Sztuczna inteligencja w produkcji: 4 systemy, które działają na hali

Sztuczna inteligencja w produkcji kojarzy się zwykle z dwoma obrazami: z robotem, który sam składa samochód, albo z czatem, który pisze maile. Oba są mylące. Na hali, w zakładzie, który zatrudnia kilkadziesiąt albo kilkaset osób, AI zarabia na siebie w miejscach znacznie mniej efektownych: przy stanowisku kontroli jakości, przy maszynie, która zaczyna inaczej brzmieć, w segregatorze z instrukcjami serwisowymi i w ERP, do którego ktoś codziennie przepisuje zamówienia.

Poniżej cztery systemy, które budujemy dla firm produkcyjnych i dystrybucyjnych. Dla każdego piszemy, jaki problem rozwiązuje, kiedy ma sens, a kiedy lepiej go nie ruszać.

1. System wizyjny AI do kontroli jakości

Kontrola jakości to najczęstszy punkt wejścia AI na produkcję, bo problem jest łatwy do policzenia. Operator ogląda detale przez osiem godzin, zmęczenie rośnie, a wada przepuszczona do klienta kosztuje reklamację, transport i zaufanie.

System wizyjny to kamera, oświetlenie i oprogramowanie, które ocenia każdy detal na podstawie obrazu. Klasyczne systemy wizyjne działają według reguł zapisanych przez programistę: zmierz średnicę, policz otwory, sprawdź, czy etykieta jest w ramce. Działają świetnie, dopóki produkt i oświetlenie są powtarzalne.

AI dokłada to, z czym reguły sobie nie radzą:

• wady o zmiennym wyglądzie: rysy, wżery, przebarwienia, wtrącenia, zadziory,
• produkty, które różnią się między partiami odcieniem, fakturą albo drobnymi tolerancjami,
• ocenę kompletności montażu, gdy elementy mogą leżeć w kilku poprawnych pozycjach.

Model uczy się na zdjęciach dobrych i wadliwych detali z Waszej linii. Wynik nie kończy się na ekranie: system wysyła sygnał do sterownika albo odrzutnika, zapisuje zdjęcie wady w archiwum i dopisuje ją do raportu zmiany.

Kiedy to ma sens: kontrola jest dziś ręczna, wady są zmienne, a koszt przepuszczonej wady jest wysoki. Kiedy nie: jeśli mierzycie jeden wymiar w stałych warunkach, klasyczna wizja będzie prostsza i tańsza. Mówimy to wprost na etapie analizy.

Najważniejszy krok to próba wykonalności przed zakupem sprzętu: na zdjęciach z Waszej produkcji sprawdzamy, czy wada jest w ogóle wykrywalna z wymaganą skutecznością. Dopiero potem dobieramy kamery, optykę i oświetlenie. Więcej o tym, jak wygląda wdrożenie, piszemy na stronie systemy wizyjne AI i automatyzacja produkcji.

2. Edge AI: decyzja przy maszynie, nie w chmurze

Kamera na linii, która robi kilka zdjęć na sekundę, generuje ogromną ilość danych. Wysyłanie tego wszystkiego do chmury jest drogie, wolne i często niemożliwe, bo w hali Wi-Fi bywa zawodne, a dział IT nie chce wypuszczać obrazu z produkcji poza zakład.

Dlatego coraz częściej model AI uruchamia się bezpośrednio na urządzeniu przy maszynie. To właśnie jest edge AI: obliczenia na brzegu sieci, tam, gdzie powstają dane. Do serwera trafia tylko wynik, na przykład „detal 4812 NOK, rysa, zdjęcie w archiwum”.

Na produkcji edge AI sprawdza się w trzech zastosowaniach:

1. Kontrola jakości w czasie rzeczywistym: decyzja zapada w ułamku sekundy, w takcie linii.
2. Monitoring stanu maszyn: czujnik drgań, temperatury albo mikrofon przy łożysku wykrywa, że maszyna pracuje inaczej niż zwykle, zanim dojdzie do awarii.
3. Liczenie i identyfikacja: liczenie detali i opakowań, odczyt oznaczeń, kontrola palet przed załadunkiem.

Czasem gotowy sprzęt nie pasuje do warunków: brakuje miejsca, jest pył, wibracje, nietypowe zasilanie. Wtedy budujemy własną elektronikę i prototyp urządzenia, a model AI optymalizujemy pod jego pamięć i pobór mocy. To samo podejście dotyczy klastrów AI we własnej serwerowni, gdy firma chce korzystać z modeli językowych, ale nie może wysyłać dokumentów do zewnętrznych dostawców. Szczegóły: edge AI i urządzenia z wbudowaną AI.

3. Prywatna baza wiedzy: instrukcje, szkolenia i spotkania w jednym wyszukiwaniu

W każdym zakładzie jest kilka osób, które „wiedzą, gdzie co jest”. Wiedzą, w której instrukcji jest moment dokręcania, co ustalono z klientem na spotkaniu we wrześniu i jak przezbroić maszynę po zmianie formatu. Kiedy są na urlopie albo odchodzą, ta wiedza znika.

