Tekoälystä vastalääke laadunvarmistuksen ongelmakohtiin

PekkaJaarinenPekka Jaarinen aloitti Advianin Chief Technology Officerina vuoden 2020 loppupuolella.

Ennen Adviania Pekka on työskennellyt haastavissa rooleissa teknologian ja bisneksen välimaastossa yli 20 vuoden ajan. Pekan ydinosaamista ovat strateginen suunnittelu, strategian implementointi sekä IoT ja edistyneet data-analytiikan ratkaisut. Pekan vahvuutena on kyky hahmottaa vision ja strategian näkökulmasta, miten teknologiatrendit vaikuttavat tuote- ja palveluportfolioihin.

Blogissa Pekka kertoo, miksi aiemmin suuryritysten ratkaisuiksi mielletyt tekoälyyn pohjautuvat laadunvarmistusratkaisut ovat nyt myös keskisuurten valmistajien ulottuvilla, sekä millä keinoin uusista teknologioista saadaan puristettua irti todellista liiketoimintahyötyä.

Ovi auki keskisuurille toimijoille

Lähes jokaisella teollisuusyrityksellä on jonkinasteisia haasteita ja tarpeita liittyen laadunvarmistuksen kehittämiseen ja tuotantoprosessin tehostamiseen.

Se, miten laadunvarmistusta tehdään, vaihtelee yrityskohtaisesti. Joissain yrityksissä koko prosessi hoidetaan edelleen ihmisvoimin, toisissa automatisointia on vasta alettu pohtimaan ja joissakin yrityksissä uusia vaihtoehtoja tutkitaan ja testataan aktiivisesti.

Suurten valmistajien massaprosesseissa on jo käytössä erilaisia automatisoituja ratkaisuja, joissa hyödynnetään konenäköä. Perinteisissä konenäköratkaisuissa asiantuntija on kuitenkin määritellyt etukäteen, mikä on virheellinen tai hyväksytty tuote.

Kun konenäköratkaisuun otetaan mukaan tekoäly, voidaan datamassaa käyttää tehokkaammin hyväksi ja kouluttaa järjestelmä oppimaan ominaisuudet, jotka määrittelevät laadukkaan tuotteen. Voidaankin puhua teollisesta Edge AI:sta, jolla tarkoitetaan käytännössä uusien teknologioiden, kuten tekoälyn, koneoppimisen, konenäön, sekä sensoridatan hyödyntämistä prosessin tehostamis- ja automatisointitarkoituksessa. 

lataa-smart-factory-opas

Tekoäly toimii erityisen hyvänä vastalääkkeenä laadunvarmistuksen ongelmakohtiin, sillä sen avulla voidaan poistaa tai vähentää merkittävästi manuaalisia vaiheita, parantaa ja nopeuttaa virheiden havaitsemista, osoittaa tuotantoprosessin heikoimmat kohdat ja jopa ennustaa tulevia vikoja.

Uusien teknologioiden kehittyminen sekä alhaisemmat hinnat ovat mahdollistaneet sen, että tekoälyä hyödyntäviä ratkaisuja voidaan käyttää myös pienemmän volyymin valmistusprosesseissa. Avasin alle kolme esimerkkiä, millä tavalla Advianin Quality Assurance -ratkaisut toimivat. 

1 Laadun parantaminen tuotantodataa analysoimalla

Valmistavassa ja prosessiteollisuudessa laadunvarmistus perustuu edelleen suurelta osin esimerkiksi näytteiden ottoon tai asiantuntijan tekemään arvioon erän laadusta. Edge AI -ratkaisulla näytteiden analysointi sekä visuaalinen tarkastus voidaan automatisoida hyödyntämällä tilanteeseen sopivaa sensoridataa, jota tekoäly ja koneoppimismallit analysoivat.

Mahdolliset raja-arvojen sisällä tapahtuvat pienet muutokset laadussa on myös mahdollista havaita nopeammin, mikä voi parhaassa tapauksessa estää suurempien erien vikaantumisen tai tuotantolinjan ajon pysäyttämisen.

2 Vikojen ja poikkeamien tarkka havainnointi automaattisesti

Vialliset tuotteet eivät pelkästään ole kustannustekijä, vaan ne voivat aiheuttaa yritykselle maineriskin tai pahimmassa tapauksessa olla vahingoksi loppukäyttäjälle. Tekoälyn avulla osa manuaalisesta tarkastustyöstä voidaan poistaa tai joissain tapauksissa korvata kokonaan. Virheiden havainnointitarkkuus paranee, laatukriteerit saadaan varmasti vakioitua, ja prosessi nopeutuu.

Ratkaisu soveltuu monenlaisten pintojen tai muotojen tarkastukseen, ja sopivin teknologia valitaan aina tapauskohtaisesti. Erilaisia kameroita ovat esimerkiksi infrapuna-, stereo- ja hyperspektrikamerat. Muita mahdollisia sensoreita on useita – voidaan analysoida esimerkiksi värähtelyä tai ääntä.

