AI w zarządzaniu produkcją w branży kosmetycznej – fakty i mity. Jak je rozróżnić przy wdrożeniu systemu opartego o sztuczną inteligencję?

Bez wątpienia rola AI w przemyśle kosmetycznym będzie nadal rosnąć, przynosząc szereg korzyści firmom produkcyjnym. A jak to wygląda w chwili obecnej w obszarze zarządzania produkcją?

Słuchając i czytając komentarze dostawców oprogramowania rzekomo opartego na sztucznej inteligencji, studiując opisy systemów przeznaczonych dla sektora przemysłowego oraz materiały marketingowe, zdecydowałem się zbadać dostępne obecnie na polskim rynku rozwiązania dla branży kosmetycznej. Na ten moment moje wnioski nie są zbyt optymistyczne.

Narzędzia AI do zarządzania produkcją w mowie marketingowej

Uważam, że z Klientami należy rozmawiać szczerze i taki też jest niniejszy przekaz. Obecne rozwiązania oparte na sztucznej inteligencji dostępne na polskim rynku to programy, które stają się coraz bardziej zaawansowane, ale nie są one tak przełomowymi technologiami, jak prezentowane są w materiałach marketingowych. Rozwój obecnych systemów informatycznych do zarządzania produkcją postrzegam jako zaawansowane narzędzia, korzystające z kompleksowej analizy danych, dostarczanych przez użytkowników poprzez podłączenie do maszyn lub integrację z systemami, w których dane są zbierane w sposób bardziej lub mniej automatyczny. Jednakże moim zdaniem nie można ich uznać za technologie oparte na generatywnej AI.

Dlaczego? Oto kilka przykładów z rynku.

„AI po wprowadzeniu odpowiedniej ilości danych może samodzielnie tworzyć plany produkcyjne dostosowane do możliwości materiałowych i finansowych przedsiębiorstwa”. Przecież ta funkcjonalność dostępna od wielu lat w dobrej klasy systemach APS!

„Narzędzie APS zawierające AI jest w stanie identyfikować obszary niewydajności i sugerować usprawnienia, a zatem służy do optymalizacji procesów produkcyjnych”. Czyż nie opisuje to po prostu językiem marketingowym funkcji optymalizacyjnych, które dostępne są przykładowo u wiodącego japońskiego dostawcy systemu APS od kilkudziesięciu lat?

„Narzędzie służące do eksploracji procesów oparte na AI daje możliwość monitorowania procesów w czasie rzeczywistym, nie tylko analizowania ich po zakończeniu”. To przecież opis typowego systemu do rejestracji zdarzeń online, czego przykładem może być powszechny system typu SCADA, dostępny od drugiej połowy poprzedniego wieku.

„Chat GPT wykorzystywany jest do udzielania wskazówek i porad dotyczących produkcji oraz zarządzania magazynem”. Bez wątpienia, Chat GPT jest potężnym narzędziem usprawniającym pracę, ale należy zwrócić uwagę na jakość generowanych treści. Zawsze wymagają one weryfikacji, ponieważ Chat GPT nie ponosi odpowiedzialności za ich prawdziwość. Dodatkowo, Chat GPT wykorzystuje dane, które są mu dostarczane, aby udzielać odpowiedzi kolejnym użytkownikom. Czy faktycznie powinniśmy udostępniać mu nasze dane dotyczące procesów produkcyjnych? Poufność danych zdecydowanie pozostaje tematem do rozważenia. Pojawia się także kwestia odpowiedzialności za podejmowane decyzje bazując na AI. Nadal za błędne decyzje odpowiadać będzie człowiek.

„Sztuczna inteligencja” opakowana w „czarną skrzynkę”

Wygląda więc na to, że większość opisów systemów zarządzania produkcją w branży kosmetycznej, które rzekomo korzystają z technologii sztucznej inteligencji, jest przykładem marketingowego trendu. Jeszcze niedawno często nadużywano terminów „Przemysł 4.0” lub „Smart Factory” do opisów zwykłych procesów automatyzacji, które w istocie były co najwyżej Przemysłem 3.0. Teraz modna stała się „sztuczna inteligencja” opisując coś, co w rzeczywistości sztuczną inteligencją nie jest. Czyżby dostawcy systemów, na przykład do planowania produkcji, doszli do wniosku, że zdobędą przewagę, promując w swoich materiałach hasła dotyczące wykorzystania sztucznej inteligencji do opracowywania optymalnych planów?

