Jak na AI v praxi, díl I – Úvod
Thomas Wingens publikoval zajímavý článek na téma „THE AUTONOMOUS THERMAL PLANT: HOW AI AND ROBOTICS ARE CHANGING HEAT TREATMENT“. Pro ty, co Thomase neznají, je to člověk, který se v kalírně narodil, a během svého pracovního života zastával manažerské a výkonné pozice ve společnostech z odvětví výroby kovů a tepelného zpracování, včetně Bodycote, Ipsen, Tenova Group, Seco/Warwick, ThyssenKrupp a Voestalpine Group. Já ho znám osobně již léta, spolupracovali jsme v Bodycote, a v mé době byl odpovědný za akvizice. (www.wingens.com).
Když jsem si to přečetl, obsah mě zaujal, do mé hlavy se ale nevešla představa, jak to prakticky udělat. Sice s obsahem jeho článku plně souhlasím, ale návod to není. A tak jsem začal zkoumat co se s tím dá dělat. Jak vlastně AI může zasáhnout do života kalírny od příjmu až po fakturaci.
První věc, kterou jsem se dozvěděl, že AI v kalírně není jako AI typu Copilot nebo ChatGPT. Ty s námi komunikují, mají jazykový model, rozumí textu, odpovídají. AI v kalírně ale obvykle nemluví, nepíše texty, nekomunikuje s lidmi, nemá osobnost, nemá vědomí, neptá se nikoho.
Jádrem průmyslové AI v kalírně tedy obvykle není konverzační model, ale analytický nebo predikční model. Ten vyhodnocuje data, klasifikuje stavy a předpovídá výsledky. Vedle něj však lze využít Document AI nebo jazykový model pro čtení RFQ, technických dokumentů a přípravu vysvětlení či protokolů.
AI v kalírně je tichý matematický modul, který: čte data, hledá vzory, detekuje odchylky, předpovídá poruchy, doporučuje parametry, kontroluje přípravkování, generuje protokoly.
AI si vezme: logy pecí, fotky přípravkování, fotky zakládání, výsledky CHD, tvrdosti, mikrostruktury, historii zakázek, vibrace vakuových čerpadel, ventilátorů, průtoky, teplotní gradienty. A „ptá se“: Jak vypadá normální stav? Jak vypadá odchylka? Co se pravděpodobně stane příště? Jaký parametr je optimální? Je přípravkování správné? Je ventilátor v pořádku? Je pumpa v pořádku? Je CHD v toleranci?
AI se neptá lidí. AI se ptá historie a hledá vzory v historických, referenčních i aktuálních datech
Co AI „vidí“: T1, T2, T3, tlak, vakuum, průtok acetylenu, čas difuze, teplotní gradient, výsledky CHD z minulých šarží.
Co AI „udělá“: porovná aktuální šarži s 500 předchozími, najde odchylku, vyhodnotí riziko, doporučí korekci.
Co AI „řekne“ (v praxi formou hlášení): „Difuze je pomalejší než obvykle. Doporučuji prodloužit čas o 3 min.“
AI se neptá člověka. AI se ptá datového vzoru. A jak si to představit jednoduše?
ChatGPT = „AI, která mluví, píše, komunikuje“, AI v kalírně = „AI, která počítá“. Obě jsou AI, ale úplně jiného typu.
Co tedy AI v kalírně technicky je?
AI v kalírně je: model predikce (čas do poruchy ventilátoru), model detekce odchylek (špatné přípravkování), model doporučení (optimální difuze), model klasifikace (správná orientace dílů), model regrese (predikce CHD), model segmentace (rozpoznání dílů na přípravku). To jsou matematické funkce, ne osobnosti.
Tak to už začíná být zajímavé. AI v kalírně je:
- dotazovací engine (ptá se dat),
- analytický engine (vyhodnocuje),
- predikční engine (předpovídá),
- advisory engine (doporučuje).
A jak tedy s AI začít? Nejsem „ajťák“ ale jsem metalurg. I proto si musím uvědomit, že ERP se neptá datového skladu, ale tento dotaz vznáší automaticky až AI, propojená s ERP přes API, která komunikuje s datovým skladem. ERP se pouze ptá AI ve formě dotazu typu JSON.
