Когда на пути TOYOTA встречается концепция Индустрии 4.0

Перевод второй части главы “Principle 8. Adopt and Adapt Technology That Supports Your People and Processes” книги Джеффри Лайкера “The Toyota Way, Second Edition: 14 Management Principles from the World’s Greatest Manufacturer”. Второе издание вышло 1 декабря 2020 года.

Я не являюсь экспертом в этом вопросе, но мое понимание Концепции Индустрии 4.0 подразумевает использование программного обеспечения для управления активами посредством технологии «Интернета вещей»: устройства сбора данных (например, беспроводные датчики и камеры высокой четкости), интеллектуальный анализ больших данных для выявления закономерностей, алгоритмы прогнозирования и обучающийся искусственный интеллект. Существует множество прикладных программных решений. Одно из применений технологии – мониторинг машин и оборудования, прогнозирование отказов и в некоторых случаях принятие корректирующих мер путем автоматической настройки оборудования и машин. Другой пример – умные роботы, которые могут адаптироваться к различным условиям и обучаться, имитируя принятие решений и движения человека.

Не осознавая этого, я испытал всю мощь этой новой технологии, играя в гольф в феврале 2020. Друг пригласил меня опробовать новое тренировочное поле, оснащённое технологическими решениями, которые отслеживали удары в гольфе и предоставляли данные в ваш смартфон. На тренировочном поле были установлены радиолокационные вышки для сбора данных в трех измерениях. Я загрузил приложение Trackman, вышел на поле, ввел его номер, ввел номер клюшки для гольфа, которую использовал, ударил по мячу, а затем увидел на своём смартфоне, как движется мяч, расстояние, которое он пролетает, расстояние, которое он пробегает по земле и высоту. Результаты могли корректироваться в зависимости от актуальных погодных условий. Я мог увидеть даже меру вариативности моих ударов по клюшкам. Как же круто это было?

Затем я мог провести анализ и задать вопросы вроде таких: «Как далеко я в среднем отправляю мяч с каждым ударом?», «Какие клюшки более подходящие?», «Должен ли я был использовать клюшку на меньшую дистанцию в некоторых случаях, чтобы получить лучшую точность удара?». Ключом были устройства сбора данных, подключение к интернету для обработки данных, анализ данных, подключение к моему смартфону и прикладное программное обеспечение.

Пример работы приложения Trackman

Позже я вспоминал об этой технологии и ее возможностях. Мне очень понравился опыт использования, он улучшил мои общие впечатления от тренировочного поля, как будто поиграл в видеоигру, но узнал ли я больше? Цель посещения тренировочного поля – потренироваться и стать лучше. Помогло ли это моей практике и уровню навыков? Теоретически казалось, что да, но на самом деле нет. Могло бы помочь, если бы я использовал полученный анализ как часть осознанного тренировочного режима. Это означало, что я должен был выйти за рамки просто удара по мячу и просмотра за происходящим на смартфоне. Я должен был обладать определенными навыками, работать над стандартом того, каким я хотел видеть свой удар, и для каждого удара клюшкой мне нужно было отмечать отклонения от своего стандарта, а затем думать и практиковать меры противодействия этим отклонениям. В остальном это было просто развлечение (что уже неплохо). Технологии плюс человеческая дисциплина осознанной практики могут кое-что добавить.

То, что я увидел в Denso, было очень похоже на эту технологию на тренировочном полигоне, но гораздо в большем масштабе и более сложную. Культура Denso включала в себя дисциплину, направленную на то, чтобы научить людей думать и решать проблемы на основе отклонений между стандартными и фактическими состояниями, что в сочетании с интернетом вещей было очень мощно.

ЭЛЕКТРОННЫЕ ОБОИ?

