AI w planowaniu produkcji: gdzie pomaga, gdzie zawodzi

AI w planowaniu produkcji pomaga tam, gdzie problemem jest szybkie przeliczanie wielu wariantów i wyłapywanie konfliktów w danych, a nie tam, gdzie brakuje samych danych albo decyzji. Realnie odciąża planistę w trzech miejscach: przeliczaniu scenariuszy „co jeśli”, wychwytywaniu niespójności w zleceniach i marszrutach oraz podpowiadaniu priorytetów według reguł, które i tak stosujecie. Iluzję kontroli tworzy tam, gdzie sprzedaje się „samoplanującą się fabrykę”: model zoptymalizuje tylko to, co ma w danych, a te w planowaniu produkcji bywają niepełne i spóźnione. Poniżej rozkładamy, gdzie AI w harmonogramowaniu daje wartość, gdzie obietnice przewyższają efekt i jak czytać deklaracje vendorów APS, żeby nie kupić demo zamiast rozwiązania.

Najpierw rozdzielcie poziomy planowania

„Planowanie produkcji” to nie jedno zadanie, tylko kilka warstw, na których AI zachowuje się inaczej. Na poziomie długim, czyli co produkować w kwartale, liczą się prognozy i dane rynkowe, których w firmie zwykle nie ma pod ręką. Na poziomie średnim, przy planie głównym i obłożeniu zasobów, zaczyna się przestrzeń dla reguł i przeliczeń. Na poziomie krótkim, czyli harmonogramowaniu i APS oraz kolejności zleceń na gniazdach, a także przy reakcji na zakłócenia, AI ma najwięcej do zaoferowania, ale to tu pada też najwięcej obietnic, których nie da się dotrzymać. Zanim ocenicie jakiekolwiek narzędzie, ustalcie, o którym poziomie mówicie, bo „AI do planowania” znaczy co innego na każdym z nich.

Gdzie AI realnie pomaga

Trzy zastosowania, które w planowaniu bronią się w praktyce, łączy jedno: przyspieszają pracę na danych, które już macie, zamiast wymyślać plan z niczego.

Pierwsze to przeliczanie scenariuszy „co jeśli”. Awaria maszyny, spóźniona dostawa, pilne zlecenie wchodzące poza kolejnością: model przelicza konsekwencje dla harmonogramu szybciej, niż zrobi to planista w arkuszu, i pokazuje kilka wariantów zamiast jednego. Decyzję podejmuje człowiek, ale ma ją na czym oprzeć.

Drugie to wychwytywanie niespójności i konfliktów w danych planistycznych. Zlecenie bez marszruty, gniazdo obłożone ponad dostępność, kolizja terminów, brakujący komponent przy zaplanowanej operacji. To praca żmudna i podatna na ludzki błąd, a model dobrze wyłapuje wzorce odstępstw. To wykrywanie problemu, nie jego rozwiązanie.

Trzecie to podpowiadanie priorytetów i wąskich gardeł według reguł, które planista i tak zna, ale których ręczne stosowanie na setkach zleceń zajmuje czas. Model nie wnosi tu nowej wiedzy, tylko stosuje waszą logikę konsekwentnie i szybko.

Gdzie AI tworzy iluzję kontroli

Najczęstsze rozczarowanie zaczyna się od obietnicy „samoplanującej się fabryki”, w której system sam ułoży optymalny plan bez udziału planisty. Problem w tym, że model optymalizuje wyłącznie to, co widzi w danych. Jeśli realne czasy operacji są przybliżone, dostępność maszyn nieaktualna, a kompetencje ludzi nigdzie nie zapisane, „optymalny” plan jest optymalny tylko na papierze i rozjeżdża się z halą w pierwszej zmianie.

Druga pułapka to optymalizacja wskaźnika, który nie jest waszym prawdziwym celem. Model potrafi wycisnąć maksymalne obłożenie maszyn, jednocześnie psując terminowość, jeśli to obłożenie dostał jako funkcję celu. Narzędzie zrobi dokładnie to, o co je poproszono, także wtedy, gdy poproszono o coś nie tego.

