Skutečná digitální transformace firmy a jednotné integrované operační prostředí

V rámci průmyslové výroby a služeb s výrobky spojených, vykonávají jednotlivé dílčí subsystémy velké množství autonomních činností a operací, které je třeba integrovat do jednotného firemního operačního prostředí. Přestože se zdánlivě některé z těchto činností na fyzické výrobě nebo poskytování dalších služeb přímo nepodílejí, jsou pro jejich celkovou efektivitu velmi důležité. Mnoho činností a procesů probíhá už v etapách hluboko předvýrobních při formulaci prvních představ o budoucím výrobku, přes specifikaci základních parametrů a první návrhy technického řešení spojené s vývojářskými činnostmi, konstrukčními návrhy a projektováním, a to jak vlastního výrobku, tak i technologického zařízení, na kterém bude výroba probíhat. Nelze také opomenout činnosti související s umístěním výrobku nebo služby na trhu, tedy s budoucím obchodním modelem. V rámci etap výrobních pokračují procesy týkající se například parametrizace výrobních zařízení – nezřídka robotických pracovišť, optimalizace materiálových toků, pohybu postupně dokončovaného výrobku, mezioperačního testování a závěrečné verifikace shody fyzického provedení se zadáním – objednávkou. Další navazující procesy se soustřeďují mimo jiné na sběr dat (díky internetu věcí, lidí a služeb) souvisejících s provozováním produktu, jeho servisem, údržbou a dalšími službami, ale i na optimální logistiku včetně skladování a neposlední řadě také na nakládání s produktem po ukončení jeho životnosti.

Uvědomíme-li si jeden z nejdůležitějších atributů konceptu Průmysl 4.0, a sice, že veškerá komunikace v rámci jednotného firemního operačního prostředí probíhá v reálném čase (jestliže nám to dovoluje infrastruktura), mohou takto integrované procesy velmi pozitivně ovlivňovat nejen produktivitu práce a podílet se na snižování výrobních nákladů, ale například i výrazně zkrátit inovační cyklus produktu. Dalším pozitivním efektem je například optimalizace servisní lhůt výrobních zařízení s ohledem na zakázkovou náplň a kapacity servisního personálu.

Při realizaci jednotného integrovaného operačního prostředí firmy je třeba mít na zřeteli další ze základních atributů konceptu Průmysl 4.0 a sice využívání výpočetní architektury typu SOA (Service Oriented Architectures), která preferuje nabízení a využívání standardních služeb mezi jednotlivými komponentami vstupujícími do všech činností. Tedy například jednotlivá výrobní zařízení, ale také manipulační a skladovací systémy si prostřednictvím vzájemné komunikace „Machine-to-Machine“ (M2M) objednávají mezi sebou služby s cílem maximálně zefektivnit celý výrobní proces, pokud možno bez lidského zásahu.

Vzhledem k tomu, že drtivá většina stávajících firemních informačních systémů nedisponuje schopností operativně přeplánovávat výrobní procesy na základě situační analýzy všech ostatních dynamicky se měnících procesů, které vlastní výrobu nebo poskytování služby ovlivňují, jako jsou například náhlé:

• výpadky technologických zařízení z důvodu poruch nebo havárií
• neplánované nepřítomnosti zaměstnanců
• výpadky v dodávkách surovin nebo polotovarů
• změny požadavků odběratelů i přes platné kontrakty
• omezení spotřeby energií a ostatních médií,

jsou velmi efektivním nástrojem pro jejich optimalizaci algoritmy umělé inteligence.

Podmínkou realizace takového automatického plánovacího systému na bázi umělé inteligence je jednak vytvoření digitálního dvojčete veškerých firemních procesů, na kterém je možné „agenta“ umělé inteligence „natrénovat“, jednak také kontinuální sběr relevantních a zejména validovaných dat. Vedení firem se často domnívá, že pro tento sběr budou využívat zdroje dat – stávající informační systémy, do nichž v minulosti investovali nezřídka nemalé prostředky. Nicméně zkušenosti většiny z těch firem, které se do digitální transformace pustily, hovoří o tom, že stávající informační systémy koncipované jako jisté „ostrůvky“ pro řešení postupně vznikajících situací při růstu firmy, vyžadují trvalou lidskou obsluhu. Ta často spočívá v nutných periodických úpravách číselníků, vynulování různých registrů, občasného resetu po výpadku napájení apod. Navrhnout automatické datové filtry na tyto a jim podobné datové nekonzistence je velmi komplikované, finančně náročné a často díky principu vzniku těchto nekonzistencí nemožné. Proto je nutné ještě před tím, než začneme pomocí strojovému učení trénovat řídicí a plánovací proces, zajistit vhodně strukturovaná a zejména validovaná data. Mnohdy pomůže doplnění zdrojů dat o další senzorické systémy, jindy je třeba doplnit lokální informační systém pro předzpracování dat. Velmi často jsou nutné zásahy a doplnění do infrastruktury umožňující předpokládané datové toky. Rozhodnutí o využívání algoritmů umělé inteligence pro optimalizaci a řízení vnitrofiremních procesů je dobré a pro firmu velmi důležité. Nicméně v každém případě si musí vedení firmy uvědomit, že pro úspěšné nasazení těchto technologií je nutné učinit několik dalších kroků, které jsou mnohdy finančně náročné a které kalkulace potenciálního dodavatele nezahrnují.