Ražošanas nozare sastāv no darba, ko ir grūti apkopot vienā uzdevuma veidā. Ir plānošanas darbs: pasūtījumu ieplānošana, materiālu plūsmu saskaņošana, kapacitātes sadale starp iekārtām un maiņām. Ir kvalitātes darbs: inspicēšana, mērīšana, novirzes novērtēšana un dokumentēšana. Ir apkopes darbs: bojājumu diagnostika, detaļu pasūtīšana, preventīva darba plānošana. Un ir administratīvais darbs, kas ar to visu saistīts: sertifikāti, pēckalkulācija, atskaites klientiem un uzraudzības institūcijām.
Šie darba veidi krasi atšķiras pēc tā, cik prognozējami tie ir. Plānošanas uzdevums ar fiksētiem noteikumiem un vēsturiskiem datiem ir citādi piemērots automatizācijai nekā tādas metinājuma šuves novērtēšana, kas tikko iziet ārpus normas, bet, iespējams, tomēr ir laba. Šis pēdējais novērtējums ir atkarīgs no pieredzes, no konteksta, kas nav ietverts nevienā sistēmā, un no atbildības, ko kādam jāspēj uzņemties. Šī atšķirība lielā mērā nosaka, kāda ambīcija ir realistiska kādai darba daļai.
Visā ražošanas nozarē darbu caurstrāvo tā pati trīsdaļīgā struktūra. Daļu var pārņemt AI: atkārtotas kontroles, kas balstītas uz sensoru datiem, standarta pārskatu apkopošana, zināmu bojājumu modeļu atpazīšana. Daļa notiek daļēji, ar cilvēku, kas apstiprina vai noraida: kvalitātes novērtējumi, kur algoritms izsaka priekšlikumu, un operators vai kvalitātes darbinieks apstiprina vai koriģē lēmumu, norādot iemeslu. Un daļa paliek cilvēka darbs: tādas kļūmes novēršana, kādu iepriekš nekas nav redzējis, sarunas ar piegādātāju par novirzošu piegādi, atbildības uzņemšanās drošības incidenta gadījumā.
Tas, kas šodien vienā rūpnīcā jau iekļaujas pirmajā kategorijā, citā rūpnīcā joprojām pilnībā pieder trešajai. Šī atšķirība reti izriet no tehnoloģijas pašas. Tā izriet no tā, vai dati ir pieejami, vai sensori mēra pareizās lietas, vai darbinieki uzticas sistēmai tik, ka ir gatavi tai kaut ko uzticēt, un vai ir kāds, kas var apstiprināt rezultātu, lai process neapstātos, gaidot parakstu.
Vadība, kas saka "mēs vēlamies AI vadītu kvalitātes kontroli", ar to arī pasaka kaut ko par organizāciju, kurai jāspēj to nodrošināt. Jābūt kādam, kas novērtē sistēmas kļūdu ziņojumus, ne vien teorētiski, bet ikdienas maiņu darbā. Jābūt skaidrībai par to, kurš var atcelt sistēmas noraidījumu un uz kāda pamata. Un jābūt pieejamai kapacitātei, lai sistēmu iekārtotu un uzturētu — kapacitātei, kas bieži jau pilnībā piešķirta pastāvošajam darbam.
Tieši šeit daudzas ambīcijas ražošanas nozarē apstājas: nevis jautājumā, vai tehnoloģija to spēj, bet jautājumā, vai organizācija ir jau aizpildījusi ap to esošo lomu. Kurš izlemj, kad sistēma šaubās? Kurš ir atbildīgs, kad klientam ir sūdzība par produktu, kas izgājis AI vadītu inspekciju? Šie jautājumi skar atbildību darbinieku vidū, un lēmumiem, kas no tā izriet, ir savi tiesiskie priekšnoteikumi; šis novērtējums šeit netiek veikts.
Divas rūpnīcas ar līdzīgām iekārtām un līdzīgiem produktiem var krasi atšķirties pēc tā, cik lielā mērā AI faktiski pārņem to darbu. Vienai gadu gaitā ir savākti un strukturēti sensoru dati, otrai ir tie paši sensori, bet dati pazūd žurnālos, ko nekad neviens nav sakārtojis. Vienai ir kvalitātes komanda, kurai katru nedēļu ir laiks novērtēt novirzes un koriģēt sistēmu, otrai šī komanda ir pilnībā aizņemta ar pastāvošo ražošanu. Neviens no tiem nav kļūdains, bet tas nosaka, cik daudz no ambīcijas ir sasniedzams šogad un cik daudz — nākamgad.
Šīs atšķirības nav unikālas ražošanas nozarei. Tā pati spriedze starp ambīciju un gatavību pastāv transporta nozarē, kur plānošana un maršruta izvēle rada līdzīgus jautājumus, un biznesa pakalpojumu nozarē, kur uzraudzība pār konsultāciju rezultātiem ieņem tādu pašu lomu kā kvalitātes kontrole cehā. Arī jautājums par to, kā ambīciju sadalīt daļās, ko organizācija faktiski var paveikt gada laikā, atkārtojas katrā nozarē, un tas ir apskatīts atsevišķi paskaidrojumā par to, kā fāzēt ambīciju, kas ir pārāk liela vienam gadam.
Jautājums, kas ir zem visiem šiem piemēriem, nav, vai AI vispār var pārņemt šāda veida darbu. Tas ir, kuru konkrēto darba daļu šajā konkrētajā uzņēmumā faktiski var pārņemt, ņemot vērā tagad pieejamos datus, sistēmas un cilvēkus. Šis jautājums tiek atbildēts uzdevumu līmenī ar FTE TO AI darba skenēšanu, neatkarīgi no priekšstata, kāds par to ir vadībai.
Ambīcija kļūst lietojama tikai tad, kad tā ir sadalīta tajā, ko organizācijai jāspēj darīt, un pārbaudīta pret to, ko tā jau spēj. Cik ātri organizācija patiešām var mainīties šādos jautājumos, ir jautājums, kas nav saistīts ar pašu ambīciju un tiek atsevišķi izklāstīts pārdomās par organizāciju patieso pārmaiņu tempu.
Kā pirmais solis pieejama bezmaksas gatavības pārbaude: astoņi īsi jautājumi, viens katrai dimensijai, kas sniedz priekšstatu par to, kur jūsu organizācija ir tikusi tālāk un kur — vismazāk. Pilnīga ambīciju pārbaude, ar četriem slāņiem no vīzijas līdz mērķa stāvoklim un pārnesumu uz lomām un lēmumu tiesībām, tiek izstrādāta.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.