Jak umělá inteligence mění kontrolu kvality v automobilovém průmyslu

Nedostatky v kvalitě jsou nákladné. V roce 2025 vyplatili američtí výrobci vozidel na záručních nárocích 20,81 miliardy dolarů a podle Národního úřadu pro bezpečnost silničního provozu bylo staženo z trhu více než 29 milionů vozidel. Za každým z těchto čísel stál vadný díl, který někdo přehlédl nebo řádně nezkontroloval — ať už šlo o chybu při návrhu či kontrole, nebo o problém, který se u vozidla objevil až po jeho dodání zákazníkovi.

Při hledání závad ve výrobní lince hraje roli stále více proměnných a jejich složitost roste. Funkce, které dříve zajišťovala mechanika, dnes řídí software, a tolerance u mechanických součástí i baterií elektromobilů jsou stále přísnější, takže prostor pro chyby je minimální. Další proměnlivost navíc přinášejí globální dodavatelské řetězce, které jediný závod nedokáže plně kontrolovat. O to důležitější je mít nastavený správný postup, který umožní závady na lince odhalit.

Umělá inteligence dává týmům odpovědným za kvalitu do rukou nové nástroje. Výrobci už nemusí po skončení výroby kontrolovat jen vzorek dílů a doufat, že jim žádný problém neunikne. Mohou nyní sledovat každý díl v reálném čase a zachytit trendy nebo odchylky ještě předtím, než se z nich stanou závady. S řešením těchto problémů jsem strávil roky ve spolupráci s výrobci automobilů, pneumatik a baterií. Rád proto vysvětlím, co se skutečně mění a co je potřeba k tomu, aby tyto programy fungovaly.

Odhalit problémy dřív, než se znásobí

Největší změnou, kterou umělá inteligence přináší do oblasti kvality, je rozsah kontroly. Když sledujete všechny výrobky na lince, můžete odhalit anomálie ještě předtím, než se z nich stanou závady. Chybovat je lidské, a pokud kontrolujete jen vzorek produkce a spoléháte na to, že lidé výrobky prohlédnou zrakem, mohou vám některé anomálie uniknout. Příčinou může být lidská chyba, například neschopnost závadu vizuálně rozpoznat, nebo únava, kvůli níž zaměstnanci nevěnují kontrole tolik pozornosti jako na začátku směny.

Pokrok v oblasti kamer a umělé inteligence i jejich vzájemné propojení mohou být pro automobilový průmysl velmi přínosné. Na výrobní lince můžete začít odhalovat nejen více závad, ale především problémy ještě předtím, než nastanou. Výrobci využívají umělou inteligenci k odhalování závad při virtuálním testování, aby mohli předvídat možné poruchy a také vytvářet nové testy svých výrobků. Použití umělé inteligence na výrobní lince navíc umožňuje odhalit více závad než kdy dříve. Výzkum společnosti McKinsey ukázal, že výrobci dokázali díky využití umělé inteligence na výrobní lince odhalit o 90 % více závad.

Kontrola, která se sama zlepšuje

Odhalování většího počtu závad je jen část příběhu. Druhou změnou je, že kontrola založená na umělé inteligenci se postupem času zlepšuje, místo aby zůstávala neměnná. Systém poháněný umělou inteligencí nejen odhaluje více závad, ale také analyzuje všechna načtená data a učí se z nich. Díky využití umělé inteligence k předvídání výstupů strojů můžete zjistit, kdy stroje nepracují podle specifikací. Pokud se jejich parametry začnou odchylovat od stanovených tolerancí, můžete systém upozornit, aby upravil hodnoty strojů, vrátil výstupy do povolených tolerancí a zajistil, že výrobky budou odpovídat specifikacím.

