Dlaczego AI nie potrafi zoptymalizować fabryki, którą nie rozumie

Maszyna zatrzymuje się w środku produkcji. ERP zna zamówienia klientów i terminy realizacji, MES wie, która operacja została przerwana, dział utrzymania ruchu zna status naprawy, a warstwa maszynowa zna kod usterki i dokładny znacznik czasu. Wtedy pada oczywiste pytanie: co teraz robimy?

AI potrafi podsumować alarm, znaleźć wzorce w historycznych przestojach i wyjaśnić, co prawdopodobnie się stało. Ale dopóki nie rozumie, który produkt był wytwarzany, które zamówienia zależą od tej operacji, które maszyny są zatwierdzonymi zamiennikami, jakie narzędzia są dostępne, którzy operatorzy są wykwalifikowani i jakie obowiązują zasady jakościowe lub procesowe, nie może bezpiecznie zoptymalizować reakcji.
To nie jest przede wszystkim problem AI. To problem kontekstu fabrycznego.

DANE NIE SĄ TYM SAMYM CO KONTEKST
Fabryki już dziś generują ogromne ilości danych. ERP, MES, utrzymanie ruchu, jakość, historiany, sterowniki PLC, platformy IoT i arkusze kalkulacyjne przechowują użyteczne fakty.
Problem polega na tym, że te fakty często pozostają rozłączone. Sam kod zatrzymania maszyny nie mówi, czy zdarzenie nastąpiło podczas produkcji, przezbrajania, konserwacji lub w partii z restrykcyjnym oknem przetwarzania. Maszyna może wyglądać na bezczynną, a mimo to być nieprzydatna, bo wymagane oprzyrządowanie jest niedostępne albo wykwalifikowany operator nie jest na zmianie.
Kontekst łączy zdarzenie z sytuacją operacyjną wokół niego.

Obejmuje to:

• Tożsamość zasobu i aktywa
• Aktywną operację i zlecenie produkcyjne
• Produkt i jego rewizję
• Trasę technologiczną i trasy alternatywne
• Status materiału i partii
• Narzędzia i oprzyrządowanie
• Umiejętności i obsadę zmian
• Ograniczenia jakościowe
• Status utrzymania ruchu
• Zdolności produkcyjne i zależności w dalszych etapach
• Zobowiązania wobec klientów

DLACZEGO SAME PULPITY NIE WYSTARCZAJĄ
Power BI i pulpity operacyjne doskonale pokazują, co się zmieniło. Mogą ujawnić przestoje, rosnące kolejki, opóźnione zamówienia, złom lub dostępne moce produkcyjne.

Pokazanie problemu to jednak coś innego niż decyzja, co produkcja powinna zrobić dalej.
Pulpit może pokazać, że inna maszyna jest dostępna. Nie wie automatycznie, czy jest zatwierdzona dla bieżącej rewizji produktu, czy oprzyrządowanie jest już zarezerwowane, czy przeniesienie zlecenia wymaga zatwierdzenia przez jakość albo czy stworzy nowe wąskie gardło w dalszej części procesu.

Gdy raporty zawierają dziesiątki specjalnych obliczeń, a planiści i tak eksportują wyniki do Excela, aby przetestować alternatywy, brakującym elementem zwykle nie jest kolejna wizualizacja. Jest nim jawny model reguł fabrycznych, stojących za decyzją.

PREDYKCJA TO NIE OPTYMALIZACJA
Predykcja może wskazać, że maszyna prawdopodobnie ulegnie awarii albo że zamówienie z dużym prawdopodobieństwem się spóźni.
To jest użyteczne, ale nie mówi, co robić.
Optymalizacja ma inne zadanie. Ocenia możliwe działania względem reguł i ograniczeń fabryki.

Na przykład po awarii maszyny optymalizator może sprawdzić, czy zagrożona praca może pozostać na pierwotnym zasobie, przejść na zatwierdzoną maszynę zastępczą, zmienić kolejność lub wykorzystać nadgodziny.
Wykonalny plan musi uwzględniać rzeczywiste warunki.
Limity bezpieczeństwa, zatwierdzenia procesowe, zgodność materiałowa, certyfikacja operatorów, oprzyrządowanie, ograniczenia jakościowe, okna serwisowe i reguły kolejności nie znikają tylko dlatego, że inna maszyna wygląda na wolną.

AI, OPTYMALIZACJA I REGUŁY MAJĄ RÓŻNE ZADANIA
Generatywna AI może pomóc planistom zrozumieć sytuację, przeszukać połączone informacje, porównać alternatywy, wyjaśnić kompromisy i przygotować użyteczne przekazanie zmiany.
Modele predykcyjne szacują ryzyko.
Silniki optymalizacyjne szukają wykonalnych harmonogramów.
Deterministyczne reguły sprawdzają, czy proponowane działanie respektuje znane warunki produkcji.
Te komponenty mogą współpracować, ale nie należy ich ze sobą mylić.
Model językowy może wygenerować przekonujące wyjaśnienie. To nie dowodzi, że plan produkcji jest wykonalny.

