AI dla produkcji przemysłowej: predykcyjne utrzymanie, kontrola jakości, dokumentacja

Zakład z trzema liniami produkcyjnymi, kilkaset czujników na maszynach, kontrola jakości oparta na wyrywkowym sprawdzaniu przez kontrolera i sterta dokumentacji, którą ktoś ręcznie przepisuje do systemu ERP na koniec zmiany. To obraz, który widujemy regularnie. Nie brakuje danych — brakuje sposobu, by te dane zamienić w decyzję na czas. Tu AI ma sens. Ale ten sam zakład bywa kuszony obietnicą „inteligentnej fabryki, która sama się steruje”, a to już inna rozmowa: o bezpieczeństwie, odpowiedzialności i prawie. Poniżej rozdzielamy jedno od drugiego, uczciwie i bez obietnic, których nie da się dotrzymać.

Predykcyjne utrzymanie ruchu (predictive maintenance) to przewidywanie awarii maszyny, zanim do niej dojdzie, na podstawie danych z czujników: drgań, temperatury, poboru prądu, ciśnienia, dźwięku. Model uczy się, jak wygląda „zdrowa” praca maszyny, i sygnalizuje odchylenia, które historycznie poprzedzały awarię.

Ważne, żeby nie obiecywać za dużo. AI nie „wie”, że łożysko padnie za 11 dni. AI wykrywa, że profil drgań przesuwa się w kierunku, który w danych historycznych korelował z bliską awarią, i podnosi alert z pewną pewnością. Decyzję o zatrzymaniu maszyny i wymianie części podejmuje utrzymanie ruchu — bo to ono ponosi konsekwencje błędu.

Realny zakres korzyści zależy od jakości danych i od tego, czy w ogóle istnieje historia awarii do nauczenia modelu:

• Redukcja nieplanowanych przestojów: w zakładach z dobrą instrumentacją zwykle widać poprawę rzędu 10-30%, rzadziej więcej. To widełki, nie gwarancja.
• Wydłużenie cyklu wymiany części: zamiana wymiany „co X godzin” na „gdy dane wskazują zużycie” potrafi ograniczyć przedwczesne wymiany.
• Warunek wstępny: czujniki, które faktycznie zbierają sygnał z odpowiednią częstotliwością, oraz oznaczone w czasie zdarzenia awarii. Bez tego model nie ma się na czym uczyć.

Jeśli danych historycznych brakuje, uczciwa droga to najpierw zbieranie i porządkowanie sygnału, a dopiero potem modelowanie. Jak ułożyć te dane, opisujemy w przygotowaniu danych firmowych pod AI.

Wizyjna kontrola jakości to obszar, w którym AI dojrzała najbardziej. Kamera fotografuje produkt na linii, klasyfikator obrazu ocenia, czy widzi wadę (rysę, brak elementu, odkształcenie, błąd nadruku), i oznacza egzemplarze do odrzucenia lub do ręcznego sprawdzenia.

Tutaj kluczowe są dwa uczciwe zastrzeżenia. Po pierwsze, model jest tak dobry, jak dane treningowe — jeśli nie widział danego typu wady, nie wykryje jej. Po drugie, ustawienie progu czułości to decyzja biznesowa, nie techniczna: niższy próg łapie więcej wad, ale generuje więcej fałszywych alarmów; wyższy próg przepuszcza więcej dobrych sztuk, ale ryzykuje przeoczenie wady.

Dlatego dobrze zaprojektowany system pracuje jako sito wstępne, a nie ostateczny sędzia. AI typuje kandydatów na wady, człowiek potwierdza w przypadkach granicznych. Ten sam wzorzec „AI przesiewa, człowiek decyduje” omawiamy w kontekście zgłoszeń w klasyfikacji i routingu zgłoszeń AI.

Najmniej efektowny, a często najbardziej opłacalny obszar to administracja. Produkcja generuje ogrom dokumentów: karty kontrolne, raporty zmianowe, świadectwa jakości, protokoły, dokumentację WZ. Sporo z tego to ręczne przepisywanie liczb z jednego miejsca w drugie.

Tu AI sprawdza się jako ekstrakcja danych: odczytuje wartości z formularzy, etykiet, świadectw dostawców i przenosi je w ustrukturyzowanej formie do systemu. Model językowy może też wygenerować pierwszą wersję raportu zmianowego z surowych danych z linii — z zastrzeżeniem, że wersję podpisuje człowiek.

Granica jest tu prosta: AI przygotowuje i porządkuje, człowiek zatwierdza dokument, który ma wartość prawną lub jakościową. Agent może zebrać dane i ułożyć raport, ale podpis pod świadectwem jakości to odpowiedzialność osoby, nie modelu.

Tu trzeba być precyzyjnym, bo produkcja to obszar, w którym AI może wpływać na bezpieczeństwo ludzi i mienia.