Najczęstszym problemem jest niedostateczne wyjaśnienie funkcjonowania konkretnego systemu opartego na sztucznej inteligencji. Opisy działania algorytmów przekazywane klientom są często w sposób niejasny i trudny do zrozumienia. Dostawcy często prezentują „czarne skrzynki”, które zdają się być wszechwiedzące, a jedyną informacją jest wzmianka o wykorzystaniu głębokiego uczenia maszynowego (DL) lub sieci neuronowych. Szczegóły techniczne są pomijane pod pretekstem ochrony własności intelektualnej.

Niestety, nie zawsze to jest zgodne z prawdą. Często używane są starsze, bardziej powszechne modele, takie jak regresja liniowa lub logiczna, ale są one bardziej przejrzyste i tańsze niż złożone modele oparte na sieciach neuronowych.

Wyzwania stawiane AI przez specyfikę produkcji kosmetycznej

Tymczasem branża produkcji kosmetyków staje przed szeregiem wyzwań związanych z logistyką produkcyjną, które wymykają się poza obecne możliwości AI.

Po pierwsze jest to synchronizacja procesu produkcji mas w określonych zwalidowanych szarżach z procesem konfekcji. Masy, jako półprodukt, mają określony termin do użytku. W związku z tym obowiązującą metodą logistyczną powinno być FEFO (first expired, first out). Należy zwrócić uwagę, że zasada nie dotyczy tylko zarządzania magazynem wyrobów gotowych ale właśnie również zużycia półproduktów. Bardzo często właściwości fizyko-chemiczne zmieniają się, co w konsekwencji powoduje zmiany logistyki produkcji i harmonogramowania produkcji. Ten mechanizm wymaga interakcji indywidualnych kompetencji personalnych. Liczba dopuszczalnych przypadków użycia pewnie jest możliwa do skatalogowania w celu wysnuwania wniosków i budowy modeli w AI, jednak moim zdaniem nie dysponujemy jeszcze odpowiednią bazą danych statystycznych.

Podobny problem dotyczy zmiany lead time w zależności od badań mikrobiologicznych oraz od wielkości zbiorników i możliwych do stosowania w nich szarż. Dodając jeszcze różne metody mycia, dezynfekcji, utrzymania sterylności i w związku z tym dynamicznie zmieniające się nie tylko czasy jednostkowe ale również przygotowawczo-zakończeniowe otrzymujemy często niepowtarzalne, wymykające się spod kontroli AI, przebiegi procesów.

Dużym ograniczeniem w organizacji planowania, harmonogramowania produkcji jest dostępność załogi w procesach konfekcjonowania. Bardzo często dynamicznie podejmowane są decyzje w zależności od składu załóg na poszczególnych zasobach pakujących, np. na skutek pozyskania informacji z systemów RCP o nieobecności. Niestety praktyka pokazuje, że jest to proces trudny do prognozowania czy zamodelowania. Dlatego bardzo często kompetencje alokacji załogi są delegowane na bardzo niski poziom organizacji, np. brygadzistów, nawet nie mistrzów produkcji. W tym zakresie systemy informatyczne muszą być niezwykle elastyczne i mają narzuconą projekcję bezpośredniego użytkownika.

Można zatem wysnuć tezę, że obecnie te newralgiczne procesy nie zostały rozwiązane lub też nie są znane póki co metody ich rozwiązania za pomocą AI. Dlaczego? Zbyt duża zmienność, niewystarczająca baza przypadków użycia nie pozwalają na zbudowanie adekwatnych modeli statystycznych. Tu doświadczenie ludzkie jest niezbędne; potrzebna jest umiejętność podejmowania decyzji w warunkach niepewności, kreacja intelektualna.

Na co warto zwrócić uwagę przed wprowadzeniem nowej technologii w sektorze kosmetycznym?

Chciałbym poruszyć trzy istotne aspekty, które należy uwzględnić przy planowaniu wprowadzenia nowej technologii właściwie w każdym zakładzie produkcyjnym, nie tylko w branży kosmetycznej.

Pierwszym krokiem jest określenie celów biznesowych związanych z inwestycją. Musimy zastanowić się, jakich korzyści oczekujemy po wdrożeniu narzędzia opartego na sztucznej inteligencji i jakie efekty ma ono przynieść.

Następnie należy przeanalizować dostępność i jakość danych w naszym zakładzie, które będą potrzebne do zasilania algorytmów uczenia maszynowego. Nawet najbardziej zaawansowane technologicznie rozwiązania nie będą działać sprawnie, jeśli nie będą miały wystarczającej ilości wysokiej jakości danych.

