Tehtaan tulevaisuus kirjoitetaan ohjelmointikomennoissa

Totuus siitä, miten fyysiset esineet valmistetaan, on se, että harva ulkopuolinen valmistusprosessiin osallistuva tietää, miten fyysiset esineet valmistetaan.

He tietävät yleiset piirteet. Joku suunnittelee jotain. Joku toinen rakentaa sen. Kuorma-auto saapuu. Mutta keskivaihe, jossa konsepti muuttuu määritykseksi, jossa määritys muuttuu hankintapäätökseksi, jossa hankintapäätös muuttuu tuotantoon, jossa tuotanto muuttuu tilaamasi asiaksi, se osa on suurelta osin näkymätön, ja se on äärimmäisen monimutkainen, ja se on toiminut suurelta osin samalla tavalla hyvin kauan.

Tämä muuttuu nyt.

Generatiivinen tekoäly on alkanut uudelleenkirjoittaa valmistusprosessia tavalla, jota on vaikea liioitella. Yritän olla tarkka siitä. Muutos ei ole ensisijaisesti nopeuden suhteen, vaikka se tekee asioita nopeammaksi. Se ei ole ensisijaisesti kustannuksen suhteen, vaikka se muuttaa kustannusrakenteita merkittävästi. Se on jotain perustavanlaatuisempaa: missä prosessissa älykkyys sovelletaan, kuka soveltaa sitä, ja miten aikaisin. Olemme avauksessa, joka muuttaa teollista taloutta yhtä merkittävästi kuin sähköistäminen tai tietokoneistaminen, ja yritykset, jotka ymmärtävät tämän nyt, kun se on vielä varhainen ja jonkin verran hämärä, määrittävät säännöt kaikille muille myöhemmin.

Kallein ongelma valmistuksessa ei ole sitä, miltä se näyttää

Kysy useimmilta, mihin valmistus menee pieleen, ja he osoittavat tehtaalle. Mutta jotkut kalleimmat epäonnistumiset tapahtuvat paljon aikaisemmin, muotoisen vaiheen aikana, kun tuotekonsepti alkaa kiteytyä vaatimuksiksi. Ja se on siellä, missä valtava määrä aikaa ja rahaa katoaa.

Ongelma on epävakaus. Vaatimukset kerätään sähköpostien, puolilukemattomien asiakirjojen ja kokousten kautta, joissa koordinointi tuntuu saavutetulta, mutta ei ole. Ne saapuvat insinöörien ohjeisiin viikkoja myöhemmin sisältäen sisäänrakennettuja epäselvyyksiä, joita kukaan ei huomannut – epäselvyyksiä, jotka tulevat ilmi vasta, kun prototyyppi palautuu väärin, tai toimittaja tarjoaa jotain, joka ei täsmää, tai tuotantotiimi toteaa, että heille annettu suunnitelma ei voida valmistaa määräaikana.

Generatiivinen tekoäly on puuttumassa tähän tarkalleen tässä vaiheessa, ja vaikutukset etenevät eteenpäin kaiken sen kautta, mitä seuraavaksi tapahtuu. Nämä järjestelmät voivat niellä valtavat rakenteettomat syötteet – asiakaspalautetta, virallisia ilmoituksia, kenttäepäonnistumisdataa, kilpailijoiden purkamisdataa – ja syntetisoida ne rakenteellisiksi, ristiviittauksiksi vaatimuksiksi nopeammin ja johdonmukaisemmin kuin ihmisryhmät voivat hallita. Se, mitä aiemmin kesti viikkoja järjestelmäinsinöörityöstä, voidaan laadita muutamassa tunnissa.

Kun vaatimukset saapuvat aikaisemmin ja suuremmalla uskottavuudella, siirrot muuttuvat. Hankintatiimit voivat aloittaa toimittajien tunnistamisen rinnakkain suunnittelun kanssa, ei sen jälkeen. Tuotannon suunnittelu voidaan aloittaa ennen piirustusten lopullista valmistumista. Vaiheet, jotka olivat aiemmin peräkkäisiä, alkavat toimia rinnakkain.