Когда я впервые попал в Мичиганский университет в 1982 году, «фабрики будущего» были в моде. Я изучал «социальные последствия» компьютерно-интегрированного производства (CIM), которое, согласно прогнозам, подорвет промышленность, потенциально оставив без работы миллионы рабочих. Спроектируйте что-нибудь на компьютере, создайте цифровую базу данных, загрузите ее в автоматизированное оборудование и получайте продукт. СМИ гудели об этой разрушительной технологии, поэтому я был сильно шокирован, узнав, что в то время это был миф, неудач было гораздо больше, чем успехов. Наша команда изучала небольшую компанию, производителя подшипников для подъемно-транспортных систем, которая рекламировала себя как первопроходца CIM. В компании установили новое компьютеризированное оборудование, старое оборудование убрали, уволив при этом его операторов; но когда новая система вышла из строя, пришлось снова пустить в ход старое оборудование и нанять уволенных операторов, чтобы продолжить производство. В конце концов компания обанкротилась. Мы написали статью «Изменить все сразу» (Changing Everything All at Once) и задокументировали, почему все обернулось так плохо. По сути, они были амбициозными первопроходцами, но преждевременно запустили в эксплуатацию непроверенные технологии. Учитывая этот опыт, я скептически отнесся к шуму об Индустрии 4.0. Встреча с Раджей Шембекаром в Denso укрепила мой скептицизм и стала убеждать меня в том, что эти передовые цифровые технологии были тем самым недостающим звеном в ранних попытках реализации компьютеризированного производства.

Раджа Шембекар, вице-президент Североамериканского производственного инновационного центра Denso, стал главным архитектором использования Интернета вещей компанией Denso. Он проработал в Ford 12 лет, где изучил основы автомобильного дизайна и производства, а затем в 2004 году он присоединился к Denso, изучая культуру и систему и два года проработав на производстве в Японии. Когда он вернулся в Соединенные Штаты в 2012 году, он хорошо понял, насколько США опередили Японию в современном программном обеспечении, особенно в перспективных технологиях Интернета вещей и искусственного интеллекта. Он был полон решимости передать эти технологии в Denso. В то время он считал, что Denso сильно отстает и ему нужно быстро наверстать упущенное, поэтому он решил нанять поставщика IoT. Раджа объяснил:

Еще в 2017 году мы много раз встречались с компаниями. Они показывали нам отличные PowerPoint презентации и рассказывали, что могут сделать. И тогда мы действительно думали, что сильно отстаем от остальной промышленности США. Мы поговорили с пятью разными компаниями, провели с ними реальные испытания и установили их программное обеспечение.

Подобно тому, что моя исследовательская группа испытала в 1980-х годах с «фабрикой будущего», когда Раджа и его команда углубились в предполагаемые компании-эталоны Индустрии 4.0, он был шокирован, узнав, как мало они сделали. Было много фанфар и замечательных демонстраций данных, но почти не было действий для решения реальных проблем. Он посетовал:

Мы многому научились, но быстро поняли, что если вы пойдете на заводы, и они покажут вам множество мониторов и информационных панелей – я называю их электронными обоями, – если вы не покажете мне, какие действия вы предприняли на основе этих данных в реальном времени, и что эти данные соответствуют реальности, это просто электронные обои. Я посетил более дюжины заводов в крупных известных компаниях, и многие из них хорошо работали, но они не были полностью интегрированы, и те, кто показывал много информационных панелей, когда мы начали разбираться детальнее, мы обнаружили не много реальных действий.

Он посетил завод другого крупного автомобильного поставщика, которому уделялось большое внимание как передовому примеру использования Интернета вещей. У поставщика были красивые дисплеи с данными и множеством гистограмм. Для оценки времени безотказной работы оборудования он взглянул на монитор, который показывал общую эффективность оборудования. Цифры показывали, что оборудование было загружено на 135%. Раджа был удивлен этим числом и спросил, верно ли оно. Ему сказали: «Нет, это не совсем так, потому что программное обеспечение не было адаптировано для решения тех проблем, которые у нас были сегодня». Раджа подумал: «Что подумают сотрудники, если увидят 135%, в то же время понимая, что на самом деле не достигают запланированного результата на день?»