Baza wiedzy AI rozwiązuje ten problem inaczej niż kolejny folder na serwerze. Pracownik pyta zwykłym językiem, a system odpowiada na podstawie Waszych materiałów i do każdego zdania dołącza źródło:

• dokumenty: instrukcje serwisowe, procedury, karty technologiczne, normy, oferty, z numerem strony,
• wideo: nagrania szkoleń stanowiskowych i filmy z hali, z odnośnikiem do konkretnej minuty,
• audio: nagrania spotkań i rozmów, z zaznaczonym fragmentem transkrypcji.

Na produkcji najczęściej korzystają z niej utrzymanie ruchu (kody błędów, procedury serwisowe), wdrażanie nowych pracowników (zamiast odrywać doświadczonych kolegów) i dział jakości (procedury i obowiązujące wersje dokumentów).

Kluczowa jest prywatność. Instrukcje producentów, rysunki techniczne i nagrania z hali to dane, których firmy nie chcą wysyłać do publicznych czatów. Dlatego bazę wiedzy można uruchomić w całości na własnym serwerze albo klastrze AI, razem z modelem językowym, a pracownik widzi tylko te materiały, do których ma uprawnienia. Więcej: prywatna baza wiedzy AI.

4. Serwer MCP: AI, które pracuje w ERP, a nie obok niego

Czwarty system jest najmniej widoczny, ale często daje najwięcej oszczędności czasu. Większość pracy biurowej wokół produkcji to przenoszenie informacji między systemami: zamówienie z maila do ERP, stan magazynowy do oferty, status dostawy do odpowiedzi dla klienta, dane z produkcji do raportu.

Agenci AI mogą tę pracę przejąć, ale tylko wtedy, gdy mają dostęp do systemów firmy. Do tego służy MCP (Model Context Protocol), otwarty standard, przez który modele AI łączą się z zewnętrznymi systemami. Serwer MCP udostępnia agentowi konkretne narzędzia, na przykład „sprawdź stan magazynowy”, „pokaż historię zamówień klienta”, „przygotuj szkic oferty”, i pilnuje, co agent może zrobić.

W praktyce wygląda to tak: handlowiec pyta, czy firma ma na stanie 40 sztuk danego filtra i kiedy dojedzie dostawa. Agent sprawdza stan, otwarte zamówienia u dostawcy i odpowiada w kilka sekund. Gdy ma coś zapisać, na przykład utworzyć dokument, czeka na zatwierdzenie człowieka. Każde wywołanie trafia do logu.

Dwie zasady, których się trzymamy:

1. Agent nie dostaje bezpośredniego dostępu do bazy danych. Dostaje narzędzia o jasnych nazwach, z walidacją danych i limitami.
2. Operacje zapisu wymagają zatwierdzenia. Odczyt może być automatyczny, zmiana danych w ERP nie.

Wiele systemów ERP używanych w polskich firmach powstało dla ludzi klikających w okna, nie dla AI. Przystosowanie ich do pracy z agentami to osobna część projektu. Więcej: serwer MCP dla firm.

Od czego zacząć

Te cztery systemy dobrze się uzupełniają: kamera z edge AI wykrywa wadę, wynik trafia przez serwer MCP do ERP i raportu zmiany, a technik, który ma usunąć przyczynę, pyta bazę wiedzy o procedurę. Ale nie trzeba budować wszystkiego naraz, a zwykle nie powinno się tego robić.

Najlepszy pierwszy projekt spełnia trzy warunki:

• problem da się policzyć: liczba reklamacji, godziny ręcznej kontroli, czas przepisywania zamówień,
• dane już istnieją: zdjęcia wad, instrukcje, historia zamówień,
• wynik można sprawdzić w kilka tygodni, na jednym stanowisku albo w jednym dziale.

Na produkcji takim projektem jest najczęściej kontrola jakości na jednym stanowisku albo baza wiedzy dla utrzymania ruchu. W biurze, które obsługuje produkcję i sprzedaż, częściej agent do ofert i zamówień pracujący w ERP.

Czego nie obiecywać sobie po AI w produkcji

Kilka uczciwych zastrzeżeń, które słyszą od nas klienci, zanim cokolwiek podpiszą:

• AI nie naprawi złego procesu. Jeśli kontrola jakości nie ma jasnych kryteriów, system wizyjny je odziedziczy.
• Model trzeba douczać. Nowe warianty produktu i nowe rodzaje wad pojawią się po wdrożeniu. Dlatego projektujemy system tak, żeby niepewne przypadki trafiały do człowieka, a ich zdjęcia do kolejnego treningu.
• Najdłużej trwa dostęp do danych i systemów, nie budowa modelu. Sprawdzamy to na samym początku.

Podsumowanie

Sztuczna inteligencja w produkcji to dziś przede wszystkim cztery praktyczne systemy: wizja do kontroli jakości, edge AI przy maszynach, prywatna baza wiedzy i agenci AI, którzy przez serwer MCP pracują w ERP. Żaden z nich nie wymaga przebudowy fabryki. Każdy da się sprawdzić na jednym stanowisku albo w jednym dziale, zanim zainwestujecie w skalę.

Jesteśmy z Wrocławia, mamy doświadczenie w automatyce i robotyce i sami budujemy elektronikę oraz prototypy. Jeśli chcesz sprawdzić, który z tych systemów ma sens w Twoim zakładzie, umów bezpłatną konsultację. W 65 minut przejdziemy przez Twój proces i powiemy wprost, od czego zacząć, a czego nie ruszać.