Εισαγωγή
Σε αυτή την ιστορία χρήστη, παρουσιάζουμε πώς η SOFIA MED χρησιμοποίησε το AI-MATTERS για να πειραματιστεί με τον έλεγχο ποιότητας με βάση την τεχνητή νοημοσύνη, να επαληθεύσει τον αντίκτυπό του και να επιτύχει συγκεκριμένα αποτελέσματα. Το AI-MATTERS παρέχει πρόσβαση σε πραγματικά περιβάλλοντα παραγωγής, υποστήριξη από ειδικούς και δομημένα πλαίσια δοκιμών για την επαλήθευση λύσεων τεχνητής νοημοσύνης πριν από την εφαρμογή τους. Η SOFIA MED πέτυχε κάλυψη αυτοματοποίησης 90%, ακρίβεια λήψης αποφάσεων 88% και μείωσε τον χρόνο επεξεργασίας ανά παραγγελία από 3–5 λεπτά σε μόλις 38 δευτερόλεπτα — όλα επαληθευμένα με βάση τα πραγματικά δεδομένα παραγωγής της πριν από οποιαδήποτε δέσμευση για θέση σε λειτουργία.
Η Sofia Med είναι ένας κορυφαίος κατασκευαστής χαλκού με μακρά βιομηχανική παράδοση, που συνδυάζει προηγμένες δυνατότητες παραγωγής με μια κουλτούρα που θέτει τον άνθρωπο στο επίκεντρο. Η Sofia Med αποτελεί μέρος του Τομέα Χαλκού της ElvalHalcor Hellenic Copper and Aluminium Industry S.A. και λειτουργεί σε βιομηχανική περιοχή 250.000 m² στη Σόφια της Βουλγαρίας, διαθέτοντας πλήρως ολοκληρωμένες εγκαταστάσεις παραγωγής.
Η SOFIA MED κατασκευάζει ημιτελή προϊόντα χαλκού και κραμάτων χαλκού υψηλής ποιότητας, προμηθεύοντας προϊόντα έλασης και εξώθησης σε πελάτες στους τομείς των κατασκευών, της αυτοκινητοβιομηχανίας και των βιομηχανικών εφαρμογών. Η παραγωγή απαιτεί αυστηρό έλεγχο ποιότητας σύμφωνα με τις διεθνείς προδιαγραφές των πελατών, οι οποίες καλύπτουν τη χημική σύνθεση (Cu, Zn, Pb, Fe και άλλα στοιχεία), τις μηχανικές ιδιότητες (αντοχή σε εφελκυσμό, επιμήκυνση, σκληρότητα, αγωγιμότητα) καθώς και τα διαστατικά και επιφανειακά χαρακτηριστικά.
Σε μια τυπική ημέρα παραγωγής, επεξεργάζονται πολλές παρτίδες, καθεμία από τις οποίες περιέχει δεκάδες μεμονωμένες παραγγελίες με διαφορετικές απαιτήσεις προδιαγραφών ανά πελάτη, δημιουργώντας ένα μεγάλο όγκο επαναλαμβανόμενου φόρτου εργασίας ελέγχου ποιότητας για τις ομάδες μηχανικών και ποιότητας.
Η πρόκληση
Πριν από την εφαρμογή της υπηρεσίας AI-MATTERS, η διαδικασία ποιοτικού ελέγχου της SOFIA MED ήταν εξ ολοκλήρου χειροκίνητη:
- Οι μηχανικοί ποιοτικού ελέγχου αφιέρωναν 3-5 λεπτά ανά παραγγελία για να αναζητούν χειροκίνητα τις προδιαγραφές των πελατών από μεμονωμένα αρχεία Excel ή PDF και να ελέγχουν κάθε μετρημένη παράμετρο, γραμμή προς γραμμή, σε σχέση με τα απαιτούμενα όρια.
- Για μια τυπική παρτίδα 50 παραγγελιών, ο συνολικός χρόνος επεξεργασίας του χειροκίνητου ελέγχου ποιότητας ανήλθε σε 275-325 λεπτά, δημιουργώντας σημαντικά εμπόδια στην ετοιμότητα αποστολής.
