Los Angeles, noc, sześciopasmowa autostrada. W kabinie nikogo. Na jezdni leży przedmiot; opona, może skrzynka, trudno rozpoznać przy tej prędkości. System pojazdu rejestruje przeszkodę, oblicza tor jazdy, włącza kierunkowskaz, omija. Czas reakcji: poniżej dziesięciu milisekund. Ludzkie oko przy takim oświetleniu prawdopodobnie nie zdążyłoby jej wychwycić. 

Autonomiczne taksówki w Stanach Zjednoczonych przejechały już dziesiątki milionów mil bez człowieka za kierownicą. Skanery laserowe (LiDAR), radary i kamery działają równolegle, budując trójwymiarowy obraz otoczenia, mierząc odległości, rozpoznając znaki drogowe. Każdy z tych czujników rejestruje coś, czego nie rejestrują pozostałe. Razem generują około dziesięciu terabajtów danych na godzinę jazdy. Komputer pokładowy przetwarza je lokalnie, bez przesyłania na serwer i bez czekania na odpowiedź. 

Ten tekst dotyczy mechanizmów, które równie dobrze działają na hali produkcyjnej, w magazynie i na linii montażowej. Autostrada pełna zmiennych (piesi, inne pojazdy, roboty drogowe, deszcz, nieprzewidywalne zachowania kierowców) to środowisko trudniejsze niż kontrolowane warunki zakładu przemysłowego. Skoro algorytm daje sobie radę tam, produkcja powinna być dla niego łatwiejszym egzaminem. 

Maszyna widzi więcej niż człowiek 

Zmęczenie, rozkojarzenie, telefon w ręce, za duża prędkość. Czynnik ludzki odpowiada za 94% poważnych wypadków drogowych. Algorytm żadnej z tych słabości nie zna – flota Waymo (spółka zależna Alphabetu, właściciela Google’a) przejechała ponad 22 miliony mil bez kierowcy. W porównaniu z ludźmi poruszającymi się po tych samych ulicach odnotowała 73% mniej wypadków z obrażeniami ciała i 84% mniej poważnych zdarzeń, w których uruchomiły się poduszki powietrzne. Cruise, spółka zależna General Motors, na dystansie miliona mil wykazał 92% mniej kolizji ze swojej winy. Statystyki z obu flot mówią jednym głosem: maszyna prowadzi bezpieczniej. 

Na hali produkcyjnej ten sam problem pojawia się w innej skali. Inspektor kontroli jakości na trzeciej zmianie patrzy na setny detal i widzi mniej niż na pierwszy. Oko się męczy, uwaga się rozprasza, ręka sięga po kolejny element odruchowo. System wizyjny oparty na głębokim uczeniu (czyli programie, który sam uczy się rozpoznawać wzorce na podstawie tysięcy obrazów treningowych) analizuje wymiary, kształt i wykończenie każdego elementu w ułamku sekundy i z taką samą dokładnością o trzeciej w nocy, co o ósmej rano. 

W procesach obróbki skrawaniem (kształtowania metalu przez frezowanie, toczenie lub wiercenie) zastosowanie statystycznego sterowania procesem, czyli ciągłego pomiaru odchyleń geometrycznych i automatycznej korekty parametrów, pozwoliło zejść do wskaźnika braków na poziomie 0,0%. Zero wadliwych detali w całej serii. Firma CenterLine poszła o krok dalej: wdrożyła cyfrowego bliźniaka, wirtualną replikę linii produkcyjnej, na której inżynierowie testują zmiany zanim cokolwiek fizycznie ruszy na hali. Wyniki to 90% mniej problemów z poprawkami systemów i 75% krótszy czas programowania urządzeń.  

Jedno auto się uczy, reszta już wie 

Autonomiczna taksówka napotyka nocą nieoznaczone roboty drogowe. Rejestruje sytuację, przetwarza dane, wykonuje manewr. W ciągu sekund cała flota wie, co czeka ją w tym miejscu. Żaden kierowca nie zadzwoni do kolegi z ostrzeżeniem o trzeciej w nocy. Algorytm robi to sam. 

