Firma Sappi Europe rozszerza wykorzystanie sztucznej inteligencji w swoich papierniach jako element działań na rzecz poprawy wydajności operacyjnej, redukcji kosztów energii i zaostrzenia kontroli nad procesami przemysłowymi. Inicjatywa ta odzwierciedla szerszą zmianę w przemyśle ciężkim, gdzie AI jest coraz częściej osadzana w codziennych operacjach, zamiast być traktowana jako samodzielny projekt innowacyjny.
Firma Sappi Europe wprowadza systemy oparte na sztucznej inteligencji w celu optymalizacji produkcji, obniżenia kosztów energii i usprawnienia łańcuchów dostaw w swoich zakładach, tak jak tutaj, w papierni Sappi w Maastricht.
Firma współpracuje z Orange Business w celu wdrożenia struktury MLOps – ustrukturyzowanego podejścia do zarządzania i upowszechnienia procesów uczenia maszynowego w obszarach produkcji, planowania i wydajności środowiskowej.
Wdrożeniu towarzyszy rosnąca świadomość, że wiele projektów AI kończy się niepowodzeniem nie z powodu słabości modeli, lecz ze względu na trudności z ich wykorzystaniem w rutynowych procesach. Według ocen branżowych cytowanych przez McKinsey, jest to kluczowe wąskie gardło w adaptacji sztucznej inteligencji.
Koncentracja na energii i kontroli operacyjnej
Sappi nadała priorytet zarządzaniu energią – obszarowi tradycyjnie ograniczanemu przez rozproszone systemy danych i procesy manualne. Ograniczenia te utrudniały optymalizację zużycia, redukcję odpadów czy utrzymanie widoczności w czasie rzeczywistym we wszystkich lokalizacjach.
Dzięki nowej platformie AI firma zyskuje dostęp do ustandaryzowanej i zautomatyzowanej analityki w wielu zakładach. Umożliwia to bardziej precyzyjną kontrolę przepływów energii, poprawę efektywności zasobów i bardziej spójny wgląd w operacje.
Kluczowym przykładem jest papiernia w Maastricht w Holandii, która jednocześnie pobiera energię elektryczną z sieci krajowej, jak i ją do niej dostarcza. Tutaj AI jest wykorzystywana do optymalizacji zarządzania energią w czasie rzeczywistym.
„Platforma automatyzuje procesy oparte na danych i zwiększa trafność decyzji wpływających zarówno na produkcję, jak i zużycie energii” – piszą autorzy projektu.
Wzrost wydajności i nowe zależności
Wprowadzenie MLOps oznacza, że modele uczenia maszynowego są nie tylko opracowywane, ale także stale aktualizowane i wdrażane w realnych operacjach produkcyjnych. System automatycznie dostosowuje się do zmieniających się danych, wpływając na decyzje w czasie rzeczywistym.
Choć zwiększa to elastyczność i szybkość reakcji, tworzy również nowe zależności od jakości danych i infrastruktury cyfrowej. Błędy lub niespójności w danych wejściowych mogą szybko rozprzestrzeniać się w systemach produkcyjnych.
Zmiany te mogą zapewnić wymierne korzyści dla klientów. Lepsze prognozowanie i analityka łańcucha dostaw pozwalają uściślić terminy dostaw, natomiast bardziej efektywne zużycie energii może pomóc ustabilizować struktury kosztów z upływem czasu.
Jednocześnie firmy współpracujące z zaawansowanymi cyfrowo dostawcami mogą wzmocnić swój potencjał w zakresie innowacji i odporności operacyjnej.
Skalowalny system w całym przedsiębiorstwie
Centralnym celem inicjatywy jest możliwość jej zastosowania na szeroką skalę. Struktura MLOps została zaprojektowana tak, aby można ją było wdrożyć w wielu funkcjach biznesowych, w tym w produkcji, prognozowaniu sprzedaży i logistyce.
Dzięki standaryzacji modeli danych i procesów pracy, firma Sappi może przyspieszyć wdrażanie rozwiązań AI w swoich zakładach. System stale monitoruje wydajność modeli i dostosowuje je w razie potrzeby, oferując stałą dokładność. Skraca to czas między analizą a wdrożeniem na hali produkcyjnej i pozwala na szybsze wdrażanie usprawnień operacyjnych.
Wspomniana ewolucja podkreśla szerszy trend przemysłowy – AI nie jest już osobną warstwą eksperymentów, lecz zintegrowanym komponentem codziennego podejmowania decyzji w złożonych środowiskach produkcyjnych.
Opracowano na podstawie informacji Sappi Europe oraz Orange Business
