- Newsroom
Στην «καρδιά» του εργοστασίου της «Philips CL» στο Ντράχτεν της βόρειας Ολλανδίας έχει εγκατασταθεί μια ελληνική τεχνολογία: η πλατφόρμα «Sibyl», που δημιουργήθηκε στη Θεσσαλονίκη στο πλαίσιο ευρωπαϊκού έργου, η οποία τετραπλασιάζει τον παραγωγικό χρόνο των βιομηχανικών καλουπιών, πρoτού αυτά αντικατασταθούν για συντήρηση, έχοντας τεράστιο θετικό αντίκτυπο σε οικονομικό επίπεδο.
Το εργοστάσιο αυτού του βιομηχανικού κολοσσού, που είναι ηγέτης στις ηλεκτρικές ξυριστικές μηχανές μαζικής παραγωγής, με μερίδιο 50% σε μια αγορά 1 δισ. ευρώ παγκοσμίως, επισκέφτηκαν πρόσφατα οι εκπρόσωποι πέντε ελληνικών επιχειρήσεων, με στόχο να γνωρίσουν από κοντά αυτή την τεχνολογία «made in Greece», αλλά και να μάθουν περισσότερα για τον τρόπο με τον οποίο η ολλανδική εταιρεία αξιοποιεί τα δεδομένα από τη λειτουργία του εργοστασίου της -ακόμη κι αυτά που αρχικά φαίνονται άχρηστα. Στην επιχειρηματική αποστολή, που διοργάνωσε η δημιουργός της πλατφόρμας, Atlantis Engineering SA, μετείχαν εκπρόσωποι των εταιρειών Alumil, Fibran, Ελληνική Χαλυβουργία, Sani/IKOS και ΕΛΒΑΚ.
Με αφορμή την επιχειρηματική αποστολή, το ΑΠΕ-ΜΠΕ συνομίλησε με τον Θανάση Νάσκο, Chief Innovation Officer (διευθυντή καινοτομίας) της Atlantis Engineering SA για το επίπεδο της υιοθέτησης της βιομηχανικής ευφυίας στην Ελλάδα, αλλά και για το τι κάνει κάποιες εφαρμογές-«πιλότους» της Τεχνητής Νοημοσύνης (ΤΝ) να αποτυχαίνουν και πώς μπορούν να επιβιβαστούν σε αυτό το «τρένο» οι εργαζόμενοι των ελληνικών επιχειρήσεων. «Αρκετές εταιρείες στην Ελλάδα εφαρμόζουν ήδη τεχνικές βιομηχανικής ευφυΐας (industrial intelligence) και ο ρυθμός υιοθέτησης αυξάνεται συνεχώς. Μπορεί να μην φτάνουμε ακόμη το επίπεδο της Δυτικής Ευρώπης, ωστόσο με σωστή υποστήριξη από τον σχεδιασμό έως την πλήρη ένταξη, η Ελλάδα μπορεί γρήγορα να φτάσει πιο αναπτυγμένες αγορές. Χωρίς σωστή διαχείριση της αλλαγής όμως, η επιτυχία δεν είναι εξασφαλισμένη» παρατηρεί ο κ. Νάσκος.
Η διαίσθηση του μηχανικού και γιατί η απόσταση από την παραγωγή οδηγεί στην αποτυχία
Οι «πιλότοι» εφαρμογής της ΤΝ στη βιομηχανική παραγωγή κάποιες φορές αποτυγχάνουν διεθνώς. Γιατί μπορεί να συμβαίνει αυτό και με βάση ποιο μοντέλο πρέπει να υιοθετούνται αυτές οι τεχνολογίες, ώστε να αυξάνονται οι πιθανότητες επιτυχούς εφαρμογής; «Δεν αποτυγχάνει η ΤΝ αυτή καθαυτή. Χρειάζονται κατάλληλα στελέχη, επιμονή, αλλά και σωστή προσέγγιση για να πετύχει. Είναι εύκολο να παρέχεις ένα αδιαφανές λογισμικό, που εντοπίζει ανωμαλίες. Το να εξηγήσεις όμως κάθε αποτέλεσμα κατανοητά και να εμβαθύνεις στην παραγωγή, ώστε να προσαρμόσεις τους αλγορίθμους σου, αυτή είναι η συνταγή επιτυχίας».
«Η αγορά είναι κορεσμένη από έτοιμες λύσεις που στοχεύουν σε μεγάλη κλίμακα χωρίς γνώση της παραγωγής, και πολλές προσπαθούν μέσω Generative AI (δημιουργικής ή γεννητικής ΤΝ) να γεφυρώσουν αυτό το κενό με ψηφιακούς βοηθούς, που φιλοδοξούν να αντικαταστήσουν τη διαίσθηση του μηχανικού. Αυτή η απόσταση από την παραγωγή οδηγεί στην αποτυχία. Η ΤΝ νέας γενιάς έχει σίγουρα θέση στη βιομηχανία, ωστόσο η ανθρώπινη επαφή και η βαθιά κατανόηση της παραγωγής θα παραμείνουν προϋπόθεση επιτυχίας» εξηγεί.
