olvasás: 3 perc
Esettanulmány: gépi látás, hibakeresés
A gépi látás a minőségbiztosításban ma már elfogadott és széles körben alkalmazott technológia. A „hagyományos” megközelítés az, hogy az eltéréseket előre leprogramozott szabályok alapján ismeri fel a technológia. A mesterséges intelligencia (továbbiakban: AI) egy sokkal szélesebb körben és rugalmasabban alkalmazható megközelítést tesz lehetővé, amit röviden ebben a tanulmányban egy gyakorlati példán keresztül szeretnénk bemutatni:
Megrendelőnk egy speciális alkatrészeket gyártó vállalat. Az általa gyártott, néhány centiméteres alkatrészek nagyértékű termékekbe kerülnek beszerelésre, minőségi szempontból azok kritikus alkatrészei. A vállalat ezért 100% vizuális minőségellenőrzést végez. A több mint 100-féle különböző alkatrész-típus közül 10 esetében alkalmaztak gépi látásos minőségellenőrzést, hagyományos, programozott technológiával.
A válogatás minősége megfelelő, ám a változó termék-portfólió miatt a berendezés egyre kevesebb típus ellenőrzésére volt alkalmas. Ugyanakkor az eltérő minőségi problémákat a rendszer csak rugalmatlanul tudta kezelni: az alkatrészek túlnyomó többségét emberi munkaerővel ellenőrizték, a feladatot 40 minőségellenőr látta el 3 műszakban, folyamatos termelés mellett.
Az emberi ellenőrzés kihívásai:
változó válogatási minőség (egyénenként és egyének között is változó)
fluktuáció, rendelkezésre állás bizonytalansága, betanulás költsége
„kézi” statisztika a hibatípusokról.
Az AI megközelítés a fenti kihívásokra megfelelő választ tud adni. A berendezés a legtöbb, partnerünk által gyártott alkatrészt képes ellenőrizni. A STRATIS által fejlesztett megoldás az ügyfél számára a következő előnyöket biztosítja:
stabil válogatási minőség
a legtöbb ügyfél által gyártott alkatrész esetén alkalmazható
a válogatott termékek köre folyamatosan bővíthető, igazítható
a válogatási minőség folyamatosan javítható
azonnali és folyamatos visszajelzést ad a válogatott alkatrészek minőségéről
a berendezés a nap 24 órájában, a hét minden napján stabilan működik
a berendezés kiszolgálása nem igényel szaktudást
az emberi munkaerő hatékonysága több mint 10-szeresére nőtt általa.
Az ügyfelünk számára fejlesztett egyedi berendezés műszakonként 20-30ezer alkatrész vizsgálatára alkalmas. Ez azt jelenti, hogy a válogatás sebessége 0,5 sec/alkatrész. Számításaink szerint a fenti paraméterekkel a gép 1-2 éves üzemidő alatt megtérül.
A szerzőről
Gáspár Sándor a Stratis mesterséges intelligenciával foglalkozó területét vezeti 2020 óta és több, mint 20 éve foglalkozik data science-szel. Csapatával nagyvállalatok számára fejleszt gépi tanulásra, prediktív analitikára épülő döntéstámogató megoldásokat ügyfeleink meglévő adatvagyonának kiaknázásával. Ezen kívül mély neurális hálókra épülő NLP és machine vision megoldásokkal segíti ügyfeleink meglévő folyamatainak automatizálását.
