Aricoma nabízí řešení a služby pro praktické využití AI technologií společnosti NVIDIA

Problém: Problémy s kvalitou jsou často odhaleny až na konci výrobního cyklu, což vede k vysokým nákladům na opravu výrobku nebo úplné vyřazení.

Řešení: MLLM kontinuálně analyzuje data z výrobních senzorů (teplota, tlak, vlhkost, rychlost), vizuální data z průběhu procesu a historická data o kvalitě dokončených výrobků. Dokáže identifikovat korelace a vzorce, které naznačují potenciální problémy s kvalitou ještě předtím, než nastanou. Například, MLLM s podporou kamerové inspekce může z obrazových dat identifikovat drobné změny v textuře materiálu a na základě senzorových dat o teplotě a textových záznamech o dřívějších problémech predikovat riziko prasknutí daného výrobku, či polotovaru. Systém generuje včasná upozornění pro operátory, aby mohli provést úpravy.

Přínos: Snížení nákladů na nekvalitní výrobu o 15 - 25 %, minimalizace přepracování, zlepšení celkové výtěžnosti výroby.

Problém: Nastavení výrobních parametrů je často statické nebo se upravuje manuálně na základě zkušeností, což snižuje efektivitu.

Řešení: MLLM monitoruje data ze senzorů strojů (např. výkon, opotřebení nástrojů), vizuální data z průběhu výroby (např. stav obrobku), informace o spotřebě energie a textové záznamy o manuálních úpravách. Dokáže dynamicky doporučovat optimální nastavení (rychlost posuvu, otáčky, teplota) pro každou fázi výrobního procesu, aby se maximalizovala efektivita a minimalizoval odpad. MLLM se učí z každého výrobního cyklu, neustále zpřesňuje své modely a adaptuje se na měnící podmínky.

Přínos: Zvýšení výrobní efektivity o 5 - 10 %, snížení spotřeby energie a materiálu, zlepšení konzistence kvality.

Problém: Poruchy strojů způsobují neplánované prostoje a vysoké náklady. Plánovaná údržba je často neefektivní, protože se provádí zbytečně brzy nebo pozdě.

Řešení: MLLM analyzuje data ze senzorů strojů (vibrace, teplota, akustika, tlak, proud), vizuální data (např. opotřebení dílů z kamer), textové záznamy (historie údržby, technické specifikace, manuály) a zvukové záznamy (neobvyklé zvuky stroje). Dokáže předpovědět blížící se poruchu s vysokou přesností a doporučit optimální dobu pro údržbu. MLLM může například z dat ze senzorů vibrací identifikovat opotřebení ložisek a z vizuálních dat potvrdit korozi, což vede k přesnější predikci.

Přínos: Snížení neplánovaných prostojů o 20 - 40 %, prodloužení životnosti strojů, optimalizace nákladů na údržbu.

Problém: Manuální vizuální kontrola je časově náročná, náchylná k chybám a subjektivní. Tradiční strojové vidění může mít problémy s detekcí komplexních nebo nečekaných defektů.

Řešení: MLLM zpracovává obrazová a video data z výrobní linky ve vysokém rozlišení. Dokáže identifikovat souvislosti na snímcích jako jsou mikroskopické defekty, odchylky v barvě, tvaru, struktuře nebo povrchu, převést je na textový popis, a to i u produktů s vysokou variabilitou (např. přírodní materiály). Navíc tak může vytvářet textové popisy defektů pro oddělení kvality, a to bez nutnosti hlášení každého detailu od operátora.  Tím dosahuje zlepšení interpretace a kategorizaci vady. MLLM se učí z velkého množství dat, včetně dat z vadných i bezvadných výrobků, což zvyšuje její přesnost.

Přínos: Zvýšení rychlosti inspekce o 50 %, snížení vadných výrobků o 20 - 30 %, objektivní a konzistentní hodnocení kvality.

Problém: Neefektivní uspořádání skladu vede k dlouhým časům vychystávání a obtížné lokalizaci zboží. Manuální sledování zásilek je náchylné k chybám a zpoždění.

Řešení: MLLM analyzuje prostorová data (nákresy skladu, 3D modely), data o zásobách (historie pohybu, frekvence přístupu) a textová data (objednávky, dodací listy) k dynamické optimalizaci rozložení skladu a tras vychystávání. Pomocí integrace s IoT senzory a kamerami dokáže AI s podporou MLLM identifikovat pozici každé položky a zásilky, porovnávat ji s plánem a upozorňovat na odchylky. Může také vizuálně identifikovat poškozené zboží při příjmu nebo expedici.

Přínos: Zkrácení času vychystávání o 20 - 30 %, snížení chybovosti o 15 %, zlepšení přehledu o stavu zásob a snížení provozních nákladů

Problém: Nevyvážené zásoby vedou k nadměrným skladovacím nákladům nebo naopak k nedostatku materiálu a přerušení výroby.

Řešení: MLLM analyzuje historická prodejní data, sezónní trendy, makroekonomické ukazatele a případně i obrazová data z monitoringu skladů (např. vizuální odhady zbývajícího materiálu). Na základě těchto dat předpovídá budoucí poptávku s vyšší přesností a automaticky generuje návrhy objednávek materiálů u dodavatelů. Dokáže také rozpoznat anomálie v dodavatelském řetězci (např. zpoždění na základě dopravních informací a satelitních snímků) a navrhnout alternativní řešení.

Přínos: Snížení nákladů na skladování o 10 - 15 %, minimalizace prostojů kvůli nedostatku materiálu, efektivnější využití kapitálu vázaného v zásobách.