Příkladem z pneumatikářského průmyslu je spojování. Využitím umělé inteligence a strojového vidění při spojování můžete omezit počet spojů mimo toleranci a zároveň zlepšit výkon. V automobilovém průmyslu se zase zlepšuje dodržování požadovaných mezer a lícování karoserie v karosárně nebo svařovně. Protože jste systému umožnili učit se z aktuálních i historických dat, pozná, jak vypadá kvalitní spoj i správné geometrické tolerance. Začne pak v reálném čase upravovat procesní parametry strojů i robotiku, aby vše zůstalo v toleranci. Právě tato učicí smyčka odlišuje moderní kontrolu s využitím umělé inteligence od dřívější automatizace. Normy zůstávají jednotné napříč směnami, výrobními linkami i závody v různých regionech, což je důležité pro výrobce pneumatik i automobilek, kteří po celém světě používají stejné systémy a modely ve více závodech.

Od ochranného opatření ke strategické výhodě

Kontrola kvality byla dlouho považována za ochranné opatření — závěrečnou kontrolu, která měla zabránit tomu, aby se vadné díly dostaly k zákazníkům. Umělá inteligence z ní dělá nástroj, který může sloužit jako strategická páka.

Můžete nejen odhalit více závad, ale také zjistit, kde vznikají. Díky lepšímu porozumění výrobnímu procesu můžete rozpoznat trendy a odstranit příčiny problémů dříve, než přerostou v závažnou potíž. Jakmile zjistíte, kde k závadám dochází, můžete zvýšit výtěžnost na první průchod a snížit míru zmetkovitosti a oprav. Nižší míra zmetkovitosti a oprav vám pak může pomoci zvýšit průchodnost výroby.

Důležité ukazatele nejsou nijak exotické. Výtěžnost na první průchod, míra zmetkovitosti a oprav, stížnosti zákazníků i přesnost kontroly se sledovaly už před nástupem umělé inteligence. Mění se rychlost a důslednost, s jakou je výrobci dokážou měřit a na jejich základě jednat. Závada odhalená na výrobní lince stojí mnohem méně než závada zjištěná až po montáži; ta zase stojí mnohem méně než závada, která se dostane k zákazníkovi a vyústí v záruční nárok nebo stažení výrobku z trhu.

Proč se tolik projektů s umělou inteligencí zastaví

Samozřejmě, nic z toho se neděje automaticky. To, že pořídíte kamery a software s umělou inteligencí, ještě neznamená, že odhalíte více vad. Výrobci, kteří tyto postupy úspěšně zavedli, se v několika zásadních ohledech vydali jinou cestou. Nejprve na výrobní lince identifikovali problém a pokusili se ho vyřešit pomocí AI, místo aby se bez rozmyslu pustili do zavádění AI a teprve hledali, k čemu by ji mohli využít. Také si stanovili měřitelné cíle, s nimiž mohli porovnávat dosažené výsledky. Jakmile zjistíte, že pilotní projekt uspěl, můžete zvážit rozšíření tohoto postupu i do dalších částí výrobní linky.

Další věcí, kterou byste měli zajistit, jsou potřebné dovednosti v týmu. Váš tým pro řízení kvality možná zná celý výrobní proces, ale nikdy nepoužíval strojové učení. Nebo váš tým datových vědců třeba dokonale ovládá strojové učení, ale neví, co se děje na výrobní lince. Pokud zajistíte, aby tým disponoval těmito mezioborovými dovednostmi a zároveň měl zkušenosti s rozšiřováním postupů, budete je moci zavést na výrobní lince i v celém provozu.

Kam to směřuje

Kvalita vždy určovala pověst automobilového průmyslu. Jediná odchylka, která se dostane na trh, může vést ke svolávacím akcím za stovky milionů dolarů a podkopat důvěru zákazníků budovanou po léta. Umělá inteligence umožňuje takovou odchylku odhalit dříve, zjistit, proč k ní došlo, a zabránit jejímu opakování napříč všemi výrobními linkami a závody, místo aby se postupovalo vždy jen po jednom.

Výrobci, kteří dnes z AI skutečně těží, nemusí být nutně těmi, kdo mají nejpokročilejší technologie. Jsou to ti, kteří ke kvalitě přistupují jako k systému, jemuž je třeba porozumět a který je třeba průběžně zlepšovat, přičemž AI představuje jen jednu jeho součást, nikoli celý systém. S dalším vývojem architektur vozidel a pokračujícím růstem objemu výroby bude tento důsledný přístup ještě důležitější.