מה AI באמת מספק ברצפת הייצור?

בקווי ייצור אמיתיים היום, מערכות AI מספקות שלושה דברים שאפשר לאמת מול מקורות בשמם המלא: כיסוי בקרת איכות שעובר מדגימות לכלל האוכלוסייה, זיהוי פגמים ויזואלי שנבנה על כמאה תמונות אימון לכל מאפיין, ושיפור תפוקה דו-ספרתי מתזמון ייצור בלבד, בלי מכונה חדשה אחת. כל מספר במאמר הזה מגיע מהודעה רשמית של החברה עצמה, ממחקר שעבר ביקורת עמיתים, או מ’סיפור לקוח’ של ספק עם לקוח בשמו המלא, וכל מקור מסומן ככזה. חשוב לנו לומר בבירור: אלה אינם פרויקטים שלנו. זהו בסיס הראיות הפומבי למה שהטכנולוגיה עושה כשהיא באמת עובדת.

כמה כיסוי בקרת איכות AI באמת מוסיף?#

לפי ההודעה הרשמית של אאודי על מפעל נקרסולם, מערכת AI שרצה על נתוני בקרי הריתוך מנתחת כ-1.5 מיליון ריתוכי נקודה בכל משמרת. השיטה הקודמת: בדיקת אולטרסאונד מדגמית, כ-5,000 ריתוכים לרכב. זה לא שיפור מדורג בדיוק, זה מעבר קטגוריה: מבדיקת מדגם והסקה, לבדיקת הכול וידיעה.

הפרט ששווה לשים לב אליו הוא מקור הנתונים: לא מצלמות ולא חיישנים חדשים, אלא הנתונים שבקרי הריתוך ייצרו ממילא. יכולת הבקרה הייתה חבויה בנתונים קיימים, וחיכתה למודל שיהפוך אותם לשמישים.

כמה נתוני אימון באמת צריך לראייה תעשייתית?#

ההתנגדות הקבועה לניתוח תמונה בבקרת איכות היא “אין לנו מספיק תמונות פגמים מתויגות”. לפי ההודעה הרשמית של קבוצת BMW על מערכות מצלמה מבוססות AI בייצור סדרתי, סדר הגודל אצלם הוא כ-100 תמונות אימון לכל מאפיין נבדק. אחת המטרות המרכזיות של המערכת: ביטול ‘פסילות שווא’, חלקים תקינים שנפסלים בטעות, מבזבזים זמן טיפול ושוחקים את אמון המפעילים.

אנחנו מצטטים רק את מה ש-BMW עצמה פרסמה. כתבות צד שלישי מצמידות לתוכנית הזו אחוזי הפחתת פגמים ש-BMW לא אישרה, ואנחנו לא חוזרים עליהם.

מה אומרים המספרים שעברו ביקורת עמיתים?#

לסיפורי ספקים מגיעה ספקנות, ולכן חשוב שהתוצאה החזקה ביותר כאן היא מדעית. מחקר שפורסם ב-Journal of Intelligent Manufacturing (הוצאת Springer) מתאר מערכת משולבת של ניתוח תמונה ורשתות נוירונים שהוטמעה בקו ייצור מוליכים למחצה תחת אילוצי ייצור אמיתיים: ציון F1 של 99.5% ושיפור של פי 8.6 בזיהוי תקלות לעומת השיטה הקיימת.

לצד זה, לפי הבלוג ההנדסי של Micron, סיווג פגמי וויפרים בלמידה עמוקה הוא חלק מתוכנית ייצור חכם שמיקרון מייחסת לה הפחתה של כ-22% בפחת ושיפור של כ-18% בפריון העבודה. הערת יושרה: מיקרון מייחסת את המספרים לתוכנית כולה, לא למערכת הראייה לבדה, וכך גם אנחנו.

וזה עובד גם בלי לקנות מכונות חדשות?#

המקרה הרלוונטי ביותר לקוראים שלנו הוא ישראלי. כנפית, יצרנית תעופה מהצפון, החליפה תזמון ייצור מבוסס אקסל בתזמון מבוסס AI של Plataine. לפי סיפור הלקוח של הספק, עם כנפית כלקוח בשמה המלא: התפוקה עלתה בכ-15% בשלב הראשון והגיעה לשיפור של כ-30% בתוך שישה חודשים. לא נרכשה אף מכונה חדשה. כל השיפור הגיע מתזמון טוב יותר של מכונות, אנשים וחומרים קיימים.

זהו פרסום של ספק, ולכן ראוי להתייחס לאחוזים המדויקים בזהירות המתבקשת. אבל צורת התוצאה, תפוקה משמעותית מתוכנה מול נכסים קיימים, עקבית עם כל מה שלמעלה.

מה לוקחים מכל זה?#

• בקרת איכות על כלל האוכלוסייה היא מציאות: אאודי עברה מכ-5,000 ריתוכים מדגמיים לרכב לכ-1.5 מיליון מנותחים במשמרת, לפי הודעתה הרשמית.
• טענת “אין מספיק נתונים” התיישנה: כ-100 תמונות למאפיין בייצור סדרתי, לפי BMW עצמה.
• התוצאות החזקות שורדות ביקורת עמיתים: F1 של 99.5% ושיפור פי 8.6 בזיהוי תקלות בקו חי.
• יושרה בייחוס תוצאות היא מדד לאמינות הספק: המספרים של מיקרון שייכים לתוכנית שלמה, וזה נאמר במפורש.
• תוכנה לפני ברזל: 30% תפוקה אצל כנפית בלי מכונה חדשה אחת.

ומה זה אומר למפעל ישראלי בינוני?#

בכנות: אתם לא אאודי, וגם רוב הלקוחות שלנו לא. תוכנית AI מפעלית רוחבית לא תיכנס לתקציב שנה אחת, וגם לא צריכה. אבל שלוש עובדות עוברות את שינוי קנה המידה. ראשית, חומר הגלם כבר נמצא אצלכם: לוגים של בקרים, תנועות ERP, רישומי בדיקות. המערכת של אאודי רצה על נתונים שהיו קיימים ממילא. שנית, עלות הכניסה לניתוח תמונה צנחה; מאה תמונות למאפיין הן שבוע איסוף, לא פרויקט תיוג רב-שנתי. שלישית, הרווחים הזולים ביותר הם לרוב תוכנה מול נכסים קיימים, כפי שהדגימה כנפית, חברה קרובה בהרבה למציאות הישראלית מיצרנית רכב גרמנית.

מה שלא עובר את שינוי קנה המידה הוא הברק השיווקי. מספרים מצרפיים של ספקים, אחוזים ללא ייחוס, ותוצאות של תוכנית שלמה שמוצגות ככלי בודד, כולם צריכים להדליק את אותה שאלה: נמדד איך, מול איזה בסיס? זו בדיוק השאלה שנשאל בשבילכם.

אם תרצו לבחון יחד אילו ממקורות הנתונים הקיימים אצלכם יכולים לשאת תוצאות כאלה, ואילו בכנות עדיין לא, נשמח לשיחה כזו לפני כל התחייבות.