איך מפעלים בישראל יכולים לשפר ייצור, תחזוקה ורווחיות

מפעלים בישראל מתמודדים מדי יום עם עלויות תפעול, מחסור בכוח אדם, תקלות בלתי צפויות, בקרת איכות, ניהול מלאי והצורך לייצר יותר בלי להגדיל באותה מידה את ההוצאות.

AI ואוטומציה במפעלים יכולים להפוך חלק גדול מהתהליכים האלה לחכמים, מדידים ואוטומטיים יותר. במקום להסתמך רק על בדיקות ידניות, ניסיון של מנהלי ייצור וגיליונות Excel, ניתן לחבר נתונים ממכונות, חיישנים, מערכות ERP ומערכות תפעוליות כדי לזהות דפוסים, להתריע על חריגות ולסייע בקבלת החלטות.

לא חייבים להפוך את כל המפעל ל"מפעל חכם" ביום אחד. בדרך כלל נכון יותר להתחיל מתהליך אחד שבו קיימת בעיה עסקית ברורה למשל זמני השבתה, פסולת, מלאי או דיווח ידני למדוד את התוצאה ורק לאחר מכן להרחיב.

AI בתעשייה אינו מסתכם בצ'אטבוט או ביצירת טקסט. הערך העסקי שלו נמצא ביכולת להפוך נתונים שכבר קיימים במפעל לתובנות ולפעולות שימושיות.

מכונה יכולה לייצר נתוני טמפרטורה, רעידות, מהירות או צריכת אנרגיה. מערכת ERP מחזיקה מידע על הזמנות, מלאי ורכש. מערכת הייצור יודעת כמה יחידות יוצרו ומתי, ומערך האיכות מתעד פגמים והחזרות.

כאשר הנתונים האלה נשארים במערכות נפרדות, קשה לקבל תמונה מלאה. כאשר מחברים אותם לתהליך אנליטי או אוטומטי, אפשר להתחיל לענות על שאלות עסקיות חשובות:

• איפה נוצרים צווארי בקבוק?
• אילו מכונות מראות סימנים מוקדמים לתקלה?
• איפה נוצרת פסולת חריגה?
• מתי צפוי מחסור בחומרי גלם?
• אילו הזמנות נמצאות בסיכון לאיחור?
• אילו תהליכים עדיין דורשים עבודה ידנית?

כך AI יכול להפוך משכבת טכנולוגיה נוספת לכלי שמשפיע ישירות על התפעול, העלויות והיכולת של המפעל לעמוד בביקוש.

לפני שבוחרים פתרון, חשוב להבין את הבעיה. עבור מפעלים קטנים ובינוניים, האתגרים החוזרים נמצאים בדרך כלל באחד או יותר מהתחומים הבאים:

במקום להמתין לתקלה, מערכת תחזוקה חזויה מנסה לזהות סימנים המעידים על שינוי בהתנהגות המכונה. היא יכולה לנתח נתונים כמו טמפרטורה, רעידות, לחץ, צריכת אנרגיה או זמני פעולה. כאשר מזוהה דפוס חריג, ניתן ליצור התראה ולתזמן בדיקה לפני שהבעיה הופכת להשבתה משמעותית.

הערך העסקי: פחות הפתעות, תכנון טוב יותר של תחזוקה וניצול יעיל יותר של צוותי האחזקה.

מצלמות ומודלים של ראייה ממוחשבת יכולים לסייע בבדיקת מוצרים בזמן אמת. במקום להסתמך רק על בדיקה ידנית בסוף קו הייצור, ניתן לזהות סוגים מסוימים של פגמים כבר במהלך התהליך.

הערך העסקי: גילוי מוקדם יותר של בעיות, פחות פסולת, תיעוד טוב יותר ותהליך איכות עקבי יותר.

מלאי עודף קושר כסף, בעוד מחסור בחומרי גלם עלול לעצור קו ייצור או לגרום לאיחור באספקה. AI יכול לנתח היסטוריית הזמנות, צריכה, עונתיות, זמני אספקה ונתונים נוספים כדי לסייע לצוות הרכש והתפעול להבין מה עשוי להידרש בהמשך.