PRODUKT, PROCES, ZASÓB
Użyteczny model fabryki zaczyna się od Produktu, Procesu i Zasobu.
Produkt opisuje, co jest wytwarzane, w tym rewizję, materiał, reguły partii i wymagania specyficzne dla klienta.

Proces opisuje operacje, sekwencję, warunki przezbrojenia, kontrole, ścieżki alternatywne i reguły niezbędne do wytworzenia produktu.

Zasób opisuje to, co może wykonać daną pracę. Zasobem może być maszyna, narzędzie, oprzyrządowanie, piec, stanowisko badawcze, urządzenie transportowe lub osoba.
Ważna jest relacja między nimi.

Pytanie nie brzmi:
„Która maszyna jest wolna?”

Przydatne pytanie brzmi:
„Który dostępny zasób może wykonać następną wymaganą operację dla tego dokładnie produktu i zamówienia, zgodnie z zatwierdzonym procesem, oprzyrządowaniem, materiałem, jakością, obsadą i warunkami czasowymi?”

GRAFY WIEDZY BEZ HYPE'U
Graf wiedzy stanowi jeden ze sposobów reprezentowania tych połączonych relacji fabrycznych.
Zamiast przechowywać maszyny, operacje, zlecenia, narzędzia i materiały jako odizolowane rekordy, graf reprezentuje także relacje między nimi.

Maszyna może wykonać operację. Operacja należy do trasy. Trasa należy do rewizji produktu. Zlecenie wymaga tej trasy. Dla operacji może być potrzebne oprzyrządowanie. Oprzyrządowanie może być aktualnie zaangażowane w inne zadanie.

Dzięki temu pytania w rodzaju „dlaczego to zlecenie nie może przejść na maszynę 7?” są znacznie łatwiejsze do wyjaśnienia.
Odpowiedź nie powinna brzmieć po prostu „niewykonalne”.

Powinna wyjaśnić, że maszyna 7 obsługuje operację, ale wymagane oprzyrządowanie jest niedostępne, rewizja produktu nie ma zatwierdzenia albo warunek jakościowy w dalszym etapie blokuje trasę.

CYFROWY BLIZNIAK POTRZEBUJE ZADANIA
Pulpit na żywo nie jest automatycznie cyfrowym bliźniakiem.
Użyteczny bliźniak reprezentuje zdefiniowaną część fizycznej operacji i łączy strukturę, stan, reguły oraz dane źródłowe wokół konkretnego celu.

Bliźniak aktywa może wspierać decyzje serwisowe.
Bliźniak linii może pomóc zrozumieć przepływ i wąskie gardła.
Bliźniak systemu produkcyjnego może łączyć stan urządzeń z zleceniami, trasami, materiałami, ludźmi, regułami jakości i terminami dostaw.

Ważne pytanie nie brzmi „czy mamy cyfrowego bliźniaka?”
Brzmi: „jakiego użytkownika, jaką decyzję i jakie okno czasowe wspiera ten bliźniak?”

TOŻSAMOŚĆ AKTYWA JEST FUNDAMENTEM
Jedna fizyczna maszyna może mieć kilka tożsamości.
Utrzymanie ruchu może używać numeru aktywa. MES używa zasobu produkcyjnego. ERP używa gniazda produkcyjnego. Warstwa IoT widzi kontroler lub ścieżkę znacznika.

Te identyfikatory nie muszą znikać, ale ich relacje muszą być zarządzane.
Jeśli system AI zgadnie, że dwie podobne nazwy maszyn oznaczają ten sam fizyczny zasób, każda późniejsza decyzja może być błędna, nawet jeśli dane źródłowe są technicznie czyste.

Mapowania aktywów wymagają zatem właściciela, dat obowiązywania, odniesień do źródeł i zarządzania zmianami.

OGRANICZENIA SĄ CZĘŚCIĄ DANYCH
Trasa może być technicznie możliwa i mimo to nie do przyjęcia w produkcji.

Twarde ograniczenia mogą obejmować:
• Limity bezpieczeństwa
• Zatwierdzone receptury
• Zgodność materiałową
• Zdolności maszyny
• Certyfikację operatorów
• Zwolnienie przez jakość
• Dostępność narzędzi
• Ograniczenia wynikające z utrzymania ruchu

Inne ograniczenia reprezentują kompromisy, a nie absolutne granice. Dodatkowe przezbrojenie może być dopuszczalne, aby chronić pilną dostawę. Nadgodziny mogą być dozwolone dla jednego zobowiązania wobec klienta, ale nie dla innego.

System powinien ujawniać te kompromisy, zamiast ukrywać je w nieprzejrzystej rekomendacji.

CZYSTE DANE SĄ KONIECZNE — ALE NIE WYSTARCZAJĄCE
Dokładne znaczniki czasu, kompletne zdarzenia, ustandaryzowane identyfikatory i niezawodne interfejsy są niezbędne.

Ale nawet idealnie czysta tabela nie wyjaśnia, co oznacza „dostępny”, „ukończony” czy „zdolność produkcyjna”.
Maszyna może być mechanicznie dostępna, a jednocześnie niedostępna dla bieżącej operacji. P