Он также обнаружил, что программное обеспечение разработано специалистами, не имеющими представления о реальном производстве, и зачастую его нельзя было адаптировать к реальным условиям. Пример, с которым Раджа столкнулся при проверке возможных поставщиков программного обеспечения:

Мы провели проверку концепции с двумя компаниями, одной из Германии и одной из США. Допустим, ваша смена начинается в 8 утра, и это настраивается в программе. В 8 часов софт начинает контролировать производительность вашей линии. Но допустим, что приходит сообщение от руководителя по какой-то проблеме безопасности или чего-то подобного, поэтому линия стартует в 8:07. Наши сотрудники не должны нести ответственности за эти 7 минут простоя, потому что руководство решило отложить старт линии по какой-либо причине. Верите или нет, кажется, что это не сложно, но программное обеспечение было невозможно настроить без труда, подобно тому, как руководитель группы мог бы войти и сказать, что мы начали в 8:07.

ПРИМЕНЕНИЕ ИНТЕРНЕТА ВЕЩЕЙ В DENSO, BATTLE CREEK

Когда я приехал сюда в феврале 2020, многие приложения Интернета вещей активно использовались на заводе Denso в Батл-Крике, штат Мичиган. В коридоре, ведущем в цех, висел большой экран с картой, показывающей различные зоны. Во время нашего зимнего визита все зоны были зелеными, что означало, что они соответствовали температурным индексам. Если температура выше 35°C, в соответствии с законом, сотрудники должны делать 15-минутный перерыв каждые 4 часа. Раньше для анализа климата люди проходили через цех, замеряя и вычисляя среднюю температуру. Если средняя температура была выше целевой, весь цех останавливался на 15 минут. Теперь непрерывный сбор данных по зонам в режиме реального времени позволяет точно определить, в каких именно зонах превышены пороговые значения, и только эти зоны будут немедленно остановлены, что оптимизирует производительность и уменьшает незапланированные простои.

В другой части цеха мы увидели информационные панели, с данными, обновляющимися в реальном времени, характеризующими безопасность, качество, стоимость и сроки поставки. При реальных вопросах к качеству, дисплей показывал, где они возникли, что произошло и какие меры были приняты. Если в течение 20 минут не было предпринято никаких действий, проблема автоматически акцентировалась.

На одном рабочем месте оператор наблюдал за дисплеем, на котором в реальном времени показывалась диаграмма контроля качества с верхними и нижними пределами. Просто взглянув на экран, можно было понять, что процесс совсем недавно вышел за пределы, и оператор заметил это, отреагировал и вернул управление.

Одним из самых больших успехов стало использование профилактического обслуживания печей для пайки, которые являются частью процесса изготовления алюминиевых теплообменников. Печи большие и длинные, и в каждой из них есть 12 дорогих вентиляторов размером с круглый обеденный стол, которые обеспечивают контролируемую атмосферу для циркуляции, чтобы поддерживать постоянную температуру в печи. Если один вентилятор останавливается, печь необходимо выключить, и при почти 700°C требуется 12 часов, чтобы охладить ее, 12 часов, чтобы заменить вентилятор, и 12 часов, чтобы вернуть его в рабочее состояние. Каждый раз, когда вентилятор останавливается, завод теряет 36 часов и 30 000 единиц продукта в день. Кроме того, 60 человек простаивают из-за остановки производства. В год случается по четыре-шесть неожиданных остановок ценой 70-80 тысяч долларов каждая.

Компания Denso наняла вендора, который подключил к каждому двигателю вентилятора сложный беспроводной датчик, отслеживающий гармоники в двух измерениях (поскольку вентиляторы работают на двух осях), температуру и скорость вращения вентилятора. Эти данные анализировались с помощью программного обеспечения для предиктивной аналитики. Программное обеспечение способно определить вентилятор, который выйдет из строя через 58 часов, направляя сигнал сервис-инженерам для его замены. Раджа объяснил:

Сервисные специалисты не поверили. Но мы все равно просили их заменить вентилятор. Они демонтировали вентилятор. Увидели, что половина лопастей вентилятора разрушились. Были полностью шокированы тем, что они понятия не имели, что происходит, и как мы могли сделать этот прогноз. После этого они стали гораздо более лояльными к новой технологии.

КАК DENSO ЗАСТАВИЛА РАБОТАТЬ ТЕХНОЛОГИИ?

