AI strategie pro Process Engineering v Continental Barum

Ve spolupráci s odborníky z Continental Barum jsme pro divizi Process Engineering vypracovali strategii nasazení umělé inteligence do řízení výroby pneumatik.

Proč zrovna Process Engineering

Process Engineering patří mezi klíčové divize celé firmy. Nastavuje a ladí výrobní procesy k dosažení maximální efektivity a kvality. Pokrývá vše od specifikací produktů přes analýzu strojových dat až po samotný průběh výroby. Rozhodnutí, která zde padnou, formují úspěšnost celého závodu. Právě proto si velmi vážíme důvěry, se kterou se na nás ředitel této divize, Tomáš Vilímek, obrátil. Naším úkolem bylo navrhnout řešení pro tuto zásadní část výroby.

Zadání: žádné „AI pro AI"

Od začátku bylo jasné, že strategie nemá být pouze sbírka trendy nápadů bez reálného využití. Cílem bylo najít konkrétní řešení, která:

• sníží zmetkovitost,

• zrychlí reakci na defekty,

• odstraní ruční práci s daty napříč celým výrobním procesem, od přípravy až po výstupní kontrolu.

Náš přístup: nejdřív pochopit výrobu, pak navrhovat AI

Než jsme navrhli jediné řešení, strávili jsme týdny v deep-dive rozhovorech s technology a manažery napříč všemi úseky a v analýze reálných výrobních dat - specifikací produktů, dat ze strojů, historie defektů.

Tenhle krok byl zásadní. Každé zjištění ve výsledné strategii je podložené konkrétním sezením nebo konkrétními daty, ne teoretickým modelem. Díky tomu strategie odráží skutečné provozní potřeby oddělení, ne obecnou představu o tom, jak by "AI ve výrobě" mohla vypadat.

Výsledek: portfolio 26 use cases

Výstupem je 26 konkrétních use cases. Od zlepšení reportingu přes prediktivní modely až po autonomní AI agenty, kteří dokážou samostatně reagovat na odchylky ve výrobě.

Každý use case jsme ohodnotili podle dvou os: náročnosti nasazení a velikosti přínosu. Z toho vzniklo přirozené pořadí implementace:

1. Rychlé výhry - řešení s nízkou pracností, která přinesou hodnotu takřka okamžitě.

2. Strategické sázky - komplexnější projekty s největším finančním dopadem.

Přínos každého use case je reálně spočítaný proti konkrétní baseline výroby, ne odhadnutý.

„Díky spolupráci s Blogic jsme i přes vysokou složitost a komplexitu našich výrobních procesů získali konkrétní a srozumitelnou AI strategii postavenou na reálných use-case naší divize, ne na teoretických slibech. Tým nám pomohl vytvořit vizi sahající od jednodušších use-case založených na automatizaci a machine learningu až po agentický přístup a cestu k agentům, kteří orchestrují a řídí další agenty.“

Tomáš Vilímek, ředitel divize Process Engineering

Strategický cíl: data jako nástroj prevence

Výrobní data dnes vznikají v objemech, které člověk nemůže ručně projít. AI to dokáže – v milionech záznamů odhalí mimořádnosti dříve, než se stanou problémem, nebo je dokáže predikovat předem.

Celé portfolio use cases jsme proto poskládali tak, aby postupně posouvalo práci s daty přes tři fáze: od detekce (co se stalo, v reálném čase), přes predikci (co se stane, s předstihem), až k prevenci (co se nestane, protože se tomu předešlo).

Tenhle posun není jen o technologii, je to změna přístupu k řízení kvality. Místo opakovaného hašení jednotlivých problémů jde o to rozumět tomu, co systematicky odlišuje dobrou výrobu od zmetkové, a procesy podle toho řídit.

Use cases se posouvají do praxe

Jedním z případů využití komplexních výrobních dat je vyhodnocení správného průběhu vulkanizace. Buď již během procesu výroby nebo zpětně pro dodatečné potvrzení kvality. Machine learning modely a inteligentní procesování dat dávají bleskově výsledky technologům a kvalitářům. Je to konkrétní příklad principu, na kterém stojí celá strategie: detekce → predikce → prevence.

Kromě toho se v portfoliu posouvají i další use cases. Model pro klasifikaci druhů vad z fotografií je teď v ověřování, cílem je, aby AI dokázala vyhodnotit všechna dostupná data a převzala část rozhodování, kterou dnes dělají technici. AI podpora návrhu forem míří do pilotního provozu, urychlí iterativní vývoj nástrojů a přípravků díky kombinaci machine learningu na datech z výkresů a měření.