Minden működik, a gyár mégis áll – Hogyan menti meg az AI a globális értékláncot a leállásoktól?

A monitorokon minden mező zölden világít, a vállalatirányítási rendszer szerint a beszállító időben indította a fuvart, az alkatrész elvileg már a kapuban áll. A gyártócsarnokban mégis síri csend honol: a gépsor leállt, a munkások tétlenül várnak, és minden egyes percben súlyos összegek égnek el. Aki dolgozott már termelésben vagy logisztikában, ismeri ezt a bénító helyzetet, amely jól jellemzi a globális ellátási láncok törékenységét.

Bár a mesterséges intelligencia ipari alkalmazásáról szóló vitákban gyakran emlegetnek mindent automatizáló, önvezérlő rendszereket, a valóság ennél földhözragadtabb és jóval kisebb volumenű – legalábbis egyelőre. A Supply Chain Management Review elemzése a Gartner felmérésére hivatkozva azt írja, hogy a logisztikai és ellátásilánc-vezetők alig 23 százaléka rendelkezik stratégiával az AI alkalmazására. A Deloitte és az MHI közös iparági jelentése közben a legutóbbi teljes év adatai alapján közölte: a cégek 28 százaléka már használja valamilyen formában a mesterséges intelligenciát, 54 százalékuk pedig a következő öt éven belül tervezi a bevezetését.

A piac tehát gyorsan mozog, de a működési érettség egyenetlen maradt.

A valódi áttörést jelenleg nem a mindent átvevő algoritmusok, hanem a nagyon célzott, döntéstámogató szolgáltatások hozzák el. Ezek a rendszerek nem lecserélik a meglévő folyamatokat, hanem a vállalatirányítási, raktárkezelési és szállítási adatbázisokból kinyert adatok alapján segítenek megválaszolni a legégetőbb kérdéseket:

• Melyik beérkező rendelés fog elakadni?
• Eléri-e a szállítmány a kritikus rakodási időpontot?
• Jelez-e hibát egy kulcsfontosságú berendezés a raktárban?

A beszállítói kockázatkezelés évtizedeken át visszatekintő értékelésekre és pontozókártyákra épült. Ezek a kimutatások megmutatták a partnerek múltbeli megbízhatóságát, de arra alkalmatlanok voltak, hogy előre jelezzék: éppen melyik nyitott megrendelés fog csúszni.

A modern algoritmusok a korábbi szállítási fennakadások, kikötői torlódások, határátkelőnél töltött időtartamok és meteorológiai anomáliák láncszemeit összefűzve akár 4–6 nappal a tervezett érkezés előtt képesek jelezni a veszélyt. Ez a néhány nap választja el a kezelhető helyzetet a pániktól: a beszerzőknek marad idejük a készletek átcsoportosítására, az ütemezés módosítására vagy alternatív forrás keresésére.

A beszállítási folyamatok korai szakaszában a dokumentumok kezelése jelenti a legnagyobb akadályt. A fuvarlevelek és szállítólevelek formátuma akár szállítónként eltérhet, így a kritikus információk gyakran a papírok szintjén maradnak. A dokumentumfeldolgozó rendszerek pillanatok alatt kinyerik és egyeztetik a megrendelésekkel a tételszámokat vagy éppen a súlyokat és a csomagszámokat, megelőzve ezzel az átvételi eltéréseket. Az adatok rögtön átkerülnek a raktárkezelő rendszerekbe, ahol az algoritmusok az aktuális fogyás alapján azonnal újrasorolják a kritikus termékek utántöltési feladatait.

A logisztikai nyomon követés terén a hagyományos ellenőrzőpontok helyét a prediktív érkezési időbecslések veszik át.

A DHL saját fejlesztésű Smart ETA rendszere például a tengeri szállítmányozásban akár 48 százalékkal pontosabb érkezési előrejelzéseket adott a hagyományos becslésekhez képest. De a technológia csak akkor termel valódi hasznot, amikor a kapott adat közvetlenül átszervezi a munkát: átütemezi a rámpabeosztást, átrendezi a komissiózási sorrendet vagy priorizálja a hűtést igénylő rakományoknak.

Mindez nagyon megéri, mert a folyamatok automatizálása hatalmas terhet vesz le a logisztikai dolgozók válláról.

Egy fogyasztási cikkeket forgalmazó vállalatnál egy előszűrő réteg beépítése után a heti mintegy 300 logisztikai fennakadás 60 százalékát automatikusan előre meghatározott szabályok alapján oldották meg, vagy azonnal a felelősökhöz irányították, így az elemzőknek csak a váratlan krízisekkel kellett foglalkozniuk.

A prediktív karbantartás hasonlóan drasztikus fordulatot hoz a gyárakban és a hűtőházakban. Az ABB rendszere a Tenaris Dalmine csőgyárban például folyamatosan figyeli a motorok állapotát, és összehangolja a javításokat a tervezett leállásokkal. Ez nagyságrendekkel hatékonyabb a naptáralapú karbantartásnál, ami gyakran kudarcot vall.

Egy-egy üzemben évi több százmillió forint kárt okozhat a kritikus szállítószalag váratlan meghibásodása, még akkor is, ha a berendezést papírformának megfelelő módon, rendszeresen ellenőrizték.

A rezgés- és hőmérsékletadatok elemzése után a rendszer 8–12 nappal a fizikai törés előtt képes jelezni a motorcsapágyak hibáját, megelőzve egy 16 órás azonnali leállást. Egy másik, vállalati eszközkezelőhöz kapcsolt projektben a hibajavítás időtartama 60 százalékkal csökkent, az üzemek közötti átlagos hibamentes időtartam pedig 45 százalékkal javult, miközben a rendszer telephelyenként mintegy 900 millió forint éves megtakarítást termelt a váratlan leállások teljes kiküszöbölésével – áll a riportban.

A Supply Chain Management Review-nak nyilatkozó szakértők szerint a rendszerek sikere a bizalmon és a pontosságon áll vagy bukik. Egy olyan modell, amely a hibák 95 százalékát megtalálja, de 40 százalékban téves riasztást ad, sokkal kevésbé használható a gyakorlatban, mint egy 80 százalékos pontosságú rendszer 10 százalékos téves riasztással – a folytonos vaklárma miatt ugyanis a technikusok gyorsan lekapcsolják vagy figyelmen kívül hagyják a figyelmeztetéseket.

Gábor János, NEW technology