После сравнительного анализа предполагаемых лидеров Индустрии 4.0 Радже стало ясно, что Denso должны взять под свой контроль технологии внутри компании и выборочно работать с вендорами, обладающими конкретной экспертизой. Компании нужно было делать то, что ему вбивали в голову с тех пор, как он присоединился к Denso, – решать реальные проблемы и действовать. Также необходимо было достичь консенсуса по технологиям на всех уровнях, особенно тем людям в цеху, которые отвечали за производство и техническое обслуживание.

Развитие внутренней экспертизы для разработки и оптимизации программного обеспечения

Раджа собрал многофункциональную команду из примерно 10 программистов на заводе в Батл-Крик, чтобы возглавить работу в Северной Америке. Около половины были наняты извне с экспертизой Интернета вещей, а около половины – из самой компании с большим производственным опытом. Трое из них имели опыт аудита качества, поэтому они знали о проблемах Denso на производстве. Чад Орбек, менеджер по IoT в Северной Америке, имел более 26 лет опыта, в том числе управлял производственной линией. Раджа объяснил:

Они действительно хороши в программном обеспечении, но их опыт работы с производственной системой Тойота (TPS) уже более 20 лет. Вот почему я думаю, что Denso добилась большего успеха, чем любая из компаний, которые я проверял в США. Они могли разработать программное обеспечение, понимая, что оно будет работать, потому что они знали, каких проблем стоит ожидать.

Его команда даже разработала программное обеспечение, используемое для передачи данных между системами. Один из ключей к преобразованию компании, имеющей много различных информационных систем, – позволить этим системам беспрепятственно обмениваться данными. Раджа продолжил:

Пользовательский интерфейс легко сделать, но для получения этих данных из разных устаревших систем требуется рабочий API. Вендоры, которых мы тестировали, не смогли обеспечить хорошее взаимодействие с нашими устаревшими системами. Только наша команда смогла это сделать, потому что именно они создали эти интегрируемые системы. И они освоили новые системы, чтобы заставить API работать.

Для работы с большими данными Раджа нанял двух аналитиков данных, которые разбирались в том, что они делали, и пригласил группу людей для оценки использования ими аналитики данных. Заказчик солидно инвестировал, наняв ещё 50 аналитиков данных. Раджа спросил одного из членов команды, над чем они работают, и рассказал, как он был разочарован ответом:

Он засмеялся и сказал: «Всем понемногу. Мы просто собираем данные». 6 месяцев спустя мы пообщались вновь, и я показал ему несколько примеров, которые мы делали с аналитиками данных, и которые уже использовали люди, и он был шокирован, сказав: «У вас всего 2 человека, и у вас уже есть работающие примеры?”

Партнёрство со стартапом.

Еще один ключ к успеху Denso – это развитие социального капитала и партнёрство. Один из примеров – встреча с компанией, разработавшей технологию, которая оцифровывает движения человека и предоставляет данные о стандартизированной работе в режиме реального времени. Denso нашли их через связи в исследовательском институте Стенфорда.

Компания называется Drishti Technologies, ее основал доктор Прасад Акелла (Dr. Prasad Akella). Доктор Акелла начал с убеждения, что технологии должны улучшать людей, а не избавляться от них. Он сотрудничал с A.T. Kearney, компанией, которая опросила 100 крупных производственных предприятий и обнаружила, что люди выполняют только 72% производственных задач. Затем он задал вопрос: что произойдет, если соединить креативность и адаптивность людей с когнитивной силой ИИ? Преимущество людей в нашей гибкости и изобретательности. Минус – наша вариабельность, непостоянство.

Стандартизированная работа – это способ уменьшить эту вариабельность. Что, если бы ИИ мог анализировать видеоданные, распознавать рабочие циклы, изучать рабочие операции и немедленно предупреждать работников об отклонении от стандартов? Это было бы похоже на автоматический андон, дающий работнику обратную связь в реальном времени о его работе. Рабочий пропустил действие? Взял не ту деталь? Превысил сроки рабочего цикла? Мгновенная обратная связь приводит к быстрому обучению.

