Praktické využití umělé inteligence
v automobilovém průmyslu
V automobilovém průmyslu běží paralelně řada projektů a kapacity lidí jsou napjaté, omezené a prostor pro chyby je minimální. V takovém prostředí dává smysl nástroj, který umí rychle zpracovat různé zdroje dat, sjednotit metodiku napříč týmy a snížit chybovost při každodenní operativě.
Umělá inteligence (Al, Artificial Intelligence) se z původního „buzzwordu“ (např. oblast působnosti Al) posouvá do role praktického pomocníka kvality a procesního inženýrství ne proto, že by nahrazovala odborníky, ale protože efektivně propojuje to, co již ve firmách existuje, nastavení procesů, výkresy, fotografie a videa z výroby, měření, data ze strojů a nástrojů, s živou dokumentací v QMS a dalšími nástroji podporujícími výrobní procesy.
Propojení nástrojů kvality do logického toku
Přínosem Al může být propojení nástrojů kvality do jednoho logického toku. Z efektivně vytvořené FMEA (Failure Mode and Effects Analysis analýzy možností vzniku vad a jejich následků) vzniká Plán kontroly a řízení, na nějž navazují např. pracovní a kontrolní instrukce. AI tento řetězec nejen urychlí, ale udrží v jednotné terminologii a konzistenci.
Z výkresové dokumentace a fotografií dokáže vytáhnout kritické charakteristiky (CTQ Critical to Quality, kritické pro kvalitu) a požadavky GD&T (Geometric Dimensioning & Tolerancing geometrické kótování a tolerance). Z procesních dat rozpozná rizikové body a z předchozích projektů využije „Lessons learned“, které lze využít v dalších projektech anebo při optimalizaci stávajících procesů.
Při zpracování FMEA pomáhá s definicí funkcí a charakteristik, navrhne cílená preventivní opatření i opatření pro detekci a udrží logiku mezi prvky v ře- tězci selhání. Výsledek není jen rychlejší tabulka, ale přesnější vazba na skutečný proces, měření a detekci.
Význam pro Plán kontroly a řízení
Tato návaznost je klíčová pro Plán kontroly a řízení. Al umí automaticky převést položky z FMEA do konkrétních kontrolních bodů co měřit, jakou metodou, s jakou frekvencí a jak reagovat při neshodě. Pamatuje na zvláštní charakteristiky, navrhuje vhodná měřidla, metody a připomíná, kde je nutná studie MSA (Measurement System Analysis analýza měřicího systému).
Ušetří tak čas, který by jinak padl na ruční přepisování a kontrolu konzistence a právě zde se v praxi dělá nejvíce chyb. Z plánu kontroly a řízení lze pomocí AI generovat například kontrolní nebo měřicí instrukce, které jsou srozumitelné pro výrobu, měření či testo- vání. Jsou krok za krokem doplněné fotografiemi nebo piktogramy, s jasně uvedenými časovými limity a jednoduchým reakčním plánem. Stejná informace se zbytečně neopakuje v různých dokumentech mění se jednou a propíše se všude.
Zpracování a vizualizace dat, administrativní práce
Al má silnou roli i ve zpracování a vizualizaci dat. Z měření a SPC (Statistical Process Control – statistické řízení procesu) vytváří přehledné výstupy, tabulky a KPI (Key Performance Indicators – klíčové ukazatele výkonnosti), upozorňuje na trendy či nestability a přidává doporučení dalšího kroku. Umi spojit data z CMM (Coordinate Measuring Machine – souřadnicový měřicí stroj), kamer, snímačů na strojích nebo laboratorních protokolů a vytvořit přehled, který dává smysl jak managementu, tak výrobnímu týmu.
Al může ulehčit i administrativní práci například při zpracování 8D reportů nebo při řízení reklamací směrem k zákazníkům a dodavatelům. Pomáhá s analýzou Ishikawa a metodou 5x proč při určování kořenové příčiny. Stejně tak je užitečná při vytváření či vyhodnocování, analyzování trendů KPI. Může být také využita při práci s textem, například při analýze CSR (Customer Specific Requirements). Dokáže rychle identifikovat rozdíly mezi požadavky jednotlivých zákazníků, vyhledat specifické formulace nebo upozornit na body, které nejsou v souladu s interními standardy.
Faktor úspěchu: kvalita vstupu
Méně viditelným, ale zásadním faktorem úspěchu je kvalita vstupu – tzv. „promptování“. Al nejlépe funguje s přesným, strukturovaným zadáním: jasný cíl, zdrojové podklady (např. výkresy, fotografie, PFD – Process Flow Diagram, diagram toku procesu, 4M-Man, Machine, Method, Materiál; případně 6M“ /včetně Measurement a Milieu/), očekávaný formát výstupu (tabulky FMEA, Control Plan plán kontroly a řízení, WI/CI – pracovní a kontrolní instrukce) a pravidla přijetí AP (Action priority, tedy míry rizika), včetně hodnoceni Severity, Occurence a Detekce. Firmám se tak vyplácí budovat knihovnu vlastních šablon a promptů, které odrážejí metodiku nástrojů kvality, terminologii i zákaznické požadavky. Tím se Al stává spolehlivým, opakovatelným nástrojem a výstupy mají stabilní očekávání.
