Plánovač údržby trávi každý týždeň hodiny zosúlaďovaním upozornení na zariadenia, poznámok technikov, dostupnosti náhradných dielov a výrobných harmonogramov. Tím finančných operácií ručne porovnáva faktúry s objednávkami, hoci má k dispozícii systém ERP. Centrum zákazníckej podpory dostáva rovnaké otázky týkajúce sa stavu objednávok cez päť kanálov. Nejde o ojedinelé problémy s produktivitou. Ide o prevádzkové systémy s roztrieštenými údajmi, nejasnými postupmi pri odovzdávaní úloh a opakujúcimi sa rozhodnutiami.
Najlepšie príklady využitia umelej inteligencie v prevádzke sa zameriavajú práve na tieto systémy, nie len na jednotlivé úlohy. Umelá inteligencia prináša merateľnú hodnotu vtedy, keď je aplikovaná na definovaný pracovný postup, prepojená so spoľahlivými údajmi, riadená jasnými obchodnými pravidlami a integrovaná do nástrojov, ktoré zamestnanci už bežne používajú. Bez týchto podmienok sa sľubný pilotný projekt často stáva len ďalšou izolovanou aplikáciou, ktorá zvyšuje nároky na údržbu, bez toho aby zlepšila výkonnosť.
Začnite s prevádzkovým obmedzením
Umelá inteligencia by nemala byť východiskovým bodom transformácie prevádzkových procesov. Východiskovým bodom je obmedzenie: kde dochádza k zdržaniam v práci, kde sa hromadia výnimky, kde tímy opätovne zadávajú informácie a kde zlá prehľadnosť spomaľuje rozhodovanie?
Užitočný prípad použitia má tri charakteristiky. Zahŕňa dostatočný objem transakcií alebo obchodný dopad, ktorý odôvodňuje investíciu. K jeho vstupným údajom je možné získať prístup a tieto údaje je možné usporiadať v rámci príslušných systémov. A na základe výstupných údajov môže konať osoba, pracovný postup alebo automatizovaný systém. Prognóza dopytu, ktorej žiadny plánovač nedôveruje alebo ktorú nemôže využiť pri rozhodovaní o doplnení zásob, má obmedzenú hodnotu, bez ohľadu na presnosť modelu.
Pre podnikové tímy sa najväčšie príležitosti zvyčajne nachádzajú na križovatke medzi zlepšovaním procesov, dátovou architektúrou, inteligentnou automatizáciou a umelou inteligenciou. Nasledujúce príklady použitia ukazujú, kde táto križovatka prináša praktické výsledky.
1. Inteligentné spracovanie dokumentov pre transakcie s veľkým objemom
Prevádzkové tímy stále dostávajú veľké množstvo faktúr, objednávok, nákladných listov, certifikátov kvality, reklamácií, servisných správ a príloh e-mailov v nejednotných formátoch. Tradičná automatizácia má problémy, keď sa zmení rozloženie, chýbajú polia alebo dokumenty obsahujú nestruktúrovaný text.
Spracovanie dokumentov s využitím umelej inteligencie dokáže klasifikovať prichádzajúce súbory, extrahovať relevantné polia, overiť ich správnosť voči údajom v systéme ERP alebo kmeňovým údajom a výnimky smerovať do príslušnej fronty. V oblasti účtovníctva dodávateľov to môže znamenať porovnanie údajov z faktúr s objednávkami a príjmami tovaru ešte predtým, ako zasiahne kontrolór. V logistike to môže znamenať zachytenie podrobností o zásielkach a označenie nezrovnalostí skôr, ako ovplyvnia doručenie alebo fakturáciu.
Kompromis je jasný: samotná extrakcia nie je komplexným riešením. Proces musí definovať prahové hodnoty spoľahlivosti, postupy pre výnimky, audítorské záznamy a zodpovednosť za chyby v kmeňových údajoch. Najvhodnejší návrh automatizuje štandardný postup a zároveň poskytuje zamestnancom špecializované pracovné prostredie pre výnimky, ktoré skutočne vyžadujú posúdenie.
