製造環境における人工知能とその実用化
製造業の競争が激化するにつれ、製造業者は高度なテクノロジーを実装して生産性を向上させます。人工知能 (AI) は、製造業のさまざまなシステムに適用できます。パターンを認識し、時間のかかる、精神的に困難な、または人間には不可能なタスクを実行できます。製造では、制約ベースの生産スケジューリングと閉ループ処理の分野でよく適用されます。
AI ソフトウェアは、遺伝的アルゴリズムを使用して、多くの制約に基づいて可能な限り最良の結果が得られるように生産スケジュールをプログラムで調整します。ユーザーによって事前に定義されています。これらのルールベースのプログラムは、すべての基準を最もよく満たす最適なスケジュールに到達するまで、何千もの可能性を循環します。
製造環境における AI のもう 1 つの新しいアプリケーションは、プロセス制御または閉ループ処理です。この設定では、ソフトウェアは、現在保留中の生産実行に対するメーカーの目標の達成に最も近かった過去の生産実行を分析するアルゴリズムを使用します。次に、ソフトウェアは現在のジョブに最適なプロセス設定を計算し、生産設定を自動的に調整するか、可能な限り最高の実行を作成するために使用できるマシン設定レシピをスタッフに提示します。
これにより、実行が可能になります。過去の生産実行から収集された情報を活用することにより、より効率的な実行を徐々に行うことができます。制約モデリング、スケジューリング ロジック、およびユーザビリティにおけるこれらの最近の進歩により、製造業者はコスト削減を実現し、在庫を削減し、純利益を増加させることができました。
AI - 簡単な歴史
人工知能の概念は 1970 年代から存在しています。当初の主な目標は、コンピューターが人間からの入力なしで決定を下すことでした。しかし、システム管理者がすべてのデータを活用する方法を理解できなかったこともあり、それが普及することはありませんでした。データの価値を理解できたとしても、エンジニアにとっても非常に使いにくいものでした。
さらに、30 年前の初歩的なデータベースからデータを抽出するという課題は重大でした。初期の AI 実装は大量のデータを吐き出し、そのほとんどは共有できず、さまざまなビジネス ニーズに適応できませんでした。
復活
AI は、ニューラル ネットワークと呼ばれる 10 年間のアプローチのおかげで復活しています。ニューラル ネットワークは、人間の脳によって作成される論理的な関連付けに基づいてモデル化されています。コンピュータで言えば、管理者が設定したパラメータに基づいてデータを蓄積する数学的モデルに基づいています。
ネットワークがこれらのパラメータを認識するようにトレーニングされると、ネットワークは評価を行い、結論に達し、アクション。ニューラル ネットワークは、人間にはわからない膨大な量のデータの関係を認識し、傾向を見つけることができます。この技術は現在、製造技術のエキスパート システムで使用されています。
現実世界での実用化
一部の自動車会社は、これらのエキスパート システムを使用して、作業指示のルーティングや生産の順序付けなどの作業プロセス管理を行います。たとえば、日産とトヨタは、製造実行システムが製造オペレーションの順序付けと調整にルールを適用する生産フロア全体のマテリアル フローをモデル化しています。多くの自動車工場では、ルールベースのテクノロジを使用して、色と順序に基づいて塗装セルを通る部品の流れを最適化し、スプレー塗料の切り替えを最小限に抑えています。これらのルールベースのシステムは、製造、顧客の注文、原材料、ロジスティクス、およびビジネス戦略の変動を考慮した現実的な生産スケジュールを生成できます。
ベンダーは通常、AI ベースのスケジュールを参照することを好みません。フレーズにはいくつかのスティグマが関連付けられているため、アプリケーションを AI としてスケジューリングします。バイヤーはおそらく、AI のように幻想的なものにお金を使うことには消極的ですが、「制約に基づくスケジューリング」という言葉の方がより快適です。
制約に基づくスケジューリングには正確なデータが必要です</b >
優れた制約ベースのスケジューリング システムには、正しい順序でステップを反映する正しいルーティングと、ステップが並行して実行できるかどうか、または順次実行する必要があるかどうかに関する適切なデータが必要です。システムの立ち上げを成功させるために必要な綿密な計画の量は、最大の欠点の 1 つです。
