Tekoälyprosessit (AI) manuaalisen varaston prosessien optimointiin

Prosessien optimoimisella on tarkoitus analysoida työnkulkuja, dokumentoida ne, löytää kehityskohteet ja siten kehittää uutta parempaa prosessia. Sujuvampien prosessien ja paremman laadun lisäksi tavoitteena voi olla myös kustannussäästöt (1). Tekoälyn (AI) ja kyberfyysisten järjestelmien nopean kehityksen vuoksi prosessien optimointi tapahtuu yhä useammin tekoälyn avulla. 

Manuaalisessa varastossa on monia mahdollisia sovelluksia prosessien ja työnkulun optimoimiseen. Klassisia menetelmiä ovat esimerkiksi arvovirtakuvaus, prosessikartoitus, kokonaislaadunhallinta, LEAN, Kaizen, Six Sigma, 5S/5A ja muut lähestymistavat. Digitalisaation seurauksena uudet kehityssuunnat, kuten digitaalinen arvovirtakuvaus, prosessi- tai liikelouhinta (process- tai motion mining), ovat kuitenkin yhä enemmän yleistymässä. Näiden sovellusten avulla voidaan kerätä niin suuri määrä dataa, että sitä ei enää kyetä arvioimaan ja tulkitsemaan manuaalisesti klassisilla menetelmillä. Tämä haaste voidaan ratkaista tekoälyn avulla. Big data -analyytikan avulla voidaan käsitellä suuria määriä dataa, tavoitteena on löytää piileviä kaavamaisuuksia ja datarakenteita. Tämä mahdollistaa toiminnasta vastaaville erilaisia kohdennettuja toimintamalleja prosessien optimointiin. 

Gabler Wirtschaftslexikonin mukaan tekoäly on "älykkään ongelmanratkaisukäyttäytymisen tutkimusta ja älykkäiden tietokonejärjestelmien luomista. Siinä käsitellään menetelmiä, joiden avulla tietokone pystyy ratkaisemaan tehtäviä, jotka aikaisemmin vaativat ihmisen älykkyyttä.” Tekoäly on jo monine osa-alueineen tunkeutunut lukemattomille teollisuuden, tekniikan ja yhteiskunnan aloille. Tekoälyyn kuuluu nykyään hyvin monenlaisia osa-alueita ja niiden määrä kasvaa jatkuvasti: botit, ennakoiva ylläpito, tiedonlouhinta, prosessilouhinta, neuroverkot, koneoppiminen, syväoppiminen jne.. Syväoppiminen neuroverkkojen avulla on tällä hetkellä tekoälyn lupaavin menetelmä, ja se on samalla myös yksi koneoppimisen osa-alueista. 

Intralogistiikassa voidaan käyttää tekoälysovelluksia, kuten prosessi- tai liikelouhintaa lähes kaikkialla. Esimerkkeinä voidaan mainita tuotantolaitosten sisäiset kuljetukset (trukit ja lavansiirtovaunut, kuten myös jatkuvatoimiset kuljettimet), prosessianalyysit ja niihin liittyvät suorituskyky- ja laatutiedot sekä liikeanalyysit keräilyn ja pakkaamisen aikana. Laatuvirheiden ja "hukan" tunnistamisen lisäksi toinen olennainen näkökohta on työprosessien ergonomisen suunnittelun parantaminen. Tätä tarkoitusta varten luodaan yleensä varaston "digitaalinen kaksonen" eli virtuaalimalli. Tämän digitaalisen kaksosen avulla voidaan simuloida varaston työnkulkuja ja prosesseja varastopaikkojen optimoimiseksi. 

Prosessilouhinta (2) on yhdistelmä käsitteistä prosessinhallinta ja tiedonlouhinta. Se tarjoaa mahdollisuuden tarkastella liiketoimintaprosesseja ja varastotoimintoja ja tunnistaa optimointimahdollisuudet. Tiedonlouhinta-algoritmeja käytetään massadatan (big data) tutkimiseen tiettyjen kaavamaisten mallien löytämiseksi. Eli todellisia prosesseja analysoidaan tietotekniikkajärjestelmien tapahtumalokien datan perusteella algoritmejä hyödyntäen.  

Prosessilouhinnan avulla voidaan tutkia ja optimoida esimerkiksi valmistus-, myynti ja toimitusketjuprosesseja. Prosessilouhintatekniikoita on kolmenlaisia: Discovery, Conformance ja Enhancement. Discovery:n kuuluu prosessien analysointi ja tunnistaminen sekä prosessien digitaalisten mallien luominen. Conformance:n avulla voidaan arvioida, ovatko olemassa olevat prosessimallit nykyisen datan mukaisia. Toisin sanoen olemassa olevat prosessimallit validoidaan ja niitä verrataan uusiin tietoihin. Lopuksi Enhancement:a käytetään olemassa olevien prosessimallien täydentämiseksi.  