2. Prediktívna údržba a spoľahlivosť zariadení
Pre výrobcov, dodávateľov energií a organizácie poskytujúce terénne služby môžu neplánované odstávky narušiť naraz výrobu, záväzky v oblasti služieb, zásoby aj rozvrhy práce. Umelá inteligencia dokáže identifikovať vzory v údajoch zo senzorov, histórii údržby, prevádzkových podmienkach a poznámkach technikov, ktoré signalizujú zvýšené riziko poruchy.
Cieľom nie je predpovedať každú poruchu s absolútnou istotou. Ide o zlepšenie rozhodnutí v oblasti údržby: stanovenie priorít pri kontrolách, naplánovanie zásahov počas plánovaných odstávok, prípravu náhradných dielov a obmedzenie zbytočných preventívnych prác. Tím zodpovedný za spoľahlivosť môže využiť hodnotenie rizík na to, aby sa zameral na zariadenia, pri ktorých majú opatrenia najvyššiu pravdepodobnú obchodnú hodnotu.
Tento prípad použitia vo veľkej miere závisí od kvality údajov. Hierarchie zariadení, kódy porúch, história pracovných príkazov a definície senzorov musia byť dostatočne konzistentné, aby umožnili analýzu. Tam, kde je pokrytie senzormi nedostatočné, môže umelá inteligencia aj tak priniesť pridanú hodnotu prostredníctvom záznamov o údržbe a prevádzkových údajov, avšak očakávania by mali byť primerane upravené.
3. Prognózovanie dopytu a optimalizácia zásob
Rozhodnutia týkajúce sa zásob sa často prijímajú na základe tabuliek, statických prognóz a miestnych znalostí, ktoré majú skúsení plánovači. Tieto metódy strácajú na spoľahlivosti, keď je dopyt nestabilný, rozširuje sa sortiment výrobkov, menia sa dodacie lehoty alebo vznikajú obmedzenia na strane dodávok.
Predpovede založené na umelej inteligencii môžu zohľadňovať historický dopyt spolu s propagačnými akciami, sezónnosťou, správaním zákazníkov, výkonnosťou dodávateľov, počasím, signálmi z trhu a výrobnou kapacitou. Dokážu identifikovať výnimky v predpovediach, ktoré si vyžadujú pozornosť plánovačov, namiesto toho, aby tímy museli s rovnakým úsilím preverovať každú položku (SKU).
Výsledkom prevádzky nie je len presnejšia prognóza. Ide o disciplinovanejší proces doplňovania zásob, ktorý vyvažuje úroveň služieb, prevádzkový kapitál a riziko zastarania. Rôzne kategórie výrobkov si vyžadujú odlišné postupy. Kritický náhradný diel, rýchloobrátkový spotrebný tovar a technický komponent s dlhou dodacou lehotou by sa nemali optimalizovať na základe rovnakého cieľa.
4. Plánovanie harmonogramov a kapacít s využitím umelej inteligencie
Plánovanie sa stáva náročným, keď sa znásobujú prevádzkové obmedzenia: dostupnosť kvalifikovanej pracovnej sily, kapacita strojov, pripravenosť materiálu, dohody o úrovni služieb, čas na presun, prestavby a časové okná na údržbu. Ručné plánovanie môže fungovať v stabilných prostrediach, avšak pri zmene podmienok sa prispôsobuje pomaly.
Umelá inteligencia dokáže odporučiť harmonogramy na základe aktuálnych obmedzení a pravdepodobných výsledkov, čím pomáha plánovačom porovnať kompromisy medzi priepustnosťou, nákladmi, včasnosťou dodávok a nadčasmi. V oblasti terénnych služieb môže navrhovať pridelenie úloh technikom s ohľadom na kvalifikáciu, lokalitu, naliehavosť a predpokladanú dĺžku trvania práce. Vo výrobe dokáže identifikovať možnosti usporiadania postupov, ktoré znižujú počet prestavov alebo zabraňujú nedostatku materiálu.
