Teollisuuden ongelmanratkaisu tehostuu koneoppimisen avulla

Perinteinen kone- ja laitevalmistusteollisuus on jo pidempään siirtynyt toiminnassaan puhtaasta laitevalmistuksesta tiedonhallinnan suuntaan. Tietoa kerätään laitteista ja niiden käytöstä useilla tavoilla; huoltotietoa, valmistuserän osatiedot, asiakasyhteydenotot, ongelmien ratkaisut, kustannukset ja käyttötiedot. Yhdistämällä erilaiset tietolähteet ja linkittämällä tietoa niiden välillä voidaan muodostaa koneoppivalla järjestelmällä päättelyketjuja, jotka tarjoavat asiantuntijalle työkalun palvella asiakasta parhaalla mahdollisella tavalla.

Otetaan esimerkiksi autonvalmistaja, jonka yhden automallin osia tilataan usealta toimittajalta ja käytetään ristiin muissakin valmistajan malleissa. Kun erään tällaisen osan vikaantumisesta löytyy useampia havaintoja – automallista riippumatta – koneoppiva järjestelmä osaa analysoida toimitusketjun ja muodostaa kokonaiskuvan tarvittavista korjauksista.

Vian esiintymisen todennäköisyys voidaan analysoida esimerkiksi käyttöiän tai ajokilometrien funktiona. Kun vika lisäksi yksilöidään tietyn alihankkijan toimittamaan erään, korjaus voidaan tehdä kustannustehokkaasti vain tarvittaville autoyksilöille huollon yhteydessä tai vakavamman ongelman kohdalla takaisinkutsuna.

Edellä kuvatun esimerkin kaltainen analyysi on jo autoteollisuudessa arkipäivää, mutta sen automatisointi koneoppimisella ja käyttöönotto autoteollisuutta pienempiä tuotantomääriä tuottavilla teollisuudenaloilla tulee muokkaamaan kannattavuutta, parantamaan asiakaskokemusta ja lisäämään myös valmistajan laatuvaikutelmaa.

Näin valmistaja voi esimerkiksi ilmoittaa asiakkaalle ennakoivasti, mikä on ajallisesti ja taloudellisesti paras korjausvaihtoehto analysoidun tiedon perusteella ja tehdä tarvittavat toimenpiteet normaalien huolto- ja ylläpitokatkojen ohessa. Varsinkin huoltopalveluliiketoimintaa tekevien kone- ja laitevalmistajien kannattaa olla tekniikan eturintamassa parantamassa palveluitaan.

Koneoppimisella tietomassat altaasta käyttöön

Tulevaisuudessa kaikki organisaation tuotetieto kootaan lähtökohtaisesti yhteen tietoaltaaseen, jota useammat koneoppivat järjestelmät analysoivat eri käyttötarkoituksia varten. Tekninen, taloudellinen ja huollon optimointi saavat kaikki lisätietoa koneoppimista hyödyntävistä analyyseistä, joita itseään myös optimoidaan ja kehitetään jatkuvasti paremmiksi. Tietojen perusteella voidaan tunnistaa puutteet tuotetarjoomassa ja saadaan myös lähtötiedot tuotekehitykseen. Yhdessä asiakas- ja markkina-analyysin kanssa tämä muodostaa jo roadmapin tuotekehitysorganisaatiolle.

Perinteisen alihankinnan laadunvarmistuksen lisäksi saadaan seurattua osiin liittyviä huoltotapauksia ja osien kestävyyttä käytössä, ja yhdistämällä taloudellisen tiedot voidaan selvittää kokonaistaloudellisesti edullisimmat toimittajat ja tehostaa hankintaketjua. Huolto ja ylläpito-organisaatio hyödyntää laitekohtaista analysoitua tietoa kaikessa toiminnassaan, jolloin tuotekohtainen asiantuntemus ei ole enää kilpailutekijä. Villeimmissä tulevaisuusvisioissa toiminnassa tarvittu tieto välitetään suoraan huoltomiehen näkökentään älykkään piilolinssin tai implantin avulla.

Atostek on osaltaan kehittämässä tulevaisuuden koneoppivia järjestelmiä teollisuusympäristöön osallistumalla kansainväliseen ITEA3 OXILATE-hankkeeseen.

Jos kiinnostuit aihepiiristä, ota yhteyttä:

• Tomi Javanainen (+358 45 113 8882)

Tomi Javanainen
Liiketoimintajohtaja
Ohjelmistokehitys- ja konsultointipalvelut