Toisin kuin perinteiset prosessianalyysimenetelmät, prosessilouhinta on kokonaisvaltaista. Tämä tarkoittaa sitä, että kaikkien liiketoiminta- ja varastoprosessien keskinäiset suhteet ja riippuvuudet otetaan huomioon. Prosessit esitetään prosessilouhinnassa koko kompleksisuudessaan. Prosessilouhinta eroaa klassisista prosessimallien luomiseen käytettävistä tekniikoista korkean automaatioasteen ansiosta. Prosessivirrat, kustannukset ja läpimenoajat voidaan esittää yksityiskohtaisesti ja läpinäkyvästi käyttämällä monenlaisia visualisointivaihtoehtoja. Tämän etuna on se, että muutoksiin voidaan reagoida nopeasti ja tehokkaasti sekä ennakoida mahdolliset ongelmat tulevaisuudessa. Myös ongelmien ja poikkeamien aiheuttajat tulevat näkyviin prosessilouhinnan avulla. Etenkin digitaalisella Teollisuus 4.0 ja Logistiikka 4.0 aikakaudella yritysten on mukautettava prosessejaan dynaamisesti pysyäkseen kilpailukykyisinä. Prosessilouhinnan avulla yritys saa tietoa siitä, miten sen liiketoimintaprosessit toimivat ja missä on parantamisen varaa. Prosessilouhintaa pidetään avainteknologiana, jonka avulla luodaan varaston tai koko yrityksen digitaalinen kaksonen (3). 

Liikelouhinta -tekniikkaa (4) voidaan käyttää monilla eri sovellusalueilla, kuten logistiikassa ja toimitusketjuissa sekä intralogistiikassa. Sitä hyödynnetään datan automaattiseen, tehokkaaseen ja anonyymiin tallentamiseen sekä manuaalisten työprosessien optimointiin ergonomian ja tehokkuuden näkökulmasta. Datan tallentamiseksi voidaan käyttää varastotyöntekijöiden ranteisiin ja vyöhön kiinnitettäviä kannettavia sensoreita. Integroitujen antureiden ansiosta yksittäisten työprosessien aikana tapahtuvat liikkeet voidaan tallentaa ja havaita tarkasti. Kaikki työprosessit voidaan suorittaa totuttuun tapaan ilman, että kannettavat sensorit haittaavat niitä. Ihmisten ja teknologian vuorovaikutusta voidaan analysoida tarkemmin, jos työvälineet, kuten kuljetuslaitteet tai trukit voidaan myös varustaa erityisantureilla.  

Integroidulla virtalähteellä varustettujen miniatyyristen radiolähettimien (majakoiden) avulla työntekijät ja toiminnot voidaan paikallistaa. Majakoiden etuna on, että ne voidaan asentaa nopeasti ja helposti kulloisellekin prosessialueelle. Mittauslaitteet havaitsevat lähettimien radiosignaalit ja laskevat siten nykyisen sijainnin GPS:n tapaan. Mitatut tiedot (toiminta- ja paikannustiedot) kerätään aina ilman viittausta työntekijään, joten GDPR -tietosuoja-asetusta voidaan noudattaa.  

Tekoäly analysoi automaattisesti valtavan määrän kerättyä dataa. Toimintojen ja prosessivaiheiden määrittäminen tapahtuu erityisesti sitä varten kehitetyllä syväoppimiseen perustuvalla kaavojentunnistusmenetelmällä. Tekoäly tunnistaa itsenäisesti erilaiset työnkulut tai prosessin osatekijät, kuten odotusajan, kuljettuun reittiin käytetyn ajan tai käsittelyajan. Integroitu “tunnistusluettelo” sisältää monia erilaisia toimintoja, ja sitä voidaan tarvittaessa täydentää uusilla toiminnoilla. Ergonomia-analyysien ansiosta voidaan ratkaista myös epäergonomisia taivutuksia, hartialinjan yläpuolella työskentelyä tai kävelyetäisyyksiä. Lisäksi teknologia tuottaa myös sijaintikohtaisia analyysejä, aktiivisuusindikaattoreita sekä dataa ajoneuvojen ja apuvälineiden käytön arviointiin.  

Analyysit voidaan esittää tunnuslukuina tai monissa eri muodoissa, kuten piirakka-, pylväs-, boxplot- ja lämpökarttoina. On myös mahdollista tehdä tilastollisia arviointeja tietyn ajanjakson aikana ja siten määrittää kustannusten vaihteluväli. Varastonhallintajärjestelmästä (WMS) yhdessä saadun datan kanssa voidaan myös luoda viittaus tuotanto-ohjelmaan. Yleisesti ottaen liikelouhinnan avulla voidaan optimoida työprosesseja (ergonomia ja tehokkuus), kerätä validia dataa, suorittaa mittauksia ilman tietotekniikkaintegraatiota, varmistaa datan anonymiteetti sekä säästää aikaa ja kustannuksia. 

Lähteet:

1 BITO Expertise, Process Optimization in Production Logistics, Linkki 

2 BITO expertise, Process Mining optimises business processes, Linkki 

3 Scurry Maria, How Process Mining Enables the Digital Twin of an Organization (DTO), Linkki. 

4 Motion-Mining®, Automated and anonymous analysis and optimization of manual processes, Linkki