Ľudský dohľad zostáva naďalej nevyhnutný. Plánovači chápu záväzky voči zákazníkom, skutočnú situáciu vo výrobe a obchodné priority, ktoré sa v údajoch nemusia odzrkadľovať. Efektívnym modelom je podpora rozhodovania s transparentnými odporúčaniami, na ktorú nadväzuje automatizácia pracovných postupov pre schválené zmeny.
5. Riadenie výnimiek a operačné riadiace strediská
Mnohé prevádzkové tímy síce disponujú údajmi, chýba im však včasná kontrola. Upozornenia prichádzajú do rôznych systémov, na prehľadových paneloch sa zobrazujú oneskorené ukazovatele a zamestnanci trávia príliš veľa času hľadaním problémov namiesto ich riešenia.
Umelá inteligencia dokáže zosúladiť signály z platforiem ERP, skladu, dopravy, výroby, CRM a služieb, aby identifikovala výnimky, ktoré si vyžadujú pozornosť. Vie zoradiť oneskorené objednávky podľa dopadu na zákazníka, odhaliť problém u dodávateľa, ktorý ovplyvňuje viacero výrobných plánov, alebo zhrnúť pravdepodobnú príčinu nahromadených nedodávok na základe histórie transakcií a prevádzkových poznámok.
Ide o jeden z najlepších prípadov využitia umelej inteligencie v prevádzke, pretože zvyšuje rýchlosť a kvalitu každodenných rozhodnutí. Kontrolná veža by sa však nemala stať „továreňou na výstrahy“. Každá výstraha musí mať určeného zodpovedného, pravidlo eskalácie, odporúčané opatrenie a merateľný cieľ riešenia. Prehľad v reálnom čase má zmysel len vtedy, ak vedie k rýchlejšej a konzistentnejšej realizácii.
6. Asistenti pre prácu so zákazníkmi a prevádzku služieb
Servisné tímy strácajú kapacitu, keď zamestnanci vyhľadávajú v viacerých systémoch informácie o stave objednávok, záručných podmienkach, dokumentácii k produktom, histórii prípadov alebo schválených servisných postupoch. Generatívna umelá inteligencia môže poskytnúť riadeného asistenta, ktorý vyhľadáva a sumarizuje schválené informácie, pripravuje návrhy odpovedí a vedie pracovníkov k ďalšiemu kroku v pracovnom postupe.
Hodnota tohto riešenia presahuje rámec rýchlejších odpovedí. Jednotné usmernenia znižujú rozdiely v spôsobe vybavovania prípadov, pomáhajú novým zamestnancom a uľahčujú analýzu opakujúcich sa problémov v oblasti služieb. V prípade interných zdieľaných služieb môžu podobní asistenti pomáhať zamestnancom riešiť požiadavky v oblasti obstarávania, ľudských zdrojov, IT a financií bez toho, aby museli každú otázku smerovať na špecialistu.
Správa a riadenie sú kľúčové. Asistent by mal vychádzať zo schváleného podnikového obsahu, rešpektovať oprávnenia používateľov, v prípade potreby interne uvádzať zdroje a rozhodnutia s vysokým rizikom smerovať na ľudí. Nemal by samostatne vymýšľať zásady, cenovú politiku ani technické záväzky.
7. Ťažba procesov a analýza základných príčin s využitím umelej inteligencie
Väčšina vedúcich pracovníkov vie, ktoré procesy sa zdajú byť pomalé. Menej z nich však dokáže presne identifikovať, kde dochádza k oneskoreniam naprieč systémami a organizačnými hranicami. Procesná analýza (process mining) využíva údaje o udalostiach z podnikových platforiem na rekonštrukciu skutočného toku práce, čím odhaľuje cykly opakovaných prác, úzke miesta v schvaľovacích procesoch, oneskorenia pri odovzdávaní úloh a neštandardné postupy.
