AI w produkcji: problemem nie jest 90% trafności. Problemem jest brak danych.

AI w produkcji: problemem nie jest 90% trafności. Problemem jest brak danych.

W dyskusjach o Przemyśle 4.0 i 5.0 bardzo często pojawia się argument, że modele AI osiągają około 90% trafności, a w środowisku przemysłowym nawet 10% błędu może oznaczać milionowe straty. Argument brzmi racjonalnie — operuje liczbami i odwołuje się do realnego ryzyka operacyjnego.

Problem polega na tym, że ten argument zakłada istnienie w pełni zdigitalizowanej fabryki.

A w praktyce — w wielu zakładach produkcyjnych w Polsce i Europie, szczególnie w sektorze MŚP — taki poziom dojrzałości danych po prostu nie istnieje.

Wiele firm funkcjonuje w modelu, który można określić jako „produkcja analogowa z cyfrowym front-endem”. System ERP jest. Planowanie produkcji jest. Czasem jest nawet raportowanie BI. Ale na poziomie hali produkcyjnej:

• maszyny nie komunikują się z systemami,

• dane o przestojach są zapisywane ręcznie,

• OEE liczone jest w Excelu,

• brak historii zdarzeń i korelacji przyczyn,

• działy produkcji, utrzymania ruchu i jakości pracują w silosach.

W takim środowisku pytanie „czy AI osiągnie 90% czy 95% trafności?” jest wtórne. AI nie ma spójnych, ciągłych danych, na których mogłoby budować wiarygodne modele.

MES jako fundament transformacji

System MES nie jest kolejnym „narzędziem IT do wdrożenia”. Jest warstwą infrastrukturalną, która umożliwia:

• ciągły pomiar parametrów produkcyjnych i energetycznych,

• automatyczne wyliczanie wskaźników (OEE, MTBF, MTTR),

• klasyfikację przestojów i identyfikację strat,

• budowę kontekstu zdarzeń (sekwencja sygnałów, alarmów, zmian parametrów).

Dopiero wtedy pojedyncza awaria przestaje być „zdarzeniem”, a zaczyna być wzorcem, który można analizować i przewidywać.

Co istotne — już sama implementacja pomiaru i wizualizacji przynosi wymierne efekty, bez użycia AI:

• 20–40% redukcji nieplanowanych przestojów,

• 10–25 punktów procentowych wzrostu OEE,

• 30–60% szybszą reakcję na awarie,

• 10–20% redukcję zużycia energii.

To efekty wynikające z transparentności i dostępu do danych. Nie z algorytmów predykcyjnych.

Największe bariery? Organizacyjne i infrastrukturalne.

Z doświadczeń wdrożeniowych wynika jasno, że największe przeszkody transformacji nie są technologiczne.

1. Brak ciągłego pomiaru danych.

2. Zróżnicowany park maszynowy i trudności integracyjne.

3. Niedobór kompetencji łączących proces produkcyjny z analityką.

4. Opór organizacyjny wobec ujawniania realnych wskaźników efektywności.

5. Dopiero na końcu — AI.

Modele predykcyjne, rekomendacyjne czy autonomiczne systemy optymalizacyjne są ostatnim etapem. Nie dlatego, że są mniej ważne — ale dlatego, że wymagają wszystkich poprzednich warunków.

Zmiana pytania

Dyskusja nie powinna zaczynać się od pytania:
„Czy AI jest wystarczająco dokładna?”

Powinna zaczynać się od pytania:
„Czy mamy wiarygodne dane opisujące to, co dzieje się na hali produkcyjnej w czasie rzeczywistym?”

Jeżeli odpowiedź brzmi „nie” — punktem startowym jest infrastruktura pomiarowa i MES. Jeżeli odpowiedź brzmi „tak” — wtedy rozmowa o AI ma sens i może przynieść realną wartość.

Pełna wersja artykułu:

AI w produkcji: problemem nie jest 90% trafności. Problemem jest brak danych.