הערך העסקי: קבלת החלטות מבוססת נתונים, פחות עבודה ידנית ושיפור השליטה בהון החוזר.

תכנון ייצור הופך מורכב כאשר יש מספר מכונות, עובדים, הזמנות, חומרי גלם ואילוצים שונים. מערכות אופטימיזציה ו-AI יכולות לסייע בניתוח האילוצים ובבחינת תרחישים שונים לפני שמקבלים החלטה.

הערך העסקי: ניצול טוב יותר של משאבים, תגובה מהירה יותר לשינויים ושיפור השליטה בתכנון.

מנהלי מפעלים לא צריכים לבלות שעות באיסוף נתונים ממספר מערכות כדי להבין מה קרה במשמרת. אפשר לאחד נתונים ממכונות, ERP, איכות ומלאי ולהציג אותם בדשבורד אחד. שכבת AI יכולה להוסיף זיהוי חריגות, סיכומים והתרעות.

הערך העסקי: פחות עבודה אדמיניסטרטיבית ויותר זמן לניהול וקבלת החלטות.

מערכת AI אינה חייבת להחליף את התשתית הקיימת. במקרים רבים היא יכולה להשתלב מעל המערכות והציוד שכבר קיימים במפעל, בכפוף ליכולות החיבור של הציוד והתוכנה.

אחד היתרונות של גישה מדורגת הוא שלא תמיד צריך להחליף את מערכות הליבה של המפעל. ניתן לבחון חיבור ל-ERP, למערכות ייצור, למסדי נתונים, לחיישנים ולמערכות איכות באמצעות APIs, מחברים או שכבות אינטגרציה מתאימות.

בסביבה העסקית הישראלית זה יכול להיות רלוונטי במיוחד למפעלים שכבר עובדים עם מערכות כמו Priority, SAP או Oracle.

האתגר אינו רק "לחבר את ה-API". צריך להחליט איזה מידע נדרש, מי רשאי לגשת אליו, מהו מקור האמת של כל נתון ומה הפעולה שאמורה להתרחש לאחר שהמערכת מזהה אירוע.

לא כל פרויקט AI צריך להימדד במספר גדול של "אחוזי שיפור". הדרך הנכונה היא להגדיר מדד עסקי לפני ההטמעה ולהשוות אותו לאחר מכן.

לדוגמה:

• תחזוקה: שעות השבתה לא מתוכננות בחודש.
• איכות: שיעור פסילות, החזרות או פגמים.
• ייצור: תפוקה לשעה וניצולת ציוד.
• מלאי: ערך מלאי עודף ומספר אירועי חוסר.
• דיווח: שעות עבודה שמושקעות באיסוף נתונים.
• אספקה: שיעור הזמנות שנמסרות בזמן.

כך אפשר להעריך האם הפרויקט באמת מייצר ערך ולא רק "נראה חכם".

הטמעה מוצלחת אינה מתחילה ברכישת מערכת. היא מתחילה במיפוי התהליך.

בהחלט. גודל המפעל אינו המדד היחיד שקובע אם פרויקט AI מתאים. חשובים יותר סוג התהליך, זמינות הנתונים, עלות הבעיה והיכולת למדוד את התוצאה.

מפעל קטן יכול להתחיל בפרויקט ממוקד, למשל דשבורד אוטומטי, חיזוי ביקוש, ניהול מסמכים או זיהוי חריגות. אם הפרויקט מוכיח ערך, אפשר להרחיב בהמשך לתחזוקה חזויה, Computer Vision או אינטגרציות מורכבות יותר.

הגישה המומלצת היא להתחיל קטן, למדוד ולגדול.

השאלה החשובה יותר היא אילו משימות ניתן להפוך לאוטומטיות ואילו משימות כדאי להשאיר בידי העובדים.

במקרים רבים AI יכול להפחית עבודה חוזרת, לאסוף מידע, להתריע על חריגות ולספק לעובד המלצה. העובד עדיין מביא ניסיון, שיקול דעת ואחריות תפעולית.

לכן הטמעה נכונה אינה רק פרויקט טכנולוגי. היא גם פרויקט של שינוי תהליכי עבודה, הדרכה והגדרת אחריות.