Umelá inteligencia prináša ďalšiu úroveň analýzy tým, že zoskupuje podobné prípady, identifikuje pravdepodobné príčiny odchýlok a pomáha tímom interpretovať veľké objemy procesných a prevádzkových údajov. Môže napríklad ukázať, že oneskorenia pri schvaľovaní faktúr sa sústreďujú v konkrétnej schvaľovacej trase, skupine dodávateľov alebo v súvislosti s kvalitou údajov, a nejde teda o všeobecný problém s pracovným zaťažením.
Tento prípad použitia je obzvlášť cenný pred samotnou automatizáciou. Automatizácia nefunkčného procesu totiž len urýchľuje vznik chýb. Procesná inteligencia poskytuje tímom podklady na zjednodušenie pravidiel, odstránenie zbytočných krokov, zlepšenie zberu údajov a následnú automatizáciu stabilnejšieho pracovného toku.
8. Riadenie kvality a vizuálna kontrola
Vo výrobných a logistických prostrediach dokážu systémy umelej inteligencie založené na vizuálnej analýze kontrolovať výrobky, obaly, etikety a stav skladu rýchlosťou, ktorú je ťažké dosiahnuť len ručnými kontrolami. Dokážu odhaliť chyby, overovať jednotlivé kroky montáže, identifikovať nesprávne etikety alebo upozorniť na bezpečnostné problémy.
Ekonomická opodstatnenosť závisí od nákladov spojených s chybami, objemu kontrol a dôsledkov nezistenia problému. V prípade vysokohodnotných alebo regulovaných výrobkov môžu byť opodstatnené sofistikovanejšie kontrolné mechanizmy než v prípade položiek s nízkym rizikom a nízkou maržou. Tímy tiež potrebujú spätnú väzbu: výsledky kontrol by mali prispievať k zlepšovaniu procesov zabezpečenia kvality, riadenia dodávateľov a analýzy príčin problémov, a nie zostať izolované len v bode zistenia.
Vytvárajte s ohľadom na škálovateľnosť, nie na demonštračné účely
Rozdielom medzi demonštráciou umelej inteligencie a skutočnou prevádzkovou schopnosťou je disciplína pri vykonávaní. Začnite s referenčným stavom procesu: dĺžka cyklu, miera chybovosti, počet nevybavených úloh, náklady na transakciu, úroveň služieb alebo doba výpadku. Následne definujte cieľové rozhodnutie alebo akciu v rámci pracovného toku, potrebné údaje, ľudské kontroly a integračné body.
Škálovateľný program si tiež vyžaduje spoločnú architektúru. Definície údajov, kontrola identít a prístupu, protokolovanie, monitorovanie, vlastníctvo modelov a spracovanie výnimiek by mali byť navrhnuté jednorazovo a uplatňované jednotne. Tým sa znižuje zaťaženie spojené s údržbou, ktoré vzniká, keď jednotlivé tímy používajú odlišné nástroje s odlišnými štandardmi.
Spoločnosť Ective pristupuje k týmto iniciatívam tak, že spája prepracovanie procesov, správu údajov, automatizáciu, umelú inteligenciu a meranie prevádzkových ukazovateľov do jedného modelu realizácie. To je dôležité, pretože zložka umelej inteligencie je len jednou súčasťou výsledku. Širším cieľom je proces, ktorý funguje každý deň lepšie, a to aj v prípade nárastu objemu transakcií alebo zmeny podnikateľských podmienok.
Správnym prvým krokom nie je pýtať sa, kde by sa dala využiť umelá inteligencia. Treba sa spýtať, ktoré prevádzkové rozhodnutie je v súčasnosti príliš pomalé, príliš manuálne alebo príliš nejednotné – a čo sa musí zmeniť v procese a v dátovej základni, aby sa toto rozhodnutie zlepšilo.
