AI w planowaniu produkcji: jak szybciej korzystać z wiedzy przy zmianie planu

AI w planowaniu produkcji może skrócić czas potrzebny planiście na podjęcie decyzji także wtedy, gdy system nie układa harmonogramu. Gdy odpowiedź znajduje się w instrukcji, procedurze albo dokumentacji technicznej, największym opóźnieniem bywa samo dotarcie do właściwej informacji. Ten artykuł pokazuje, jak uporządkować ten etap, gdzie kończy się rola APS lub MES i kiedy explitia.Whisp może być właściwą odpowiedzią.

Jeśli szukasz informacji o automatycznym harmonogramowaniu albo optymalizacji zasobów, przejdź do naszego materiału o sztucznej inteligencji w planowaniu produkcji. Tutaj interesuje nas trochę węższy zakres, w którym planista ma dane operacyjne, ale do decyzji potrzebuje jeszcze wiedzy zapisanej w dokumentach. 

Planowanie opiera się na terminach, zleceniach, materiałach oraz dostępności ludzi i maszyn. Przy zmianie kolejności zleceń trzeba jednak czasem sprawdzić dopuszczalną technologię, wymagania jakościowe, instrukcję przezbrojenia albo ograniczenia dla wyrobu.

Właśnie tutaj AI w planowaniu produkcji może pełnić inną funkcję niż APS. System planistyczny przelicza harmonogram na podstawie danych i ograniczeń. Asystent wiedzy pomaga znaleźć informację w dokumentacji firmy, gdy pracownik potrzebuje jej do oceny sytuacji.

To rozróżnienie oddziela to zagadnienie  od klasycznego zastosowania AI do optymalizacji harmonogramu. Tutaj chcemy pochylić się nad tym, co zrobić, gdy sam plan nie wystarcza, bo kolejna decyzja zależy od firmowej wiedzy.

Przykład hipotetyczny dobrze zobrazuje Ci ten problem. Maszyna wypada z planu, a zlecenie trzeba rozważyć na innym stanowisku. Informacja o dostępności zasobu znajduje się w systemie produkcyjnym. Przed przeniesieniem zlecenia trzeba jednak sprawdzić, czy wybrany wyrób może być wykonany na tej maszynie, jakie parametry obowiązują i czy istnieją dodatkowe wymagania jakościowe.

Przy rozproszonej dokumentacji planista musi ustalić, gdzie znajduje się aktualna instrukcja, odszukać odpowiedni fragment i sprawdzić, czy dotyczy tego wariantu produktu. Czasem potrzebna jest jeszcze konsultacja z technologiem.

W takim scenariuszu AI w planowaniu produkcji nie zastępuje decyzji planisty, a skraca etap wyszukiwania informacji, o ile firma wcześniej zbudowała wiarygodną bazę wiedzy. 

explitia.Whisp jest asystentem AI dostępnym w Portalu Produkcyjnym. Użytkownik zadaje pytanie zwykłym językiem, a system wyszukuje semantycznie powiązane fragmenty materiałów i przygotowuje odpowiedź na podstawie firmowej bazy wiedzy.

Baza może obejmować instrukcje, procedury, dokumentację techniczną i arkusze. Whisp obsługuje pliki TXT, Markdown, PDF, Word i Excel, zachowuje historię rozmowy i pozwala tworzyć scenariusze określające rolę asystenta.

Dla projektu obejmującego AI w planowaniu produkcji ważne są granice produktu. Whisp obecnie nie pobiera automatycznie bieżących danych z maszyn, nie monitoruje samodzielnie produkcji i nie wykonuje operacji na urządzeniach. Pracuje na przygotowanych dokumentach. Jeśli problemem jest automatyczne przeliczenie kolejności zleceń, potrzebne jest rozwiązanie planistyczne. Jeśli problemem jest szybkie znalezienie wiedzy potrzebnej do decyzji, Whisp odpowiada dokładnie na tę klasę potrzeb.

W przykładzie z przeniesieniem zlecenia planista może zapytać Whisp o warunki wykonania operacji na alternatywnym stanowisku. Asystent przeszukuje bazę wiedzy i przygotowuje odpowiedź na podstawie dokumentów. Pracownik nadal ocenia sytuację i odpowiada za decyzję.

Tradycyjne wyszukiwanie działa dobrze, gdy użytkownik zna nazwę dokumentu, numer procedury albo charakterystyczne słowo znajdujące się w treści. W pracy planisty pytanie częściej zależy od sytuacji, przykładowo na jakich warunkach można wykonać tę operację na innym stanowisku, albo jakie wymagania obowiązują dla tego wariantu produktu.