管理チームが、操作シーケンスと操作の重複に関して正確なルーティングを定義およびロックしていない場合、そして、正しいセットアップ マトリックスを使用して正確な実行時間とセットアップ時間を使用してリソースの制約を正しく識別していない場合、最終的には、ショップが作成できない非常に悪い有限スケジュールになります。 AI のようなツールはブラック ボックス ソリューションと考えるべきではなく、ユーザーが理解できる実行可能なスケジュールを作成するために正確な入力を必要とするツールと考えるべきです。
ERP (エンタープライズ リソース プランニング) システム内の制約ベースのスケジューリング
ソリューションを選択する際に、探す必要のあるシステムの前提条件がいくつかあります。エンタープライズ アプリケーションがさまざまなビジネス分野をうまく統合すればするほど、制約ベースのスケジューリングを提供するという点でより強力になります。これは、あるアプリケーション スイートが、メーカーが購入したさまざまな製品の機能を組み合わせて提供する場合、そのスイートを使用して優れたスケジューリング機能を提供することが難しくなる可能性があることを意味します。これは、製造以外の機能に存在する多くのビジネス変数がキャパシティに影響を与える可能性があるためです。
ERP パッケージが制約ベースまたは有限スケジューリング用に構成されている場合、通常、パッケージはスケジューリング サーバーにルーティングされ、そこで計算されます。既存の注文とキャパシティを考慮して、オペレーションの開始時間と終了時間。製造オーダーが実行されると、スケジューリング システムはオペレーションに関する情報を更新し、結果をエンタープライズ サーバーに送り返します。
ERP ソリューション内のスケジューリング機能は、複数サイト環境で動作する必要があります。サプライ チェーン全体の資材とキャパシティのマルチサイト、マルチレベル分析に基づいて納期を計算する必要があるとします。このシステムでは、サプライ チェーン内のすべてのサイトと、それらの作業センターごとにスケジュールされた実際の作業を考慮して計画を立てることができます。手動または自動で、作業をスケジュールし、注文がいつ完了するかについて顧客に現実的なアイデアをすぐに提供できる必要があります。
AI、制約ベースのアプリケーションのその他の利点
制約ベースのスケジューリングによるキャパシティ管理のすぐに明らかなメリット以外にも、あまり目立たない分析機能がいくつかあります。通常、スケジュール機能を使用すると、最適化されたスケジュールに特定の変更が加えられた場合に何が起こるかを予測分析できます。そのため、プラント マネージャーが特定のアカウント エグゼクティブから、顧客に代わって注文を優先するよう圧力をかけられた場合、そのプラント マネージャーは、結果として遅れる他の注文の数に関する優れたデータを作成できます。さらに、この機能は、プラントの追加容量の影響に関する予測分析を提供できます。これにより、製造業者は、機器の購入によって実際に生産能力が向上するのか、それとも製造プロセスのさらに下流でボトルネックが発生するだけなのかを確認できます。
Tuppas Software Corp http://www.tuppas.com/Artificial-Intelligence/Artificial-Intelligence.htm 製造 ERP http://www.tuppas.com/manufacturing-erp-software/manufacturing-erp- software.htm モジュールは、ブラウザベースのシン クライアント アプリケーションとして開発されました。ソフトウェアは、Web ベース、オブジェクト指向、モデル駆動型、シンクライアント、構成可能な Production Scheduling http://www.tuppas.com/production-scheduling-software/production-scheduling-software.htm、Advanced Planning およびスケジューリング、生産報告、在庫管理、倉庫管理、SPC、SQC、SCM、CRM、会計、調達、ジョブ追跡、キャパシティ プランニング、品質保証、資材所要量計画、プロセス管理、トレーニング ソリューション、CMMS (予防保守)、ビジネス インテリジェンス
記事の出典: https://EzineArticles.com/expert/Dawn_Tupciauskas/160614
p>
「AI安倍晋三」ネットで物議 合成音声のYouTube動画、“東京大学AI研究会”が公開（ITmedia NEWS） - Yahoo!ニュース Yahoo!ニュース(続きを読む)
意外と知らない自販機ビジネス 「おしゃべり機能」で心くすぐる