Технология Drishti – это несколько камер, которые непрерывно записывают работу под разными углами и хранят данные в облаке, после чего запатентованная система искусственного интеллекта на основе нейронных сетей анализирует видеоданные и определяет время в общем времени цикла, находит узкие места и даже генерирует диаграммы рабочего баланса. Такой подход выводит прослеживаемость на совершенно новый уровень. Ваш клиент сообщает вам о полученном им бракованном продукте. Вы связываете его запрос с серийным номером, смотрите, как создается деталь, смотрите на данные, генерируемые ИИ. Анализ первопричин теперь стал реальной возможностью, а не игрой в угадывание.

Завод автозапчастей Denso в Батл-Крике, штат Мичиган, тестирует камеры, отслеживающие перемещения рабочих с помощью программного обеспечения AI.

После встречи для Раджи было понятно, что доктор Акелла имеет опыт работы с производством, но не имеет детального понимания TPS. Раджа и его команда обучили доктора Акеллу и его команду лин-системам, и после года интенсивного сотрудничества они создали нечто, способное произвести революцию в стандартизированной работе. Раджа объясняет, как работает эта революционная технология:

Камера сфокусирована на каждом из рабочих-сборщиков на линии ручной сборки. Она записывает действия рабочих в реальном времени, данные отправляются в облако Google, где выполняется анализ с помощью ИИ. Обратно отчёт отправляется в течение 2 секунд, в нём сообщается, выполнил ли рабочий операции в правильной последовательности. До того, как у нас появилась эта технология для анализа в реальном времени, нам нужно было бы устанавливать видеокамеры, и кто-то должен был бы делать анализ, просматривая все записи, что заняло бы много часов. Эта технология оцифровывает движения человека и обеспечивает анализ узких мест. Такой подход мы используем первыми в мире. Он охватывает многие технические инструменты TPS, включая стандартизованную работу, отказ от передачи дефектов на следующий этап процесса, наличие задающего темпа, достижение времени цикла на каждой станции и мгновенный отчет об этом. Мы исключили составленные от руки почасовые диаграммы. Эта система распознает каждую деталь по действиям человека и видит, сколько деталей создано. Она говорит мне, где я не соответствую такту. Он создает диаграммы ямазуми [диаграммы загрузки операторов], в которых разбиваются рабочие элементы для каждой функции. Аналитик может извлекать данные за любой период времени и возвращаться к просмотру интересующих видео с участием сотрудников, смен и узких мест, так что это действительно революция в TPS.

Программное обеспечение Drishti может регистрировать, сколько времени требуется рабочему для завершения этапа сборки на протяжении всей смены.

Возможно, неудивительно, что Drishti обнаружили, что AI система наиболее полезна для таких клиентов, как Denso и Toyota, у которых уже есть сильные системы производственные системы. Генеральный менеджер подразделения Toyota Акихару Энго называет всю систему «TPS + AI», предполагая, что они идут рука об руку. Например, AI полезен, когда фабрика достигла определенного уровня стандартизированной работы, стабильной и эффективно организованной. Это зависит от непрерывного, сглаженного потока, который в свою очередь зависит от всех технических факторов TPS, указанных в Принципах 2–7, работающих вместе. Визуализация по-прежнему важна. Drishti использует планшетный компьютер, закреплённыйперед оператором, который показывает каждый шаг, как он выполняется, отмечая красным отклонения. Роль технологии состоит в том, чтобы предупреждать людей о проблемах, чтобы они могли быстро реагировать творческими решениями проблем, и, как мы узнаем из Принципа 10, бережливые компании организованы вокруг рабочих групп, участники которых обучены решению проблем. В основе системы людей и технологий лежит культура, построенная на взаимном доверии. Худшая ситуация – это когда руководство и рабочие борются за стандарты производительности, а члены команды считают, что AI система – это попытка руководства контролировать их и ускорять производство.

ТЕХНОЛОГИЯ ОСЛАБЛЯЕТ НАВЫКИ, ЗАМЕНЯЕТ ИЛИ РАЗВИВАЕТ?

Ответ: это зависит от философии управления. Вспомните обсуждение механистического и органического подходов в предисловии. С механистической точки зрения ценность технологий очевидна: заменяйте людей, наблюдайте за оставшимися и контролируйте их с помощью четких инструкций о том, что делать. Быстро и широко внедряйте технологию, чтобы удалить непредсказуемый человеческий фактор.

