Modely fungovali offline, nie priamo v hale
Kým sa nepretržitá lokalizácia v reálnom čase stala vo väčšine závodov praktickou, rozhovory o AI vo výrobe sa držali modelov, ktoré nikdy neopustili zasadačku ani simulačný server. Statické digitálne dvojčatá vznikali z CAD súborov, skenov a BIM. Simulačné dvojčatá vkladali modely do fyzikálnych simulátorov a skúšali na nich, čo by zmena rozloženia spôsobila. Dátové platformy sa snažili usporiadať údaje z MES, ERP a snímačov do digitálnych vlákien (digital threads). Prediktívne tvrdenia sa opierali o všetky tieto vrstvy.
Chýbala nepretržitá a priestorovo presná poloha vecí, ktoré skutočne hýbu výrobou: vysokozdvižných vozíkov, ľudí a materiálu. Bez takého toku dát nemala AI s čím porovnávať model ani stály zdroj pravdy o tom, čo sa v hale naozaj deje. S touto realitou musela roky počítať aj platforma, ktorej vývoj sa začal v roku 2014. RTLS, ktoré sa neskôr stalo základom prevádzkových dvojčiat, ešte dozrievalo. BLE a UWB sa na väčšine výrobných hál bežne nepoužívali.
Simulácia vedela plánovať, ale nie sledovať zmenu
Simulačné nástroje pomáhali zodpovedať užitočné otázky pred zmenou. Nevedeli však ukázať, ako vyzeral skutočný špagetový diagram trás počas konkrétnej zmeny. Keď sa poloha neaktualizovala každých pár sekúnd, nikto nemal súvislý záznam o tom, kde stála paleta, ako dlho čakal vodič alebo ktorú zónu obsadili tri vozíky práve vtedy, keď sa zastavila linka.
Závody, ktoré takéto systémy hodnotili, zvyčajne dostávali dashboardy so súhrnnými KPI a hodnotami OEE z MES. Priestorový kontext, vďaka ktorému sa neskôr dalo mikrozastavenie vidieť v trojrozmernom vzťahu k trase vozíka, bol ešte roky od bežného nasadenia. Úvahy o príčinných súvislostiach medzi logistickými bránami, zaťažením vzduchotechniky a kvalitou ostávali len teoretické. Korelácia vyžaduje vedieť, kde a kedy sa každý pohyb odohral, a takéto dáta vo väčšom rozsahu jednoducho neexistovali.
Digitálne vlákna končili pri abstrakcii
Mnohé riešenia usporadúvali rôznorodé dátové toky do digitálnych vlákien. Spracúvali údaje z PLC, počty vyrobených kusov a udalosti kvality. Bez aktuálnej mapy fyzických polôh však vlákno ostávalo abstraktné. Inžinier videl, že linka stojí, ale nevidel hneď, že sa to zhodovalo s tým, že v jednej zóne čakali tri vozíky, alebo s vyprázdneným bufferom materiálu o dve uličky ďalej.
Dlhý vývoj, ktorý sa začal v roku 2014, prebiehal práve v takom prostredí. Lokalizačné technológie museli byť najprv dosť spoľahlivé a lacné na bežné použitie v hale, až potom mohla prevádzková vrstva preklenúť rozdiel medzi modelom a realitou. Dovtedy ostávala ponuka AI o krok bokom od fyzického pohybu tovaru a ľudí.
Ako chýbajúce polohy formovali reč predaja AI
Prezentácie AI z tohto obdobia sa opierali o budúce architektúry s uzavretou slučkou a o AI, ktorá raz sama odhalí základné príčiny problémov. Konkrétny mechanizmus, teda nepretržitá trojrozmerná poloha každého dôležitého objektu, sa len rodil. Rozsahy presnosti, ktoré sa neskôr stali bežnými, teda BLE zvyčajne 1 až 3 m (3 až 10 ft) a UWB pod 30 cm (pod 12 in), väčšina závodov zatiaľ nepovažovala za samozrejmosť. Možnosť spätne prehrať celý rok polôh nebola štandardná funkcia, ktorú by kupujúci očakávali.
Preto zostali mnohé prezentácie o AI vo výrobe na všeobecnej úrovni: optimalizovať toky, skrátiť prestoje, zlepšiť reakcie. Dáta, ktoré neskôr tieto frázy premenili na merateľnú analýzu trás, špagetové diagramy a prehľady pohybov po zmenách, sa museli najprv vybudovať v infraštruktúre. Odvetvie predávalo cieľ, kým sa cesta ešte len asfaltovala.