Trzecia to czarna skrzynka. Plan, którego planista nie rozumie i nie umie obronić przed mistrzem na hali, nie wejdzie do realizacji, choćby był policzalnie lepszy. Zaufanie planisty i brygadzisty jest warunkiem, nie dodatkiem, a narzędzie, które nie pokazuje „dlaczego”, tego zaufania nie zbuduje.

Wąskim gardłem są dane, nie model

Wspólny mianownik udanych i nieudanych wdrożeń w planowaniu jest ten sam: jakość harmonogramu równa się jakości danych, na których powstał. Realne czasy operacji zamiast norm sprzed lat, faktyczna dostępność maszyn, stany magazynowe zgodne z rzeczywistością, kompetencje przypisane do stanowisk. Jeśli te dane są nieaktualne albo rozproszone po arkuszach, żaden model tego nie nadrobi, a lepszy algorytm tylko szybciej wyliczy zły plan. Dlatego uczciwe wdrożenie zaczyna się od pytania o dane, nie o model. Ten sam mechanizm opisaliśmy przy innych zastosowaniach w tekście o AI w utrzymaniu ruchu, gdzie granica między realnym zastosowaniem a obietnicą przebiega w tym samym miejscu.

Jak czytać deklaracje vendorów APS

Demo zawsze wygląda dobrze, bo działa na czystych, kompletnych danych. Waszej firmy to nie dotyczy, więc pytajcie o cztery rzeczy. Na jakich danych model działa i jak często są odświeżane, bo to one, a nie algorytm, przesądzą o wyniku. Czy planista widzi, dlaczego plan wygląda tak, a nie inaczej, bo bez tego nikt go nie obroni. Co system robi przy zakłóceniu, czyli czy reharmonogramuje w rozsądnym czasie, czy przelicza godzinami. I kto zostaje w pętli decyzyjnej, bo „pełna autonomia” w planowaniu to najczęściej sygnał ostrzegawczy, nie zaleta. Jeśli możecie, poproście o pokaz na fragmencie waszych danych, z waszymi brakami, a nie na wygładzonym przykładzie dostawcy.

Od czego zacząć bez przebudowy całego APS

Nie trzeba wymieniać systemu, żeby sprawdzić, czy AI w planowaniu ma u was sens. Zacznijcie od jednego wąskiego zastosowania na danych, które już macie w miarę uporządkowane, na przykład scenariuszy „co jeśli” dla jednej linii albo jednego gniazda, z planistą w pętli decyzyjnej. Na tym jednym przypadku zobaczycie, czy problem leży po stronie narzędzia, czy po stronie danych, i ile realnie da się odciążyć. Jeśli dopiero zastanawiacie się, czy firma jest gotowa na takie wdrożenie, pomocna jest lista pięciu pytań o gotowość do AI. Szerszy obraz zastosowań w produkcji zebraliśmy w przeglądzie pięciu workflowów AI.

Czego ten post nie pokrywa

Nie oceniamy konkretnych systemów APS ani dostawców po nazwie, bo to zależy od waszego środowiska i szybko się dezaktualizuje. Nie wchodzimy w matematykę optymalizacji, czyli solvery, heurystyki i modele kolejkowania, bo to osobny, techniczny temat. Nie podajemy też liczb efektu, bo skrócenie cyklu czy poprawa terminowości zależą od punktu wyjścia i nie przenoszą się między fabrykami.

Powiązane

• AI w utrzymaniu ruchu: trzy zastosowania, dwa rozczarowania
• Pilot AI w fabryce w 8 tygodni: co możliwe, a co marketing
• Jak ocenić gotowość firmy produkcyjnej do wdrożenia AI: 5 pytań
• Pięć workflowów AI, które już dziś amortyzują się w polskiej produkcji