- Ο κίνδυνος ασυνέπειας ήταν εγγενής σε μια χειροκίνητη διαδικασία χωρίς συστηματικό ιστορικό ελέγχου. Οι απορριφθείσες παραγγελίες απαιτούσαν τη σύνταξη ξεχωριστών ενημερωτικών μηνυμάτων ηλεκτρονικού ταχυδρομείου, γεγονός που προκαλούσε περαιτέρω καθυστερήσεις.
- Η ποικιλία των προδιαγραφών των πελατών, οι διαφορετικές συμβάσεις ονοματολογίας των στηλών, οι ποιότητες κραμάτων και οι μορφές ανοχών που διαφέρουν μεταξύ πελατών και εργαστηρίων, κατέστησαν τον σχεδιασμό και την εσωτερική επικύρωση της αυτοματοποίησης πολύπλοκη υπόθεση.
Η SOFIA MED χρειαζόταν μια επικυρωμένη λύση τεχνητής νοημοσύνης (AI) κατάλληλη για παραγωγή, η οποία θα μπορούσε να διαχειριστεί τη μεταβλητότητα των δεδομένων MES στην πραγματική πράξη, να διασφαλίσει την πλήρη κυριαρχία επί των δεδομένων (χωρίς εξωτερική διαβίβαση ευαίσθητων προδιαγραφών πελατών) και να προσφέρει μετρήσιμες βελτιώσεις στην ακρίβεια και τη διακίνηση δεδομένων, πριν προχωρήσει σε πλήρη ανάπτυξη της λύσης.
Η προσέγγιση
Μέσω του προγράμματος AI-MATTERS, η SOFIA MED απέκτησε πρόσβαση σε:
- Εξειδικευμένη υποστήριξη για την εφαρμογή τεχνητής νοημοσύνης από το Κέντρο Αριστείας Teaching Factory (TF-CC) του Εργαστηρίου Συστημάτων Παραγωγής και Αυτοματισμού (LMS).
- Ένα δομημένο πειραματικό πλαίσιο που καλύπτει τις φάσεις των δοκιμών αναφοράς, των δοκιμών μεταβλητών και ακραίων περιπτώσεων, καθώς και των δοκιμών υπό πίεση, με χρήση αντιπροσωπευτικών δεδομένων παρτίδων παραγωγής του SOFIA MED.
- Ένα περιβάλλον ανάπτυξης που λειτουργεί εξ ολοκλήρου εντός των εγκαταστάσεων της εταιρείας, εξασφαλίζοντας ότι όλα τα δεδομένα παραγωγής, οι επεξεργασίες τεχνητής νοημοσύνης και οι εκθέσεις ελέγχου παρέμεναν εντός της δικής της υποδομής της SOFIA MED.
Η συνεργασία επικεντρώθηκε στη δοκιμή και την επικύρωση μιας ροής εργασιών ποιοτικού ελέγχου (QC) που βασίζεται σε μοντέλα μεγάλης κλίμακας (LLM) μέσω πειραματισμού, επιτρέποντας στη SOFIA MED να αξιολογήσει τη σκοπιμότητα και τον αντίκτυπο στην πράξη πριν προχωρήσει στην εφαρμογή της σε περιβάλλον παραγωγής.
Τι έχει ελεγχθεί;
Η τεχνολογία
Η λύση που υποβλήθηκε σε δοκιμή ήταν ένα σύστημα αυτοματοποίησης του ποιοτικού ελέγχου τεχνητής νοημοσύνης βασισμένο στο FastAPI, το οποίο λειτουργούσε με τη βοήθεια ενός τοπικού μοντέλου μεγάλης γλώσσας (LLM). Τα υποστηρικτικά στοιχεία περιλάμβαναν μια βάση δεδομένων SQLite, τον έλεγχο πρόσβασης «zero-trust» της Cloudflare και έναν δίγλωσσο (αγγλικά / βουλγαρικά) διαδικτυακό πίνακα ελέγχου.
Η περίπτωση χρήσης
Αυτοματοποιημένη σύγκριση των αποτελεσμάτων των μετρήσεων παραγωγής με τα όρια των προδιαγραφών ανά πελάτη και ανά κράμα, που καλύπτουν τη χημική σύνθεση (Cu, Zn, Pb, Fe), τις μηχανικές ιδιότητες (αντοχή σε εφελκυσμό, επιμήκυνση, σκληρότητα, αγωγιμότητα) και τα διαστατικά/επιφανειακά χαρακτηριστικά. Το σύστημα δημιουργεί δομημένες εκθέσεις ελέγχου με χρήση τεχνητής νοημοσύνης, κατευθύνει τις αποφάσεις μέσω λογικής «fail-first» και ενεργοποιεί αυτόματες ειδοποιήσεις απόρριψης μέσω ηλεκτρονικού ταχυδρομείου.