С точки зрения органических систем ценность технологии сильно отличается. В сочетании с изобретательностью высокоразвитых людей, заинтересованных в обслуживании клиентов и оказании помощи компании, она может умножать кайдзен – быстрее и лучше.

Раджа ясно дал понять, какой позиции придерживался он. Denso не стремились использовать технологии для избавления от людей, хотя он не сомневался, что со временем на фабрике будет работать меньше персонала. Хотя бывают случаи, когда техническая система с замкнутым циклом диагностирует и автоматически исправляет проблемы, будет множество проблем, требующих человеческой изобретательности и вмешательства. Фактически, Раджа убедился, что требования к навыкам людей должны расти:

Нам всегда будут нужны люди, но со временем их уровень навыков должен полностью измениться. Технология предоставляет данные, которые позволяют сотрудникам и руководителям групп в местах создания ценности (гемба) обеспечивать гораздо более высокий уровень принятия решений. Раньше они просто заполняли документы, но к тому времени, когда они завершали это делать, у них не оставалось ни времени, ни энергии, чтобы по-настоящему проанализировать данные. Если бы они хотели увидеть тренды, скажем, пятидневной давности или для разных людей, их просто не было. Технология обеспечила то, что мы теперь называем быстрым PDCA. Мы не можем позволить себе иметь PDCA, который занимает три недели. Мы хотим провести PDCA до конца этой смены.

Раджа привел пример технологии прогнозирования выхода из строя вентиляторов:

Я смог определить проблему с вентилятором быстрее и лучше, чем парень с 26-летним опытом. Раньше он бы подключил ультразвуковую диагностику, слушал и говорил, что вибрации ему не нравятся. Теперь он смотрит на данные временных рядов, рядов Фурье. Представьте себе его сдвиг в знаниях от простого прослушивания к истинному пониманию амплитудно-частотной характеристики. То есть это существенно повысит его профессиональный уровень. Люди будут работать в цеху, но уже на более высоком уровне.

В компании Denso в Японии руководители и инженеры также объяснили, что IoT не предназначен для того, чтобы исключить людей из цикла, но на самом деле предоставляет людям превосходную информацию о процессах. Сила больших данных и искусственного интеллекта заключается в том, чтобы своевременно предоставлять оператору информацию, о которой он раньше мог только догадываться. Но затем Denso ожидает, что оператор творчески использует эту информацию, чтобы найти первопричину и решить проблему с помощью кайдзен. Denso называет это «совместным созданием и развитием людей, вещей и оборудования». Это может привести к одному ироничному следствию. Исторически сложилось так, что основная роль промышленных инженеров заключалась в сокращении количества необходимых рабочих. Теперь технология может дать рабочим возможность устранить промышленных инженеров.

БАЛАНС МЕЖДУ ГОНКОЙ ЗА НОВЕЙШИМИ ТЕХНОЛОГИЯМИ И ЭФФЕКТИВНОСТЬЮ

Toyota – технологически продвинутая компания, и вот уже несколько десятилетий она закрывает свои компьютерные системы, а вы закрываете компанию. Теперь Toyota устанавливает суперкомпьютеры в свои автомобили. Но Toyota не заинтересована в том, чтобы быть модной и делать внедрение новых технологий самоцелью. Точно так же, как Toyota отказывается выталкивать детали, изготовленные в одном подразделении в другое подразделение, Toyota не позволяет отделу информационных технологий или отделу передовых производственных технологий выталкивать технологии в отделы, которые выполняют дополнительную работу по проектированию и сборке автомобилей. Любая информационная технология должна пройти испытания для поддержки людей и процессов и доказать, что она приносит пользу, прежде чем она будет широко внедрена. И тогда ответственность за внедрение новой технологии ложится на существующее руководство. Менеджеры несут ответственность за работу и за достижение целей, поэтому они должны руководить внедрением.