Yrityksille, jotka valmistavat mukautettuja mekaanisia osia, joissa jokainen yksittäinen tilaus on uusi insinöörintekniikan ongelma ja nopeus tarjousvaiheessa on usein ero voittamisen ja häviämisen välillä, tämä on strateginen muutos.

Mitä vanhempi insinööri tietää

On olemassa tietynlaista tietoa, joka elää parhaiden valmistusinsinöörien sisällä, ja se on lähes mahdotonta kuvailla ulkoa. Mitkä toleranssit ovat saavutettavissa mittakaavassa. Mitkä seokset epäonnistuvat tiettyjen lämpö- ja stressiyhdistelmien alaisina. Mitkä suunnittelupäätökset näyttävät elegantilta paperilla ja luovat katastrofeja työkalutiimille. Se vaatii vuosikymmeniä kerryttää, on suurelta osin siirtämätöntä, ja se lähtee ovesta joka kerran, kun vanhempi insinööri eläkkeelle siirtyy.

AI-kokpit on alkanut muuttaa tätä. Insinööri, joka työskentelee uuden komponentin geometrian parissa, voi nyt kysyä järjestelmältä, miten valmistettavuus mittakaavassa toimii, vastaanottaa epäonnistumisanalyysin useiden kuormitusskenaarioiden yli ja arvioida materiaalien vaihtamisen kustannusvaikutukset. Kaikki tämä tapahtuu suunnitteluymäristössä, ennen kuin fyysistä prototyyppiä edes on olemassa, silloin, kun tieto on todella hyödyllistä.

On selvää: se ei ole korvaaja insinöörien arviolle. Päätökset, jotka vaativat kontekstuaalista tietoa, ammattitaitoista vastuuta ja luovaa ongelmanratkaisua rajoituksissa, edellyttävät edelleen ihmistä. Mitä AI-kokkeja tekee, on laajentaa ratkaisuväylää, jonka insinöörit voivat tutkia ennen kuin he sitoutuvat tiettyyn polkuun, ja jakaa joitain senior-tason valmistusintuitiota useammalle ihmiselle, aikaisemmin. Tiimit, jotka omaksuvat ne hyvin, saavuttavat parempia suunnitelmia, koska he ovat arvioineet enemmän vaihtoehtoja ennen kuin fysiikan ja tuotannon taloudelliset seikat sulkevat heidän valintansa.

Kaksi tekoälyn lajia yhdistyy, ja tehdas ei ole enää sama

Tässä on ero, joka on hyvin tärkeä. On digitaalinen tekoäly – generatiiviset järjestelmät, jotka auttavat suunnittelussa, dokumentoinnissa, hankintaanalyysissä ja päätöksenteossa. Nämä toimivat tiedon kanssa. Ja on fyysinen tekoäly – havainto-, suunnittelu- ja ohjausjärjestelmät, jotka ohjaavat teollisia robottija, autonomisia logistiikkaa, sopeutuvaa valmistuslaitteistoa. Nämä toimivat aineen kanssa. Ne aistivat maailman, suunnittelevat toimia ja liikuttavat asioita.

Suurimman osan viime vuosikymmenestä nämä kaksi kategoriaa kehittyivät lähes täysin erillään. Mutta nyt generatiiviset mallit ovat yhä enenevässä määrin ohjelmoimassa, ohjaamassa ja tulkitsemassa fyysisiä järjestelmiä. Robotit voivat vastaanottaa luonnollisen kielen ohjeita ja kääntää ne liiketoimintaketjuiksi. Visio-kielimallit sallivat tarkastusjärjestelmien kuvailla, mitä ne havaitsevat, ihmisille toimivalla tavalla. Generatiiviset suunnittelutyökalut yhdistetään suoraan CNC-koneisiin ja lisävalmistusjärjestelmiin, joten mitä malli suunnittelee, tehdas voi rakentaa.

