Model je užitočný až vtedy, keď existujú priestorové dáta
Rozhovory o AI vo výrobe sa väčšinou hneď upnú na model. Zabúda sa pritom na dáta, ktoré model naozaj potrebuje vidieť, teda nielen riadky v tabuľke, ale polohy v priestore a čase. Napríklad kde bol vysokozdvižný vozík pred tromi sekundami, ako dlho paleta čakala pri bráne alebo akou trasou prešiel manipulant počas poslednej zmeny. Bez tejto priestorovej vrstvy zostáva súvislosť medzi logistikou, stavom výroby a podmienkami prostredia len dohadom.
Vybudovať takúto vrstvu je nevďačná práca. Treba pokrytie RTLS, ktoré je dosť husté na to, aby dávalo použiteľné súradnice, dátové toky s jednotnými časovými značkami a jasným vlastníkom a dostatok uloženej histórie, aby sa dali prehrať minulé zmeny. Nič z toho nie je AI model. Je to vstupná investícia, ktorú treba v hale urobiť ako prvú.
Hustota tagov a kotiev je prvý tvrdý náklad
Presnosť závisí od technológie. BLE zvyčajne dosahuje presnosť 1 až 3 m (3 až 10 ft), UWB aj pod meter (~3 ft). V závode s rozlohou 30 000 m² (asi 323 000 ft²) od toho závisí, či je hranica zóny spoľahlivá, alebo len šum. Pevných kotiev treba rozmiestniť toľko, aby tagy hlásili polohu bez slepých miest, a tag potrebuje každý predmet či človek, na ktorom záleží. Batéria vydrží pri mnohých BLE tagoch 1 až 3 roky. UWB tagy sa často musia nabíjať častejšie.
Inštalácia nie je softvérová práca. Montujú sa pevné senzory alebo čítačky, tagujú sa predmety a systém sa kalibruje. Úplné nasadenie zvyčajne trvá jeden až tri mesiace. Hardvér, práca pri montáži a zaťaženie siete sú reálne náklady závodu a objavia sa dávno predtým, než sa otvorí rozpočet na trénovanie modelu. Aj prípady, ktoré neskôr ukázali zníženie počtu vozíkov vo flotile a nižšie prevádzkové náklady (OPEX) logistiky, začínali touto fyzickou vrstvou.
Riadené dátové toky premenia surové polohy na použiteľný súbor dát
Samotné polohy nestačia. Platforma ich musí prijímať spolu s dátami z MES, ERP, WMS alebo SCADA, aby sa dal každý bod polohy spojiť so stavom zákazky, stavom zariadenia alebo identitou materiálu. twinzo slúži ako zastrešujúca vrstva na príjem týchto dát. Toky samotné však treba riadiť. Patria k tomu jednotné časové značky, prístup podľa rolí a jasné pravidlá o tom, čo sa sleduje a prečo.
Bez tejto disciplíny sa priestorový súbor dát rozpadne. Jeden systém aktualizuje každé tri sekundy, ďalší len pri udalostiach a tretí neprináša žiadny kontext polohy. Spojenie dát zlyhá a každý neskorší model zdedí neporiadok. Náklady tu netvoria licencie, ale najmä čas inžinierov, ktorý treba venovať určeniu vlastníkov dát, čisteniu tokov a ich zosúladeniu aj po skončení prvého pilotu.
Prehrávanie histórie je nenápadný predpoklad
Keď beží aktuálna vrstva, ďalšou požiadavkou je história. Možnosť prehrať polohy rok dozadu a vytvárať špagetové diagramy, heatmapy a prehľady aktivity v zónach mení mapu v reálnom čase na nástroj na školenie a audit. Inžinieri sa môžu vrátiť k zmene, ktorá sa nevydarila, pozrieť si skutočné trasy a otestovať, či by navrhovaná úprava zmenila výsledok.
Úložisko, pravidlá uchovávania a výpočtový výkon potrebný na prehrávanie histórie sú opäť oddelené od nákladov na model. Patria do rovnakej kategórie ako kotvy a riadené toky, teda medzi nevyhnutnú infraštruktúru. Bez nich zostáva priestorový súbor dát prchavý. Modely sa môžu učiť len z toho, čo sa ešte uchováva a zostáva prepojené s pôvodnými polohami.
Investícia zostáva nenápadná z dobrého dôvodu
Nič z toho sa neobjaví na lesklom slajde o AI. Objaví sa ako nákup tagov, montáž kotiev, modernizácia siete, workshopy o správe dát a ročná história polôh uložená na disku. Závod sa ešte musí rozhodnúť, či je hustota dostatočná, dátové toky dostatočne čisté a uchovávanie dostatočne dlhé, a až potom sa od modelu dá chcieť hľadať vzorce. Toto rozhodnutie je skutočným východiskom pre AI, ktorá tvrdí, že rozumie priestoru a času vo výrobe.