ERP je „zadavatel dotazu“, AI je „řešitel dotazu“. Datový sklad je „zdroj dat“. AI poskytuje technologické analýzy, predikce a doporučení, ERP ale zůstává systémem oficiální evidence, řízení workflow a schválených obchodních a výrobních dat. A jak by to mohlo vypadat, to je na následující infografice.
Jednou z možností, jak otestovat a využít AI je proces nabídkového řízení po přijetí RFQ. To je jedna z mála oblastí, kde nepotřebují mít připojeny pece a sledovat data z IoT. Na druhé straně je to rovněž jedna z mála oblastí, kde potřebujeme prediktivní a analytické funkce AI, které nám pomohou domyslet při procesu nabídky to, co běžně nevidíme. Pokud jako součást poptávky dostaneme i CAD data, pak AI nám provede celou analýzu rizik, může připravit celý proces APQP, PPAP, Control Plan, na základě predikčních funkcí navrhne Routing, přípravkování, a odhadne spotřeby energie i celkové náklady tak, abychom mohli navrhnout správnou cenu, dávajícíí nám dostatečný margin.
Je zde ale jeden limit. Všechna data pro tuto fázi pocházejí především z ERP. Pokud v ERP tato data nemáme, AI nemá co řešit. To je potřeba si uvědomit ještě před tím, než začneme. V oblasti účetních dat se všechny ERP systémy v podstatě shodují, zásadní rozdíl je ale ve výrobním modulu. Před implementací AI do kalírny se musíme nejdříve zabývat tím, zda ERP nám poskytuje správná dat ve správný čas ve správné struktuře. A protože jsem za svých 40 let praxe implementoval několik ERP systémů (Altus Vario, Navision, Dynamic AX 2012, QI), pracoval jsem pro firmy, které používají SAP, mohu s jistotou říct, že tahle fáze bude stejně důležitá jako fáze implementace AI.
V minulosti všechny vývojové kroky, které jsme dělali v ERP, jsme zaměřovali na zlepšení funkcí sledovatelnosti, definovatelnosti, s cílem usnadnit si práci a uspokojit zákazníka či legislativu. Nikdy jsme to nedělali proto, abychom uspokojili AI. Pokud ale na to koukám zpětně, naše cesta byla výjimečně správná. To mohu tvrdit už i proto, že posledních 5 let v Bodycote jsem strávil právě touto činností, vývojem globálního výrobního modulu.
Ten, kdo dnes začne bez této přípravy, musí začít od konce. Co udělat v ERP tak, aby uspokojil AI. A teprve pokud toto v ERP vyřeší, pak může přemýšlet o AI.
=======================================================================================================
Použité zkratky:
AI: Artificial Intelligence
API: Application Programming Interface: definované rozhraní a soubor pravidel, podle kterých si dva systémy předávají data a příkazy. Webové API může být dostupné prostřednictvím jedné nebo více URL adres, označovaných jako endpoints.
JSON: JavaScript Object Notation: textový formát pro strukturovaný přenos dat. Vznikl v prostředí JavaScriptu, ale dnes je nezávislý na programovacím jazyce.
Middleware: integrační vrstva, která propojuje systémy, transformuje data, řídí komunikaci, zabezpečení a auditní záznamy.
AI model: matematický nebo statistický model, který provádí klasifikaci, predikci, detekci odchylek nebo doporučení.
OPC UA: Open Platform Communications nebo OPC Unified Architecture
AI vrstva: řešení sestavené ze standardních platforem, konektorů, pravidel a individuálně nakonfigurovaných nebo vyvinutých modelů.
Document AI: Technologie využívaná k extrakci využívá k extrakci informací z tištěných i digitálních dokumentů, jako jsou obrázky, texty, znaky
DMS: Document Management System
FQ: Request For Quotation
APQP: Advanced Product Quality Planning
PPAP: Production Part Approval Process
ERP: Enterprise Resource Planning
=======================================================================================================
Are you solving a similar problem? I will help you with the analysis…
40+ years of experience in the field
30+ years of experience… HT-PROGRES, Bodycote, Galvamet
cooperation… VŠB, Czechimplant, ECM Technologies, TAV Vacuum Furnaces, GHC Invest
12+ years of expert activity
Want to ask for a solution or want a non-binding consultation? Click on this link, I will usually respond within 24 hours. Contact email
========================================================================================================
Jiří Stanislav, Ing. CSc.
Consultant and forensic expert
========================================================================================================
31/7/2026