Mechanizm wygląda następująco. Dane z czujników przechodzą wstępną analizę w samym pojeździe. Ten etap nazywa się przetwarzaniem krawędziowym (ang. edge computing), bo obliczenia dzieją się „na krawędzi” sieci, tam, gdzie dane powstają, a nie w odległym centrum obliczeniowym. Przefiltrowane informacje trafiają do chmury. Stamtąd wracają do pozostałych aut jako aktualizacje oprogramowania wysyłane bezprzewodowo, na tej samej zasadzie, na jakiej telefon pobiera nową wersję aplikacji. Pojazdy potrafią też wymieniać się danymi między sobą przez łączność V2X (ang. Vehicle-to-Everything), czyli komunikację auta ze wszystkim dookoła: innymi pojazdami, sygnalizacją świetlną, infrastrukturą drogową. Na testowanych odcinkach taka koordynacja poprawiała płynność ruchu o 35%. 

Na hali produkcyjnej ta sama zasada nosi inne nazwy, ale logika jest identyczna. Przemysłowy Internet Rzeczy (IIoT) łączy maszyny, czujniki i sterowniki w sieć wymieniającą dane bez przerwy. Czujniki drgań na łożyskach rejestrują mikroskopijne zmiany amplitudy wibracji. Czujniki temperatury wychwytują nadmierne tarcie. Czujniki prądu śledzą nagły wzrost obciążenia silnika. Sztuczna inteligencja analizuje te sygnały łącznie i porównuje z zapisanymi wzorcami zużycia; tak jak lekarz porównuje wyniki badań pacjenta z normami. 

Efekt ma fachową nazwę: predykcyjne utrzymanie ruchu, co oznacza, że system przewiduje awarię, zanim do niej dojdzie. Tam, gdzie go wdrożono, nieplanowane przestoje maszyn spadły o 30 do 50 procent. BMW stworzyło cyfrowe repliki ponad trzydziestu swoich fabryk i skróciło czas planowania produkcji o blisko jedną trzecią. Volkswagen we Wrześni symuluje procesy na wirtualnym bliźniaku, zanim uruchomi je na rzeczywistej linii montażowej.  

Każdy przejazd inny, proces ten sam 

Autonomiczna taksówka w Los Angeles wita pasażera po polsku. Odtwarza jego listę utworów. Pamięta ustawienia fotela i siłę nawiewu klimatyzacji. Przy kolejnym wsiadaniu nie trzeba niczego ustawiać od nowa. 

Masowa usługa, a jednocześnie doświadczenie dopasowane do jednej osoby. Bez dodatkowego kosztu, bez dodatkowego czasu. 

Produkcja przemysłowa mierzy się z tym samym wyzwaniem, tylko z drugiej strony. Klient zamawia klawiaturę membranową z własnym układem przycisków, określoną grafiką, wybraną siłą aktywacji i odpornością na konkretne substancje chemiczne. Następny klient potrzebuje czegoś zupełnie innego. Każdy projekt jest jednostkowy. 

Zdolność realizacji takich zleceń w powtarzalnym, zautomatyzowanym cyklu odróżnia producenta od montowni. Standaryzacji wymaga proces, nie produkt. Linia produkcyjna obsługuje setki różnych konfiguracji, ale sekwencja operacji (od projektu graficznego, przez dobór materiałów, po testy końcowe) pozostaje stała, opisana i weryfikowana na każdym etapie. 

Taksówka w LA rozwiązała ten problem za pomocą profilu użytkownika zapisanego w chmurze. Fabryka rozwiązuje go za pomocą procesu, który jest wystarczająco elastyczny, żeby obsłużyć zmienność, i wystarczająco rygorystyczny, żeby nie zgubić jakości po drodze. 