Dopóki AI wspiera decyzję — alert dla utrzymania ruchu, typowanie wad do sprawdzenia, szkic raportu — i człowiek pozostaje w pętli decyzyjnej, ryzyko prawne i operacyjne jest ograniczone. Problem zaczyna się, gdy system sam podejmuje działanie wpływające na bezpieczeństwo: zatrzymuje maszynę bez nadzoru, steruje parametrem procesu, dopuszcza partię do wysyłki bez weryfikacji.

AI Act klasyfikuje jako wysokie ryzyko między innymi systemy będące elementem bezpieczeństwa produktu lub maszyny. Jeśli AI jest komponentem bezpieczeństwa (np. wyłącza prasę, gdy „widzi” rękę operatora) albo decyduje o dopuszczeniu wyrobu wpływającego na bezpieczeństwo, wchodzą obowiązki: dokumentacja techniczna, ocena ryzyka, nadzór człowieka z realną możliwością interwencji, logi i monitoring jakości w czasie.

Trzy zasady, które stosujemy zawsze:

• Człowiek w pętli przy decyzjach o bezpieczeństwie. AI sygnalizuje, człowiek zatwierdza zatrzymanie, odrzut partii, dopuszczenie wyrobu.
• Logowanie i nadzór jakości modelu. Model z czasem dryfuje (zmienia się surowiec, narzędzia, oświetlenie); bez monitoringu jego skuteczność cicho spada. Jak to mierzyć, opisujemy w monitoringu jakości agenta AI.
• Audyt przed produkcyjnym wdrożeniem. Zanim system trafi na linię, warto przejść przez audyt bezpieczeństwa asystenta AI, żeby sprawdzić uprawnienia, dostęp do danych i scenariusze nadużyć.

Uczciwa kolejność wdrożenia w produkcji wygląda mniej spektakularnie, niż obiecują slajdy.

Najpierw jeden, wąsko zdefiniowany problem z policzalnym kosztem — najczęściej albo predykcyjne utrzymanie jednej krytycznej maszyny, albo wizyjna kontrola jednego typu wady, albo automatyzacja jednego raportu. Potem weryfikacja, czy w ogóle istnieją dane do nauczenia modelu. Następnie pilotaż obok obecnego procesu (AI typuje, człowiek nadal decyduje), żeby zmierzyć skuteczność na realnych danych, zanim cokolwiek zacznie działać samodzielnie. Dopiero gdy liczby się zgadzają — stopniowe rozszerzanie, z zachowanym nadzorem tam, gdzie w grę wchodzi bezpieczeństwo.

To nie jest droga na skróty. Ale jest to droga, która nie kończy się drogim systemem, któremu nikt nie ufa, bo raz pomylił się przy partii wartej więcej niż całe wdrożenie.

Nie. Predykcyjne utrzymanie wykrywa odchylenia, które historycznie poprzedzały awarie podobnego typu — działa tam, gdzie sygnał z czujników faktycznie zapowiada problem (zużycie łożysk, niewyważenie, przegrzanie). Nagłe awarie bez wcześniejszych symptomów albo typy usterek nieobecne w danych historycznych pozostają poza zasięgiem modelu. Dlatego mówimy o redukcji przestojów w widełkach, nie o ich wyeliminowaniu.

W praktyce nie zastępuje, tylko przesuwa rolę człowieka. Klasyfikator obrazu przesiewa większość sztuk automatycznie i typuje kandydatów na wady, a kontroler skupia się na przypadkach granicznych i na decyzjach, które niosą odpowiedzialność. Pełna automatyzacja bez człowieka ma sens tylko przy bardzo dojrzałych, dobrze zwalidowanych procesach i prostych, powtarzalnych wadach.

To zależy od architektury, którą wybierzecie — i jest to decyzja, nie konieczność. Dane wrażliwe (receptury, parametry procesu, dane z linii) mogą zostać w infrastrukturze zakładu dzięki modelom uruchamianym lokalnie, albo u dostawcy z gwarancją lokalizacji danych w EU i umową powierzenia. Warto tę decyzję podjąć świadomie na początku, bo determinuje cały projekt.

Czasem tak. Jeśli AI jest komponentem bezpieczeństwa maszyny lub decyduje o dopuszczeniu wyrobu wpływającego na bezpieczeństwo, może być systemem wysokiego ryzyka wg AI Act — z obowiązkami dokumentacji, oceny ryzyka i nadzoru człowieka. Systemy czysto administracyjne (raporty, ekstrakcja danych do ERP) zwykle nie wchodzą w tę kategorię, ale klasyfikację warto potwierdzić dla konkretnego zastosowania.

Uczciwa odpowiedź to „zależy od danych”, a nie od modelu. Jeśli czujniki już zbierają sygnał i istnieje historia awarii, pilotaż na jednej maszynie to zwykle kwestia kilku tygodni do kilku miesięcy. Jeśli trzeba dopiero zainstrować maszyny i zbudować historię zdarzeń, faza zbierania danych potrafi trwać dłużej niż samo modelowanie — i nie da się jej skrócić obietnicą.