Διάταξη πειράματος
Οι δοκιμές διεξήχθησαν στο LMS χρησιμοποιώντας τις λειτουργικές εξαγωγές δεδομένων MES σε μορφή Excel της SOFIA MED. Εκτελέστηκαν τρεις κατηγορίες δοκιμαστικών σεναρίων: (1) δοκιμές αναφοράς — πλήρης ορθότητα και συνέπεια της ροής εργασιών· (2) δοκιμές μεταβλητών/ακραίων περιπτώσεων — ανθεκτικότητα σε προδιαγραφές μηδενικής τιμής, μη έγκυρες προδιαγραφές και μη τυποποιημένη ονοματολογία· (3) δοκιμές υπό πίεση — αρχεία μεγάλου όγκου (200+ παραγγελίες), ταυτόχρονη πρόσβαση και σενάρια ακραίων αποκλίσεων. Συνολικά, επεξεργάστηκαν 232 παραγγελίες σε όλες τις φάσεις των δοκιμών.
Ο αντίκτυπος
Το πείραμα είχε ως αποτέλεσμα να επιτευχθούν ή να ξεπεραστούν και οι πέντε βιομηχανικοί δείκτες απόδοσης (KPI) και οι πέντε τεχνικοί δείκτες απόδοσης (KPI):
| KPI | Στόχος | Επιτεύχθηκε |
|---|---|---|
| Κάλυψη αυτοματισμού | ≥70% | 90% |
| Ακρίβεια αποφάσεων | ≥80% | 88% |
| Χρόνος επεξεργασίας ανά παραγγελία | ≤60 δευτερόλεπτα | 38 δευτερόλεπτα κατά μέσο όρο |
| Χρόνος κοινοποίησης της απόρριψης | ≤2 λεπτά | <45 δευτερόλεπτα κατά μέσο όρο |
| Πληρότητα του ιστορικού ελέγχου | 90% | 95% |
| Ακρίβεια ευθυγράμμισης σχημάτων | >90% | 93% |
| Ακρίβεια συλλογιστικής συμμόρφωσης του LLM | >80% | 87% |
| Ποσοστό ολοκλήρωσης αγωγών | ≥95% | 96% |
| Ορθότητα χειρισμού ακραίων περιπτώσεων | >90% | 94% |
| Ιχνηλασιμότητα του συστήματος | 100% | 100% |
Ο χρόνος επεξεργασίας μειώθηκε από 3–5 λεπτά ανά παραγγελία σε 38 δευτερόλεπτα κατά μέσο όρο, κάτι που αντιστοιχεί σε εξοικονόμηση χρόνου κατά περίπου 88% ανά παρτίδα. Για μια τυπική παρτίδα 50 παραγγελιών, ο συνολικός χρόνος επεξεργασίας του ελέγχου ποιότητας μειώθηκε από 275–325 λεπτά σε περίπου 32 λεπτά.
Η SOFIA MED έλαβε μια πλήρη έκθεση επικύρωσης που περιελάμβανε τα αποτελέσματα των δοκιμών, στοιχεία σχετικά με τους βασικούς δείκτες απόδοσης (KPI) και συστάσεις για την υλοποίηση, γεγονός που της επέτρεψε να λάβει τεκμηριωμένη απόφαση σχετικά με την έναρξη της παραγωγικής λειτουργίας.
Βασικές πληροφορίες
- Η επεξεργασία LLM σε τοπικό επίπεδο είναι τόσο τεχνικά εφικτή όσο και λειτουργικά απαραίτητη για βιομηχανικές εφαρμογές που διασφαλίζουν την κυριαρχία των δεδομένων· όλες οι προδιαγραφές των πελατών και τα μεταλλουργικά δεδομένα παραμένουν εντός της υποδομής διακομιστών του οργανισμού.