Whisp wykorzystuje wyszukiwanie semantyczne, dlatego może odnajdywać fragmenty powiązane znaczeniowo z pytaniem. W kontekście AI w planowaniu produkcji zmienia się więc punkt startowy. Użytkownik zaczyna od problemu, który chce rozwiązać, zamiast od nazwy pliku.

Przydaje się to szczególnie przy rozbudowanych instrukcjach. Aktualny dokument nadal może być trudny w użyciu, jeśli pracownik musi przeglądać wiele stron, żeby znaleźć jeden warunek potrzebny do decyzji.

Asystent nie naprawi sprzeczności znajdujących się w źródłach. Jeśli dwie instrukcje podają inne parametry albo w katalogu nadal znajduje się stara wersja procedury, model otrzymuje niejednoznaczny materiał. Dlatego AI w planowaniu produkcji wymaga wskazania dokumentów, które rzeczywiście stanowią obowiązujące źródło wiedzy. Jakość odpowiedzi jest bezpośrednio związana z jakością i aktualnością wiedzy udostępnionej systemowi.

Pilotaż nie musi obejmować całej dokumentacji zakładu. Lepiej wybrać jeden proces, zebrać pytania regularnie wracające do planistów lub technologów i przypisać do nich używane materiały. Następnie trzeba usunąć nieaktualne wersje i wskazać właściciela treści.

Przed dodaniem dokumentów do bazy sprawdź:

Jeżeli część wiedzy istnieje wyłącznie w doświadczeniu technologów, najpierw trzeba ją zapisać i zatwierdzić, bo modele AI pracują z wiedzą udostępnioną w dokumentach. Nie mają dostępu do wiedzy eksperta, której wcześniej nigdzie nie zapisano.

AI w planowaniu produkcji obejmuje różne zastosowania, dlatego nazwa technologii nie powinna być pierwszym kryterium wyboru. Najpierw trzeba ustalić, co faktycznie blokuje planistę.

Taki podział ogranicza ryzyko, że integracja AI w procesach produkcji zacznie się od narzędzia niedopasowanego do problemu. Ma ono sens tam, gdzie czas zabiera wyszukiwanie i przekazywanie wiedzy. Brak dobrego harmonogramu, brak danych z maszyny i brak instrukcji to różne sytuacje, choć każda może być opisana jako AI dla produkcji.

Jeśli potrzebujesz przede wszystkim danych o bieżącej realizacji produkcji, osobnym kierunkiem jest Portal Produkcyjny i system MES explitia, który może łączyć informacje m.in. z maszyn, PLC, ERP i formularzy operatorskich.

Generatywne modele mogą tworzyć odpowiedzi brzmiące wiarygodnie, mimo że zawierają błąd. NIST w Generative AI Profile określa takie zjawisko jako confabulation i wskazuje, że wymaga ono szczególnej uwagi w zastosowaniach prowadzących do decyzji o istotnych konsekwencjach. Z tego powodu AI w planowaniu produkcji powinno mieć jasno określony zakres odpowiedzialności człowieka.

Narzędzie takie jak explitia.Whisp pomaga dotrzeć do wiedzy, ale nie zastępuje zatwierdzonych procedur ani decyzji pracownika. Przy informacjach wpływających na bezpieczeństwo, jakość lub parametry technologiczne trzeba określić, kiedy użytkownik ma sprawdzić źródło albo skonsultować decyzję z właścicielem procesu. Oficjalny opis produktu również wskazuje, że narzędzie nie zastępuje zatwierdzonych procedur ani decyzji użytkownika.

Firma powinna wiedzieć, gdzie działa model, gdzie przechowywana jest baza wiedzy i kto może z niej korzystać. Narzędzie może wykorzystywać lokalnie działające modele AI, co pozwala dopasować architekturę do wymagań organizacji. Zasady bezpieczeństwa nadal trzeba ustalić dla konkretnego wdrożenia.

Unijny AI Act wymaga także działań wspierających kompetencje AI osób korzystających z systemów w imieniu organizacji. Art. 4 stosuje się od 2 lutego 2025 roku, więc użytkownicy powinni znać możliwości i ograniczenia wykorzystywanego rozwiązania. Więcej informacji publikuje Komisja Europejska w materiałach dotyczących AI literacy.