Význam Custom GPT a interních databází
Roste také význam tzv. Custom GPT (Generative Pretrained Transformer firemně přizpůsobený generativní model) a interních databází. Natrénovaný model, který zná firemní šablony, slovník, zvláštní charakteristiky a typové procesy, zkrátí práci z hodin na minuty a zároveň chrání know-how. V prostředí automotive, kde jde o citlivá data, se vyplatí využívat enterprise řešení s vyšší úrovní zabezpečení a možností běhu on-premises (lokálně v závodě) nebo na edge (přímo u stroje).
Důležitost řízení verzí, význam při auditech
Důležité je i řízení verzí Al by měla pomáhat sledovat, kdo a proč změnil dokument, z jaké revize FMEA vychází plán kontroly a řízení a které instrukce jsou aktuální. Tato auditovatelnost je při interních i externích auditech často velice důležitá. Právě při auditech se praktická hodnota AI projevuje nejviditelněji. Před auditem dokáže provést rychlý „gap-assessment“: porovná dokumentaci s požadavky IATF 16949 či VDA 6.3, vytáhne chybějící důkazy (např. školení, kalibrace, SPC, MSA) a upozorní na případné nesoulady mezi FMEA, Plánem kontroly a řízení a instrukcemi.
Během auditu urychlí dohledání konkrétního záznamu nebo vazby a po auditu pomůže se strukturováním CAPA (Corrective and Preventive Action – nápravná a preventivní opatření) od definice kořenové příčiny přes akční kroky až po ověření účinnosti. Pokud jsou LPA (Layered Process Audits vrstvené procesní audity) navázány na priority opatření z FMEA nebo 8D, AI dokáže otázky zaměřit na skutečně nejrizikovější body. Pomůže také při přiřazování zjištění k požadavkům norem či standardů, např. ISO 9001, IATF 16949 či VDA 6.3.
Závěr
Důležité je dodat, že AI není náhradou člověka, ale zesilovačem jeho odbornosti. Nejlépe funguje, když vychází z reálných podkladů konkrétního závodu, pracuje v rámci definovaných metodik a její výstupy vždy schvaluje odpovědná osoba. V této souvislosti je důležité věnovat pozornost odpovědnému a bezpečnému využívání Al a hledat vyvážený přístup mezi přehnanými obavami z jejího nasazení a naopak příliš benevolentním, nekritickým zaváděním či nerealistickými očekáváními.
Některé organizace se z obavy před únikem dat nebo chybným rozhodováním nástrojům AI zcela vyhýbají, čímž se připravují o konkurenční výhodu i o příležitost osvojit si metodiky bezpečného nasazení. Jiné naopak implementují Al bez důsledného ověření shody s interními či zákaznickými požadavky, bez jasně definovaných pravidel pro přístup k datům, bez auditní stopy a bez vyhodnocení dopadů na kvalitu a bezpečnost produktu.
Bezpečný a udržitelný provoz Al proto musí být postaven na principech transparentnosti, dohledatelnosti a řízení přístupů. Každý výstup Al by měl být auditovatelný a odkazovat na konkrétní zdroj dat, z něhož vychází, aby bylo možné jej zpětně ověřit. Zpracování citlivých informací by mělo probíhat výhradně v zabezpečeném prostředí, ideálně on-premises nebo v rámci enterprise řešení se zaručenou ochranou dat. Stejně důležité je pravidelně ověřovat a vyhodnocovat způsob využívání Al v praxi.
Stejně důležité je pravidelně ověřovat využívání AI a jejích verzí, podobně jako se kalibruje měřící systém, a začlenit práci s Al do systému řízení kvality v souladu s požadavky norem IATF 16949, ISO 9001, ISO/IEC 27001 nebo TISAX. Součástí odpovědného přístupu je také vzdělávání pracovníků, kteří musí rozumět tomu, jak Al funguje, kde jsou její limity a kdo nese odpovědnost za finální rozhodnutí. Takové nastavení zajišťuje, že Al zůstává nejen efektivním, ale i důvěryhodným a kontrolovatelným nástrojem, který umocňuje kvalitu, bezpečnost a stabilitu výrobních procesů.
A především: i přes rozsáhlé možnosti využití Al je stále nutné, aby výstupy ověřoval člověk jak po odborné, tak po formální stránce. Lidská kontrola zajišťuje, že výsledky odpovídají požadavkům norem, zákazníků i firemní praxi. Al tak pomáhá udržet vysoký standard automobilového průmyslu, aniž by brzdila tempo změn, které si dnešní výroba žádá.
Umělá inteligence neodmyslitelně zasáhla do naší každodenní činnosti jak na osobní, tak i na pracovní úrovni a postupně se stává přirozenou součástí běžného života. Česká společnost pro jakost na tuto skutečnost reagovala vytvořením specializovaného kurzu, jehož hlavní prioritou není vysvětlovat, co umělá inteligence je, ale jak s ní v reálné praxi pracovat konkrétně s nástroji typu ChatGPT – a jak ji efektivně využívat při každodenních odborných činnostech. Kurz je proto zaměřen především na praktické workshopy orientované na využití Al při práci s nástroji, jako jsou například FMEA, Plán kontroly a řízení, 8D, SPC, MSA a další běžně používané nástroje v prostředí automotive.