- Η ευθυγράμμιση των σχημάτων αποτελεί τον καθοριστικό πρώτο παράγοντα: μια εφάπαξ επένδυση στην αντιστοίχιση στηλών επιτρέπει την πλήρη αυτοματοποίηση σε όλες τις παραλλαγές των προδιαγραφών των πελατών, χωρίς τη συμμετοχή του τμήματος πληροφορικής.
- Ο σχεδιασμός με ανθρώπινη παρέμβαση αποτελεί πλεονέκτημα και όχι περιορισμό: επιτρέπει στους μηχανικούς ποιοτικού ελέγχου να επικεντρωθούν στις οριακές περιπτώσεις (12% των αποφάσεων), ενώ οι συνήθεις συγκρίσεις πραγματοποιούνται πλήρως αυτοματοποιημένα.
- Το «Material Recovery Hub» και το «Root Cause Advisor» προσφέρουν σημαντική πρόσθετη αξία πέρα από τη βασική ροή εργασιών λήψης αποφάσεων για τον ποιοτικό έλεγχο, συμβάλλοντας στη μείωση των απορριμμάτων και στη συστηματική βελτίωση της παραγωγικής διαδικασίας.
- Το 12% των αποφάσεων που απαιτούσαν ανθρώπινη επανεξέταση αφορούσε κυρίως περιπτώσεις οριακών αποκλίσεων (εντός 0,5% των ορίων των προδιαγραφών): ένα σαφώς καθορισμένο όριο που επιβεβαιώνει το σωστό εύρος της ανθρώπινης εποπτείας.
Τι ακολουθεί;
Η SOFIA MED σχεδιάζει την πλήρη εφαρμογή του επικυρωμένου συστήματος ποιοτικού ελέγχου με τεχνητή νοημοσύνη στην παραγωγή εντός των επόμενων 12 μηνών, η οποία θα περιλαμβάνει:
- Άμεση ενσωμάτωση μέσω του API του MES για την εξάλειψη των χειροκίνητων μεταφορτώσεων από το Excel.
- Επέκταση της αντιστοίχισης σχημάτων για όλα τα ενεργά προφίλ πελατών.
- Επέκταση του σχεδίου σε επιπλέον σειρές προϊόντων: σωλήνες και ράβδοι, καθώς και προϊόντα από ειδικά κράματα.
- Αξιολόγηση της ενσωμάτωσης της ρομποτικής με τη βοήθεια της τεχνητής νοημοσύνης ως μακροπρόθεσμης πρωτοβουλίας.
- Η SOFIA MED έχει επίσης εκφράσει την προθυμία της να λειτουργήσει ως πελάτης αναφοράς και ως παράδειγμα εφαρμογής για την TF-CC/LMS, στο πλαίσιο της επέκτασης αυτής της υπηρεσίας σε άλλους κατασκευαστές μετάλλων.
Γιατί το AI-MATTERS;
Το πρόγραμμα AI-MATTERS έδωσε τη δυνατότητα στο SOFIA MED:
- Δοκιμάστε μια λύση ελέγχου ποιότητας με τεχνητή νοημοσύνη σε ένα πραγματικό περιβάλλον, αντιπροσωπευτικό της παραγωγής, χρησιμοποιώντας τα δικά σας επιχειρησιακά δεδομένα, χωρίς αρχική επένδυση σε υποδομή.
- Αποκτήστε πρόσβαση σε εξειδικευμένη υποστήριξη για την υλοποίηση και την επικύρωση τεχνητής νοημοσύνης από το TF-CC/LMS, το οποίο συνδυάζει τεχνογνωσία στον τομέα της τεχνητής νοημοσύνης με βαθιά γνώση του κλάδου της μεταποίησης.
- Επαληθεύστε τον μετρήσιμο αντίκτυπο πριν προχωρήσετε στην πλήρη εφαρμογή στην παραγωγή, χρησιμοποιώντας ένα δομημένο πλαίσιο δεικτών απόδοσης (KPI) που καλύπτει τόσο τις βιομηχανικές όσο και τις τεχνικές πτυχές της απόδοσης.
Μέσω της συνεργατικής πειραματικής διαδικασίας, το SOFIA MED εξελίχθηκε από ιδέα σε επαληθευμένη λύση, με σημαντικά μειωμένο κίνδυνο και αβεβαιότητα, καθώς και μια σαφή, τεκμηριωμένη πορεία προς την έναρξη της παραγωγής. Οι εταιρείες μπορούν να προχωρήσουν από πρωτότυπα τεχνητής νοημοσύνης σε τεχνικά επαληθευμένες λύσεις με μεγαλύτερη αυτοπεποίθηση.
