Automobilka vyrobí denně tisíce dílů, a přesto se o vlastní výrobě dozvídá s až dvoudenním zpožděním. Data přitom existují, jen jsou rozesetá v desítkách systémů, v ručně vedených tabulkách a v hlavách zkušených mistrů. Jana Vydrová, která se ve Škoda Auto věnuje digitálnímu řízení výroby komponent a Shopfloor IT, v rozhovoru vysvětluje, proč s AI nezačínat u AI a co je na digitalizaci doopravdy nejtěžší. V úterý 6. října o tom bude mluvit na Technické univerzitě v Liberci v rámci Univerzitní doktorské školy.
Jana Vydrová přijede na TUL s přednáškou Nástrahy digitalizace ve světě (nejen) Automotive. CXI TUL se Škoda Auto dlouhodobě spolupracuje na digitalizaci výroby, mimo jiné na vizualizační platformě mVIS. A jako pracoviště technické univerzity klade důraz na propojení s praxí a vědu dělá společně s průmyslem. I proto jsme se Jany před přednáškou zeptali, co může průmysl získat od výzkumu, kde začít s AI a co je na digitalizaci opravdu nejtěžší.
Kde vidíte největší prostor pro spolupráci průmyslu s univerzitami a výzkumnými organizacemi?
Průmysl má nápady a oproti univerzitám i finanční zdroje. Chybí mu ale flexibilita a možnost rychle si ověřit hypotézy v laboratoři nebo testovacím prostředí. Většina nápadů se zavrhne dřív, než se stihnou vyzkoušet, a právě tam vidím prostor pro spolupráci. Na univerzitách
a zvlášť ve výzkumných organizacích, už z podstaty názvu, je navíc spousta zvídavých lidí, které motivuje neustálá snaha něco zlepšovat, na něco přicházet a učit se nové věci.
Co podle vás může výzkumné prostředí nabídnout velké firmě, co si firma obtížně vytvoří sama?
Navázala bych na předchozí odpověď. Za zmínku rozhodně stojí atmosféra, ve které probíhají změny. Ve velké firmě jsou změny většinou nevítané a vnímané jako narušení zajetých pravidel. S trochou nadsázky platí „co funguje, na to nesahej“. Výzkumné pracoviště by naopak beze změn bylo nejspíš velmi neúspěšné.
Co byste doporučila firmám, které chtějí začít s digitalizací, AI nebo modernizací procesů, ale nevědí, kde začít?
Rozhodně je dobré rozumět tomu, čeho chce firma nebo tým dosáhnout. Pokud jde jen o to, aby se nasadil nějaký AI use case, adopce většinou nedopadne dobře. Je potřeba reagovat na skutečné problémy, které lidi pálí. Ať jde o zákazníky, nebo o interní pracovníky, motivace je stejná: když nástroj nevyřeší můj problém, nebudu ho přece používat. A měl by to být reálný problém, ne domnělý v hlavách managementu.
Dalším zásadním předpokladem jsou data v pořádku, včetně kontextu a metadat. Než se kdokoli pustí do nasazování AI, měl by zapracovat na dostupnosti dat a na tom, aby se dala získávat automaticky, bez ručního zadávání.
Co je dnes při digitalizaci výroby nejtěžší – technologie, data, nebo změna procesů a práce lidí?
Tuhle otázku si kladu každý den. 😊 Nerada bych někomu křivdila, takže vycházím hlavně z pozorování sebe sama. Za mě je nejtěžší změnit vlastní zvyklosti a začít myslet jinak. To souvisí s procesy, zajetou rutinou, prací lidí a vůbec se změnou mindsetu. Data jsou samozřejmě také velmi podstatná, ale hodně se dá vyřešit právě technologiemi. Kdybychom technologie neohýbali jen proto, abychom nemuseli měnit svoje zvyklosti, digitalizace by určitě postupovala rychleji.