Ilmastoteknologian vaikutukset ovat hämmästyttäviä. Generatiivinen tekoäly kiihdyttää materiaalien löytämistä, löytää parempia paristokemioita, tehokkaampia katalyyttejä, rakenteellisia materiaaleja, jotka vähentävät teollista hiilidioksidipäästöä. Valmistukselle laajemmin konvergenssi tarkoittaa, että tehtaat muuttuvat aidosti sopeutuviksi järjestelmiksi, jotka voivat uudelleenkonfiguroida vastauksena kysynnän muutoksiin tai toimituskeskeytyksiin lähes reaaliajassa. Rajan välinen digitaalinen malli ja fyysinen laitos häviää. Sen tilalle tulee teollinen infrastruktuuri, joka oppii, sopeutuu ja sulkee silmukkaa suunnittelun ja tuotannon välillä tavalla, jota ei aiemmin ollut mahdollista.

Työvoimapulma

Jossain vaiheessa jokaisessa rehellisessä kirjoituksessa tekoälystä ja valmistuksesta on puhuttava ihmisistä. Ei ainoastaan yleisellä tavalla “uudet työt syntyvät”, josta on tullut jonkinlainen rituaalinen armahdus tekniikkakirjoituksissa. Todella puhua siitä.

Ahdistus on todellista, eikä se ole perusteetonta. Valmistuksen työllisyys on jo kokenut raivokkaita häiriöitä neljän vuosikymmenen ajan. Tekoälyn johtama muutos ei ole abstraktio ihmisten, jotka työskentelevät näissä aloissa.

Mitä varhaiset tiedot osoittavat, on, että merkittävin lähiaikainen vaikutus ei ole korvaaminen, vaan korottaminen. Insinöörit, jotka käyttävät tekoälyavustajia, tekevät merkittävämpää insinöörintyötä, käyttävät vähemmän aikaa rutininomaiseen dokumentointiin ja enemmän tuomionkappaleisiin, jotka määräävät, onnistuuko tuote. Hankintatiimit navigoivat monimutkaisuutta paremmalla tiedolla. Toimintajohtajat soveltavat tekoälyllä tuotettuja oivalluksia ympäristöihin, joissa vastuu on edelleen ihmisillä.

Roolit, jotka määritellään lähinnä tavanomaisen tietojen käsittelyn, toistuvien koordinaatiotehtävien tai fyysisten töiden kautta, jotka kuuluvat nykyisen robotiikan kykyyn, kohtaavat todellista painetta. Tämä vaatii rehellistä huomiota yrityksiltä ja instituutioilta.

Valmistuksen työvoima seuraavassa vuosikymmenessä määritellään kyvyn toimia tehokkaasti tekoälyn kanssa. Ymmärtää sen tulokset, kyseenalaistaa sen oletukset ja soveltaa sen suosituksia päätöksiin, jotka vaativat ihmisen arvion. Se on erilainen taitoprofiili kuin mihin valmistus perustui. Rakentaa se mittakaavassa, reilusti, ajoissa, on yksi tämän hetken todellisista ongelmista.

Ikkuna

Valmistus ei ole monoliitti. Tekoälyn omaksuminen ilmailuteollisuudessa näyttää toiselta kuin kulutuselektroniikassa, toiselta kuin mukautettavissa teollisissa osissa, toiselta kuin lääkinnällisissä laitteissa. Muutoksen tempo vaihtelee valtavasti datan infrastruktuurin, sääntelyympäristön ja organisaatiokapasiteetin mukaan.

Mutta suunta ei ole epäselvä. Valmistusprosessi uudelleenjärjestetään tekoälyllä jokaisessa solmukohdassa. Yritykset, jotka panostavat datainfrastruktuuriin, tekoälyllä parannettuihin insinöörintyön prosesseihin, työvoimakykyihin ja päätöksentekojärjestelmiin, määrittävät, miltä edistynyt valmistus näyttää vuosikymmenen kuluttua.

Tulevaisuuden tehdas muotoillaan malleilla, kirjoitetaan ohjelmointikomennoissa, ja jalostetaan ihmisten ja koneiden yhteistyönä, jonka teollisuus on vasta alkanut ymmärtää. Se, mitä se tuottaa, riippuu valinnoista, jotka tehdään juuri nyt, yrityksissä, jotka yhä miettivät, mitä kysymyksiä heidän pitäisi kysyä.

Ikkuna merkittävän edun rakentamiseksi on auki. Se ei jää auki loputtomiin.