pratt yakin kematangan AI dipercepat oleh permintaan dari peritel besar seperti Walmart untuk performa sempurna dari pemasok. Kemampuan mereka untuk memenuhi kriteria semacam itu “mungkin menjadi perbedaan antara keberadaan dan binasa,” katanya.