Pilotaż powinien zaczynać się od tych aspektów, które powodują konkretną pracę, jak choćby przeglądanie dokumentacji, poszukiwanie aktualnej wersji albo angażowanie technologa w powtarzalne wyjaśnienia. Przed uruchomieniem narzędzia warto zmierzyć stan wyjściowy, żeby później mieć z czym porównać sposób pracy.

Dla projektu AI w planowaniu produkcji można mierzyć czas dotarcia do informacji, udział pytań zakończonych odnalezieniem właściwego źródła, liczbę konsultacji z ekspertem i trafność odpowiedzi ocenianą przez właściciela procesu. Najpierw sprawdza się, czy problem rzeczywiście istnieje i czy asystent go ogranicza.

Pierwszy pilotaż może objąć jedną grupę procedur albo jeden typ decyzji planistycznych. Jeśli AI w planowaniu produkcji dobrze działa w tym zakresie, bazę można rozszerzać. Słabe wyniki pokażą, czy przeszkodą jest dokumentacja, sposób zadawania pytań czy dobór przypadku użycia.

Takie kryteria są bardziej użyteczne niż samo sprawdzenie, czy chatbot potrafi wygenerować poprawnie brzmiącą odpowiedź. Dla kierownika produkcji liczy się zmiana w konkretnym procesie pracy oraz możliwość sprawdzenia, skąd pochodzi wiedza wykorzystana przy decyzji.

W materiale o przygotowaniu firmy i danych do wdrożenia AI, poświęconym jakości danych, kontekstowi procesu, bezpieczeństwu i wyborowi pierwszego use case’u znajdziesz więcej informacji.

Jeśli Twoja firma ma problem z czujnikami, brakiem kontekstu danych procesowych albo integracją ERP z halą, pierwszym krokiem powinno być rozwiązanie tych braków. Jeżeli źródłem opóźnień jest dostęp do instrukcji, procedur i wiedzy technicznej już zapisanej w organizacji, można przejść bezpośrednio do pilotażu explitia.Whisp.

Najlepszy kandydat do pierwszego wdrożenia to proces, w którym planiści regularnie zadają podobne pytania, odpowiedzi istnieją w dokumentach, a ich wyszukiwanie zabiera czas lub wymaga angażowania eksperta. Wtedy AI w planowaniu produkcji ma konkretny zakres i można sprawdzić jego efekt na rzeczywistej pracy zespołu.

Zacznij od reprezentatywnych pytań, przypisz im zatwierdzone źródła i sprawdź odpowiedzi razem z właścicielem procesu. Liczbę pytań dobierz do zakresu procesu oraz różnorodności dokumentacji, zamiast przyjmować arbitralny próg. Jeśli test potwierdzi przydatność, kolejnym krokiem może być rozszerzanie bazy wiedzy na następne procedury lub grupy użytkowników.

explitia.Whisp ma jasną rolę: skraca drogę od pytania do wiedzy zapisanej w firmowej dokumentacji. Tak rozumiane AI w planowaniu produkcji nie konkuruje z APS ani MES. Uzupełnia pracę planisty tam, gdzie kolejna decyzja zależy od informacji, którą firma już posiada, ale pracownik musi najpierw do niej dotrzeć. Jeśli właśnie ten etap spowalnia pracę w Twoim zakładzie, sprawdź możliwości explitia.Whisp i oceń jeden proces na pilotażu.

Nie. Whisp wyszukuje wiedzę w przygotowanej dokumentacji i tworzy odpowiedzi na jej podstawie. Automatyczne harmonogramowanie wymaga funkcji APS lub innego systemu planistycznego pracującego na danych o zleceniach, zasobach i ograniczeniach.

Tak, jeśli zadaniem jest dostęp do wiedzy zapisanej w dokumentacji. MES staje się potrzebny wtedy, gdy zastosowanie wymaga bieżących danych o realizacji zleceń, stanach maszyn albo przebiegu procesu.

Najlepiej zacząć od aktualnych instrukcji, procedur, dokumentacji technicznej i arkuszy odpowiadających na pytania, które faktycznie wracają w pracy użytkowników. Zakres pilotażu powinien być możliwy do zweryfikowania przez właściciela procesu.

Nie. Lokalna architektura może pomóc spełnić wymagania dotyczące kontroli danych, lecz nie usuwa ryzyka błędnej odpowiedzi. NIST wskazuje konfabulacje jako jedno z ryzyk generatywnej AI, dlatego potrzebne są aktualne źródła i zasady weryfikacji odpowiedzi.