Algorytm nie ma gorszego dnia 

Fabryki automatyzują w pierwszej kolejności procesy powtarzalne: montaż, pakowanie, dozowanie, kompletację, kontrolę wymiarów. Te operacje generują najwięcej błędów wynikających ze zmęczenia. Człowiek wykonujący monotonne czynności w szybkim tempie popełnia pomyłki. Tak działa fizjologia. 

Sektor spożywczy dostarcza jednego z ciekawszych przykładów. Pewien zakład wdrożył algorytm planowania produkcji, który na bieżąco koordynował energochłonne procesy z terminami przydatności surowców. Przeterminowanie materiałów spadło do zera. Rachunki za prąd zmalały o osiemnaście procent. 

Automatyzacja ma jednak swoją cenę początkową i nie ma sensu jej ukrywać. Faza przygotowawcza (analiza procesów, projekt techniczny, budowa połączeń między systemami, testy i szkolenie ludzi) pochłania zazwyczaj od 40 do 60 procent budżetu pierwszego roku. Roczne koszty utrzymania sięgają 15–25 procent wartości początkowego wdrożenia. Starsze maszyny, które nie mają ani czujników, ani portów komunikacyjnych, wymagają doposażenia. Koszt uzupełnienia jednej maszyny o brakujące elementy wynosi od pięciu do dwudziestu pięciu tysięcy złotych. Najtrudniejszy krok to połączenie systemów sterowania z hali (określanych skrótem OT, od ang. operational technology) z biurowymi systemami do zarządzania przedsiębiorstwem i produkcją (ERP, MES), które często posługują się zupełnie różnymi protokołami komunikacji. 

Automatyzacja nie wygania ludzi z hali – przenosi ich z czynności, które maszyna wykona lepiej, do zadań, gdzie ludzki osąd jest niezbędny: analizy przyczyn, podejmowania decyzji, rozwiązywania problemów, na które algorytm nie był uczony. 

Jak to wygląda u nas w Qwerty? 

W Qwerty automatyzacja jest warunkiem powtarzalności. Każda klawiatura membranowa powstaje pod konkretne zamówienie: inny układ przycisków, inna grafika, inne wymagania środowiskowe. Proces, który ją wytwarza, jest jednak ustandaryzowany i nadzorowany od pierwszego etapu do ostatniego. 

Obejmuje to między innymi: 

• zautomatyzowaną kontrolę jakości druku – wizyjną weryfikację kontrastu, pozycjonowania grafiki i trwałości nadruku po seriach cykli użytkowania,  

• powtarzalność parametrów mechanicznych – siłę aktywacji przycisku, odpowiedź dotykową, odporność na miliony naciśnięć bez degradacji,  

• pełną kontrolę łańcucha produkcyjnego – od projektu graficznego, przez dobór materiałów i technologii druku, po montaż końcowy, bez zlecania podwykonawcom etapów, w których błąd jest najtrudniej wychwycić i naprawić.  

Część producentów klawiatur przekazuje fragmenty procesu na zewnątrz. W Qwerty każdy etap odbywa się pod jednym dachem. Nie dlatego, że tak wychodzi taniej. Dlatego, że tak mniej rzeczy wymyka się kontroli. 

Autostrada jest trudniejsza niż hala 

Przeszkoda na jezdni, noc, sześć pasów, mokra nawierzchnia. System reaguje w milisekundach. Autostrada wielomilionowego miasta to tysiące zmiennych: piesi wchodzący spoza zasięgu wzroku, kierowcy zmieniający pasy bez ostrzeżenia, słabe oznakowanie poziome, deszcz zamazujący obraz z kamer. 

Hala produkcyjna to środowisko wielokrotnie bardziej uporządkowane. Mniej zmiennych, stałe parametry, opisana sekwencja operacji, przewidywalne materiały. Jeśli algorytm radzi sobie na autostradzie bez kierowcy, to trudno wskazać proces produkcyjny, którego nie da się zautomatyzować. Pytanie przestało brzmieć „czy”. Brzmi: który proces następny.