3 Huomioi hitaasti kehittyvät muutokset tuotantoprosessissa

Tuotannossa saattaa ilmetä myös hyvin hienovaraisia muutoksia viikkojen, kuukausien tai pidemmällä aikavälillä. Tekoälypohjaisilla ratkaisuilla on mahdollista nähdä tehokkaammin, miten ja missä ajassa nämä poikkeamat ovat ilmenneet. Manuaalisesti tehtävässä laaduntarkastuksessa voi käydä myös niin, että viallinen tuote kyllä huomataan, mutta syytä ei tiedetä. Tässä tilanteessa jo kerätty tuotantodata auttaa löytämään vastauksen, missä kohtaa prosessia poikkeama ilmeni. Tuotteen elinkaareen voivat vaikuttaa monet asiat sen tuotanto- ja toimitusketjussa, tätä analysoimalla kokonaisuutena voidaan tehdä arvokkaita löytöjä ja tuottaa arvoa loppuasiakkaalle.

Jos tuotteesta tulee huolto- tai takuupyyntöjä, voidaan tuotanto- tai komponenttidataa analysoimalla huomata syy-seurausyhteyksiä. Näin tuotantoprosessissa voidaan parantaa asioita, jotka aiheuttavat systemaattisia virheitä valmiissa tuotteissa. Kun ratkaisua kehitetään pidemmälle, tulevia virheitä voidaan myös ennustaa. Mitä jos saisit tietää syyn, miksi tuotteet ovat viallisia, ennen kuin valmistusprosessi on ajettu loppuun asti?

Haluaisitko tutustua lisää erilaisiin käyttötapauksiin? Lataa tästä oppaamme Edge AI:n hyödyntämisestä Smart Factory -ympäristössä. 👇 

Lataa opas ilmaiseksi tästä

Miten tekoälystä tehot irti

Tekoälyn tuominen osaksi tuotantoympäristöä ja prosessia ei kuitenkaan ole aivan helppoa. Asiakkaiden kanssa käytyjen keskustelujen perusteella ongelma ei piile siinä, etteikö tekoälyyn tai uusien teknologioiden mahdollisuuksiin uskottaisi. 

Miksi tekoälyä ei sitten jo hyödynnetä enemmän? Taustalla on kaksi syytä - toinen on liiketoimintahyödyn todentaminen ja toinen tarvittavan osaamisen ja asiantuntemuksen puuttuminen.

Päätöstä investoida uuteen teknologiaan voi olla vaikea perustella. Tekoälyn tuomia säästöjä ja hyötyjä voi olla vaikeaa laskea eurotasolla etenkin, jos tämän tyyppisiä ratkaisuja ei ole ennen kokeiltu tai jos aiemmat kokeilut ovat jääneet pistekokeiluina pilotoinnin asteelle päätymättä koskaan tuotantoon asti. 

Itse lähestyisin aihetta pitkällä tähtäimellä ja strategisen ajattelun kautta. Onko tekoälyllä ja uusia teknologioita hyödyntävillä ratkaisuilla paikkansa yrityksen strategiassa? Asetetaan tavoitetila ja aikataulu, jota kohti lähdetään etenemään. Kun uusi teknologia saa jalansijaa strategiassa, ei yksittäinen projekti jää pistemäiseksi korjausliikkeeksi, vaan kehitys on kokonaisvaltaisempaa. Tekoälyn hyöty on suurin silloin, kun sitä jatkokehitetään - siihen panostaminen on strateginen valinta, joka tuottaa arvoa.

Uudet teknologiat eivät välttämättä saa ansaitsemaansa roolia prosessin kehitystyössä myöskään siksi, että sisäistä osaamista ei löydy tarpeeksi. Usein kaikkea asiantuntemusta ei löydy omasta talosta tarpeeksi, joten sitä pitää ostaa ulkoa tai alkaa kehittämään sisäisesti. Osaavan ratkaisukumppanin löytäminen, joka ymmärtää sekä teknologian että liiketoiminnan lainalaisuudet, voi olla haasteellista. 

Koska jokainen tuotantoprosessi, -laitos tai -ketju on omalla tavallaan uniikki, one size fits all -tyyppiset ratkaisut eivät tuota maksimaalista lisäarvoa. Tässä onkin Edge AI -ratkaisujen etu, sillä ne ovat jo lähtökohtaisesti sovitettuja asiakkaalle kyseiseen toimintaympäristöön. Advianin ratkaisupaketilla haasteet voidaan ratkaista asiakaskohtaisesti ja koneoppimismallit opetetaan asiakkaan omalla datalla. Meidän tehtävämme on ratkaista liiketoimintahaaste alusta loppuun niin, että tulos näkyy myös viivan alla. 

 

Onko sinulla mielessäsi jokin aihealue, ongelma tai tehostamiskohta, jota prosessissa haluaisit parantaa?

Heitä liiketoimintahaaste meille, niin palaamme ratkaisuehdotuksella takaisin! Alta pääset varaamaan puhelinkeskustelun asiantuntijamme Jari Rahjan kanssa. 👇

 

Avainsanat: Tekoäly, Tiedolla johtaminen, Edge AI, Teollisuus

Pekka Jaarinen | CTO

Kirjoittaja:Pekka Jaarinen | CTO

TILAA TUOREET ARTIKKELIT

Opi rakentamaan epäreilua kilpailuetua tiedolla johtamisella ja sijaintitiedolla.

Uudet blogiartikkelit sähköpostiisi heti julkaisupäivänä:

Ratkaisut

Valikoituja näytteitä tiedoistamme ja taidoistamme