Trzecim aspektem jest rzetelne przygotowanie się do rozmów z dostawcami technologii. Często przedstawiają oni swoje rozwiązania za pomocą ogólnikowych sformułowań, które nie zawsze odzwierciedlają rzeczywistość. Nie należy ulegać wpływowi pięknych słów i wizji bez poparcia w faktach. Warto pytać o konkretne przykłady wdrożeń i rozmawiać z innymi firmami, które już korzystają z danego rozwiązania.

Warto domagać się następujących informacji:

• Jak zachowa się system w praktycznej implementacji w naszej firmie?
• Jakie cele są uwzględniane przez system?
• Na jakie konkretne efekty został zoptymalizowany algorytm?
• Jakie dane zostały użyte do trenowania algorytmu?
• Jakiego rodzaju model statystyczny został zastosowany?
• Co system uwzględnia lub pomija oraz jakie ma ograniczenia?
• W jaki sposób minimalizuje błędy?
• Czy jest to ogólny model przemysłowy, czy ma konkretne zastosowania w branży kosmetycznej?
• Jak został przetestowany ten system?

Jeśli dostawcy nie są w stanie udzielić odpowiedzi na takie pytania, powinniśmy zacząć poważnie zastanawiać się, czy w ogóle ich rozwiązanie wykorzystuje AI.

Wdrażanie sztucznej inteligencji w produkcji kosmetycznej

Wszystkie wyżej wymienione punkty i pytania można streścić w następujących krokach (za Fundacją Panoptykon). Należy jednak pamiętać, że opieramy się tu na założeniu, że przedsiębiorstwo i dostawca systemu przeprowadzili już analizę problemu, dostępności danych oraz ograniczeń technologicznych, i doszli do wniosku, że zastosowanie modelu z uczeniem maszynowym oraz AI są najlepszymi narzędziami do rozwiązania określonego problemu.

Krok 1. Określenie celu, który ma realizować system.
Krok 2. Przetłumaczenie celu na język matematyki.
Krok 3. Określenie, co to znaczy „optymalny efekt” i jakie koszty się z nim wiążą.
Krok 4. Wybór zestawu danych treningowych.
Krok 5. Wybór modelu statystycznego odpowiedniego do założonego celu.
Krok 6. Testowanie, czy wybrany model działa prawidłowo.
Krok 7. Wnioski z testów i poprawa.

Jestem świadomy, że nie zawsze konieczne jest tworzenie algorytmów i modeli od podstaw. Obecnie istnieją gotowe rozwiązania, które można zakupić lub które są dostępne publicznie, na przykład w bibliotece scikit-learn. Są one przetestowane na dużych zbiorach danych, więc wprowadzenie mniejszej ilości danych w konkretnej implementacji może przynieść oczekiwane rezultaty. Niemniej jednak nie zdecydowałbym się na bezrefleksyjne korzystanie z nich z uwagi na potencjalne błędy, brak dostosowania do charakterystyki produkcyjnej i branżowej oraz różne cele biznesowe.

Podsumowując, wybierając rozwiązanie oparte na sztucznej inteligencji, należy zrozumieć, jak działa ten „czarno-skrzynkowy” mechanizm. Jeśli tego nie uczynimy, musimy pamiętać, że konsekwencje decyzji ukrytych za tajnym algorytmem ponosi człowiek. Wiedza na temat mechanizmów działania pozwoli nam zrozumieć, jakie są potencjalne ryzyka i jakie mogą być konsekwencje naszych decyzji. Jeśli nie zrozumiemy działania systemu, będziemy narażeni na ryzyko popełnienia błędów, które mogą negatywnie wpłynąć na naszą firmę.

Jestem świadomy dynamicznego rozwoju technologicznego, dlatego też moje obecne przekonania na temat zastosowań sztucznej inteligencji w IT dla przemysłu mogą ulec zmianie w niedalekiej przyszłości. Niemniej jednak zawsze aktualne i istotne będzie określenie celów biznesowych, krytyczne spojrzenie na oferowane rozwiązania oraz odpowiednie przygotowanie się do wdrożenia systemu opartego na AI. Kluczowe jest również monitorowanie postępów w dziedzinie sztucznej inteligencji i dostosowywanie naszych strategii w oparciu o najnowsze osiągnięcia technologiczne.