Toyota готова потратить несколько лет на то, чтобы сначала опробовать технологию на одном заводе (например, в Батл-Крике), а затем распространить ее по всему миру, завод за заводом, даже если эта технология могла бы быстро окупиться, если бы ее внедрили повсюду в первый год под руководством корпоративных экспертов. Каждая интеграция технологии на новом заводе – это образовательный опыт, который можно будет использовать на следующем заводе, и каждое интеграция на следующем предприятии – это возможность обучить местных менеджеров и инженеров на этом заводе, чтобы поддерживать и улучшать технологию.

Проблема, как я вижу, в том, что люди, живущие в мире программного обеспечения, похоже, верят, что если они могут провести демонстрацию, основанную на цифровом моделировании, она должна плавно трансформироваться в решение реальных проблем материального мира. Это мышление, из-за которого компании попали в беду еще в 1980-х годах. И с такой ситуацией Раджа из Denso столкнулся в двадцать первом веке, когда изучал программное обеспечение Индустрии 4.0. Я скептически отнесся к разговору с Раджем о смелой концепции полностью автоматизированной фабрики, где все управляется через подключение к интернету, большими данными и искусственным интеллектом – и Раджа подтвердил мои подозрения, что это может быть лишь пыль в глаза. С другой стороны, я также осознал силу технологии. Я все еще скептически отношусь к тому, что полностью компьютеризированные заводы без людей будут практичными, но возможности технологий с AI и интернетом вещей намного превосходят все, что было возможно в 1980-х годах. Похоже, люди не совсем ошибались насчет потенциала технологий, просто их надежды возникли слишком рано.

При наблюдении за тем, что Раджа делал на заводе Denso в Батл-Крике, также стало ясно, что Индустрия 4.0 не является разрушительной силой, которая делает TPS неуместной, а скорее может быть средством, которое основывается на культуре и мышлении TPS. В конце концов, Интернет вещей обязательно включает вещи. И если вещи плохо спроектированы, плохо произведены и плохо обслуживаются, программное обеспечение не решит проблему.

Разница между Denso и компаниями, которые создают электронные обои, похоже, зависит от мышления. Denso начинает с проблемы, а затем создает социальные и технические системы для ее решения. Это решение основано на существующей культуре дисциплинированного исполнения и решения проблем. Обсуждая научное мышление в соответствии с Принципом 12, вспомните систематический подход, который использует Denso. Без этого компаниям остается бросать технологию в стену и надеяться, что она прилипнет. Принципы TPS не исчезнут из такой компании, как Denso, но то, как фабрика будет работать с TPS + IoT, будет совсем другим.

Я был очарован технологиями Интернета вещей, которые я видел в Denso, но в глубине души я не мог не догадываться, что подумает г-н Каваи. На своей высокоавтоматизированной фабрике он был глубоко обеспокоен тем, что люди не задействуют критическое мышление. Они были счастливы нажать на кнопку и ждать, пока появится деталь. Поэтому он заставил их копнуть глубоко для понимания автоматизированных процессов на максимально детальном уровне, а затем улучшить их. Когда компьютеры начнут думать, откажутся ли люди от ответственности? Цифровые системы генерируют большое число данных, с помощью аналитики и AI можно сделать некоторые выводы. Но эти системы все еще примитивны по сравнению с человеческим мозгом, они не обладают творческими возможностями. Так как мы можем сочетать детальную информацию, исходящую от компьютеров, с творчеством людей в разработке и тестировании идей по улучшению процессов?

Акио Тойода, кажется, думает о том же. Он сказал:

Две концепции – автоматизация с участием человеческого интеллекта и точно в срок – являются столпами TPS. Что у двух принципов общего – люди в центре. Я считаю, что чем больше будет развиваться автоматизация, тем больше будет проверяться способности использующих её людей. Машины не могут улучшиться, если это не делают люди. Развитие людей с навыками, которые могут сравниться с машинами, и чувствами, превосходящими сенсоры, является фундаментальной частью подхода Toyota.

Дополнительные источники:

  1. When AI Can’t Replace a Worker, It Watches Them Instead, Wired, Tom Simonite, 02.27.2020 https://www.wired.com/story/when-ai-cant-replace-worker-watches-them-instead/

2. На заводе запчастей в США за действиями работников следит искусственный интеллект https://rb.ru/story/ai-is-watching-you/

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s