Συχνές ερωτήσεις
Η υπηρεσία «Αυτοματοποιημένος έλεγχος ποιότητας με τη χρήση εκθέσεων ελέγχου βασισμένων στην τεχνητή νοημοσύνη και υποστήριξη λήψης αποφάσεων με βάση μοντέλα μεγάλης γλώσσας (LLM) στη μεταλλουργία», η οποία παρέχεται από το Κέντρο Αριστείας Teaching Factory (TF-CC) του Εργαστηρίου Συστημάτων Παραγωγής & Αυτοματισμού (LMS) του Πανεπιστημίου Πατρών, στο πλαίσιο του προγράμματος AI-MATTERS.
Μέσω του AI-MATTERS, οι εταιρείες του μεταποιητικού τομέα μπορούν να έχουν πρόσβαση σε δομημένες υπηρεσίες δοκιμών και επικύρωσης σε πραγματικά περιβάλλοντα παραγωγής. Η διαδικασία περιλαμβάνει τον καθορισμό της περίπτωσης χρήσης, την προετοιμασία αντιπροσωπευτικών λειτουργικών δεδομένων, τη διεξαγωγή πειραμάτων αναφοράς και πειραμάτων υπό πίεση, καθώς και τη λήψη μιας πλήρους έκθεσης επικύρωσης βάσει δεικτών απόδοσης (KPI) — όλα αυτά χωρίς αρχική επένδυση σε υποδομή παραγωγής ή κίνδυνο ανάπτυξης.
Για περισσότερες πληροφορίες και μια αναλυτική εξέταση της συγκεκριμένης περίπτωσής σας, σας προσκαλούμε να επικοινωνήσετε μαζί μας για μια συζήτηση χωρίς δεσμεύσεις.
Ναι. Η περίπτωση της SOFIA MED αποδεικνύει ότι ο έλεγχος ποιότητας (QC) που βασίζεται σε μοντέλα μεγάλης γλώσσας (LLM) μπορεί να διαχειριστεί πολλαπλούς πελάτες, πολλαπλές ποιότητες κραμάτων και διαφορετικές συμβάσεις ονοματολογίας στηλών του Excel, μέσω της ευθυγράμμισης σχημάτων και της επίλυσης συνωνύμων. Το σύστημα πέτυχε ακρίβεια ευθυγράμμισης σχήματος 93% και συνολική ακρίβεια αποφάσεων ποιοτικού ελέγχου 88% σε όλες τις προδιαγραφές πελατών που δοκιμάστηκαν — ενώ οι υπόλοιπες αναντιστοιχίες μπορούν να επιλυθούν μέσω μιας διεπαφής αντιστοίχισης στηλών χωρίς κώδικα.
Σχετικά με τον συγγραφέα
Κέντρο Αριστείας «Teaching Factory» (TF-CC) — Εργαστήριο Συστημάτων Παραγωγής & Αυτοματισμού (LMS), Πανεπιστήμιο Πατρών. Η ομάδα του TF-CC ειδικεύεται στον από κοινού σχεδιασμό, την επικύρωση και την υποστήριξη της υλοποίησης ψηφιακών λύσεων και λύσεων τεχνητής νοημοσύνης (AI) για τον αυτοματισμό βιομηχανικών διαδικασιών, τη διαχείριση ποιότητας και τη λήψη επιχειρησιακών αποφάσεων. Οι δραστηριότητες του AI-MATTERS στο LMS περιλαμβάνουν την αξιολόγηση βάσει δεικτών απόδοσης (KPI), τον σχεδιασμό πειραματικών πρωτοκόλλων και τη μετατροπή επικυρωμένων μεθόδων σε επαναλήψιμες προσφορές υπηρεσιών για εταιρείες του μεταποιητικού τομέα.
Θα θέλατε να μάθετε πώς οι διαχειριστές έργων μας μπορούν να βοηθήσουν τον οργανισμό σας;
Επικοινωνήστε μαζί μας για μια μη δεσμευτική συζήτηση: https://ai-matters.eu/contact/