«Κλειδί» είναι επίσης οι εργαζόμενοι να δουν αυτές τις τεχνολογίες ως εργαλείο που τους βοηθάει και όχι ως απειλή. «Αυτό ξεκινάει από τη διοίκηση με σωστή διαχείριση της αλλαγής και ολοκληρώνεται από τους παρόχους λύσεων με ανθρώπινη επαφή και αξιόπιστα αποτελέσματα. Η αξιοπιστία χτίζεται σταδιακά: πρώτα πρέπει να πειστούν οι μηχανικοί, που ασκούν τη μεγαλύτερη κριτική σκέψη στα αποτελέσματα. Εφόσον εκείνοι αξιολογήσουν θετικά, μεταφέρεται μια απλοποιημένη μορφή στους χειριστές. Η αποδοχή δεν είναι δεδομένη, αλλά όταν η τεχνολογία δίνει πραγματική αξία στην καθημερινή εργασία, η υιοθέτηση έρχεται φυσικά» εκτιμά.
Μην περιμένεις την επόμενη βλάβη, για να συλλέξεις δεδομένα
Τι ποσοστό των δεδομένων των βιομηχανιών θεωρούνται «άχρηστα» και γι' αυτό χάνονται; Ποια οφέλη μπορεί να αποφέρει σε μια εταιρεία η αποθήκευση του συνόλου των δεδομένων της, ακόμη και αν δεν γνωρίζει αν, πότε και πώς θα τα αξιοποιήσει; «Δεν είναι εύκολο να αποφασίσεις εκ των προτέρων ποια δεδομένα θα αποδειχθούν πολύτιμα, και σίγουρα αυτή η απόφαση δεν πρέπει να ανήκει στα τμήματα πληροφορικής αλλά στους μηχανικούς, ιδανικά σε συνεργασία με ειδικούς ανάλυσης δεδομένων. Στην πράξη, μια βλάβη είναι συχνά η αφορμή που αναγκάζει τους ανθρώπους να αντιληφθούν την αξία της συλλογής δεδομένων. Ο σωστός τρόπος σκέψης όμως είναι να αφιερώνονται εξαρχής οι απαραίτητοι πόροι, αντί να περιμένει κάποιος την επόμενη βλάβη. Η Philips αποτελεί χαρακτηριστικό παράδειγμα αυτής της πρακτικής: αποθηκεύει πολύ περισσότερα δεδομένα από αυτά που αξιοποιεί, και αυτό ακριβώς επέτρεψε την εφαρμογή ΤΝ σε τόσα σενάρια χρήσης σε σύντομο χρόνο» λέει ο Θανάσης Νάσκος.
Αναφερόμενος στην πλατφόρμα Sibyl, η οποία εγκαταστάθηκε στη Philips Ολλανδίας στο πλαίσιο ενός ευρωπαϊκού ερευνητικού έργου, πριν από εννέα χρόνια, επισημαίνει πως σήμερα παρακολουθεί 270 ρομποτικούς βραχίονες σε όλες τις γραμμές παραγωγής, με δεκάδες ακόμη να προστίθενται σύντομα, καθώς και τέσσερις πρέσες cold-forming σε τρεις γραμμές, με επέκταση σε τέταρτη εντός του έτους. «Οι πρέσες είναι τα πιο κρίσιμα σημεία στις γραμμές γιατί δεν υπάρχουν εφεδρικές, οπότε αν σταματήσει μία, σταματάει ολόκληρη η γραμμή. Το πιο εντυπωσιακό αποτέλεσμα είναι ο τετραπλασιασμός του παραγωγικού χρόνου των καλουπιών πριν αντικατασταθούν για συντήρηση, με τεράστιο οικονομικό αντίκτυπο» επισημαίνει.
Μάλιστα διευκρινίζει ότι ο αριθμός των μηχανών δεν αποτυπώνει την πραγματική κλίμακα: «Αυτό που κάνει τη διαφορά είναι το εύρος δεδομένων που αναλύουμε, τα οποία προέρχονται όχι μόνο από τον εξοπλισμό, αλλά από ολόκληρο το περιβάλλον λειτουργίας του. Στις πρέσες για παράδειγμα, εκτός από πιεζοηλεκτρικούς αισθητήρες σε κάθε καλούπι και σήματα θερμοκρασίας, δύναμης και ταχύτητας, λαμβάνουμε πληροφορίες για το εισερχόμενο υλικό, τις ενέργειες του χειριστή, τα δεδομένα συντήρησης και ποιοτικού ελέγχου. Τα καλούπια είναι πολύπλοκα μηχανολογικά συστήματα με ελατήρια και εξαρτήματα, που επιδρούν στο μέταλλο με ακρίβεια μικρών, οπότε η παραμικρή αλλαγή στο περιβάλλον τους μπορεί να επιδράσει σημαντικά στο προϊόν και στην κατάστασή τους».
«Αντίστοιχα, για κάθε βραχίονα γνωρίζουμε μέσω του MES (Manufacturing Execution System), ποιο πρόγραμμα εκτελεί (ποιο προϊόν χειρίζεται) ανά πάσα στιγμή, κάτι που επηρεάζει άμεσα τα σήματα. Η πληροφορία του περιβάλλοντος είναι αυτή που μας επιτρέπει να ερμηνεύσουμε τις ανιχνεύσεις και προβλέψεις και να μειώσουμε τους εσφαλμένους συναγερμούς, ενισχύοντας την εμπιστοσύνη μηχανικών και χειριστών. Αυτό είναι και το πιο δύσκολο κομμάτι» υπογραμμίζει.
