Как лопатка добавит 10-60 тонн вафель в год.

В работе по оптимизации процессов есть особый кайф: когда решение настолько простое, что даже не верится, почему мы не додумались до него раньше.
Делюсь свежим кейсом с линии вафель.

Вводные:
Спрос на вафли превышает наши производственные мощности. Разогнать линию нельзя — печь, узкое место, уже работает на пределе оптимальной скорости.

Единственная точка роста — сократить время на мойку и переналадку.

Мойка линии каждые 7–10 дней.
— Длительность: 12 часов.
— Ресурс: 8 человек.
Главная цель мойки — очистить жерди холодильника от бугорков начинки.

Вместо того чтобы усложнять регламент или менять химию, поговорили с механиками и руководителем. Решили попробовать обычную лопатку. Всё, что ей нужно делать — убирать налипания в процессе, не дожидаясь критической массы.

Лопатка тестируется , потенциально боремся , чтобы продлить межмоечный цикл.

С 3–4 моек в месяц прийти к 2–3 мойкам в месяц.

Разница в простое напрямую конвертируется в тонны.
+ 10-60 тонн дополнительной продукции в год смотря сколько сможем добиться снижение простоя по времени.

На фото — та самая лопатка в деле. Просто, дешево, эффективно.

Иногда лучшая инвестиция — это не новая дорогая линия, а светлые головы команды сотрудников.

Чувствуете перемены?

Если честно, чувствуете ли вы, что мир, в котором мы живем, катится по накатанной колее — и эта инерция ослабевает?

Новый мир уже заряжен. Пружина сжата, и тот, кто решает, когда ее отпустить, уже знает дату. Просто пока держит и чего-то ждёт.

Давно замечаю эти перемены — в мелочах, в сигналах, тренда. Достаточно внимательно смотреть по сторонам, и знаки повсюду.

А после кадров встречи президента США с руководством Китая окончательно стало ясно: эпоха сменилась. Всё.

Индустриальное общество, в котором главным был капитал, завершает свой цикл. 🔄

На смену ему приходит информационная эпоха, эпоха цифры — с другими правилами и приоритетами во главе:
— технологии,
— качество данных,
— управление данными,
— скорость обработки информации,
— скорость принятия решений.

Нас ждет «О дивный новый мир».

Вопрос только в том, как найти в нем свое место?🤔

ИИ не плачет от сложных задач. Он плачет от ваших данных

На днях был на сессии по ИИ в пищевых компаниях. Сидел, слушал, и в какой-то момент поймал себя на мысли: проблемы у всех одинаковые.

Хорошая новость: ИИ распробовали.
Это уже не «давайте попробуем, вдруг хайп». Компании реально получают эффект и чувствуют его на процессах — прогнозирование спроса, контроль качества, оптимизация производства, работа с документами. Скепсиса «а зачем нам это» стало заметно меньше.

Плохая новость: многие компании застряли в «пилоте».
Вот тут начинается интересное. Пилотов — достаточно. А переход от пилота к нормальному масштабированию — у единиц. И тому, конечно, есть объяснение. Основные причины три: данные, финансы и серверные мощности.

Якорь №1 — данные. Самый коварный. О нём подробно ниже.

Якорь №2 — финансы. Пилот стоит относительно недорого — это эксперимент на ограниченном куске. А масштабирование — это уже другой бюджет: на всю инфраструктуру, интеграции, людей и поддержку. И часто оказывается, что денег заложили на «попробовать», а не на «жить с этим постоянно».

Якорь №3 — серверные мощности. Развернуть модель в проде — это вам не ноутбук дата-сайентиста. Нужны мощности, чтобы модель работала стабильно и быстро на реальных объёмах. И вот здесь компания внезапно упирается в железо, облако, их стоимость — и в безопасность данных. Куда складывать чувствительную информацию, как её защитить и не отдать лишнего «на сторону» — вопрос, который на пилоте обычно откладывают, а на масштабе он встаёт в полный рост.

А теперь — про первый и самый болезненный якорь.
Когда пилот делают, данные готовят «в вакууме».
Под конкретную узкую задачу аккуратно собирают красивый, чистый, размеченный датасет. Часто — почти вручную.

А потом наступает масштабирование. И выясняется, что кормить ИИ в реальном процессе… нечем.

Потому что данные:
— либо вообще не собирали;
— либо собирали, но в журналах, тетрадках и в голове у Степаныча из ночной смены;
— либо они раскиданы по пяти системам, которые друг с другом не разговаривают;
— либо собраны, но не размечены — и для модели это просто шум.

И вот ИИ тихо плачет в углу. Пилот-то взлетел. А воз, как говорится, и ныне там.

Главный вывод, который мало кому нравится.
Финансы, серверы и даже безопасность — вопросы важные, но решаемые: бюджет можно спланировать, мощности — арендовать, контур — защитить.

А вот данные за выходные не нарастишь. Если их годами собирали как попало, никакие деньги и серверы не спасут — модели просто не на чем учиться.

Поэтому самым актуальным становится вещи поскучнее, но решающие всё:
— ИТ-архитектура — как у вас вообще движутся и хранятся данные;
— структура и качество данных — собираете ли вы их системно, а не «когда вспомнили»;
— разметка и единая база — превращены ли данные в то, что модель может понять и переварить.

Звучит не так эффектно, как «мы запустили ИИ». На слайде красиво не покажешь. Зато именно это превращает удачный пилот в работающий инструмент.

Так что если резюмировать одной фразой: данные — это ваше узкое место. И чем раньше вы наведёте там порядок, тем дешевле и быстрее потом полетит всё остальное — и финансы, и мощности приложатся.

Поняв это, сейчас активно в проектах, стараюсь с лидерами проектов обсуждать этот , момент вроде люди понимают,что дело нужное , но нудное и делать не хочется ) такие дела!

Вы, что думаете , согласны что данные большая проблема , чем финансы ?

С юмором у них там маркетологи! Но, видимо, это ёмкое описание бизнес-атмосферы в стране)

ИИ

Начал замечать, что в последнее время всё больше моего внимания уходит в проекты, связанные с ИИ.

Наверное, это связано с внутренними ориентирами. Кажется, что традиционные подходы к повышению производительности труда уже хорошо известны и понятны многим, а ИИ — это новая территория, где сегодня можно искать настоящие прорывы.

Но потом ловлю себя на мысли, что традиционные инструменты кажутся мне очевидными только потому, что последние 14 лет я практически непрерывно ими занимаюсь. Поэтому обязательно верну в канал посты и про классические методы оптимизации процессов — есть несколько интересных тем, которыми хочу поделиться.

Но пока снова про ИИ. Про него сейчас действительно сложно молчать.

Посмотрите, что происходит вокруг:
• Китайские исследователи запускают решения для памяти квантовых компьютеров, которые могут принципиально изменить вычислительные возможности будущих систем.
• В России разрабатывают специализированные процессоры для задач искусственного интеллекта.
• По всему миру активно обсуждаются мини-атомные станции как источник энергии для дата-центров нового поколения.

Аппетиты ИИ растут настолько быстро, что вопрос вычислительных мощностей уже становится вопросом энергетики.
И это только вершина айсберга.

Проведя 14 лет в операционной эффективности, я хорошо понимаю, как повышать производительность производства с помощью «кожаных биодронов» — то есть нас с вами. И, честно говоря, уже вижу, как многие процессы поиска потерь, анализа данных, принятия решений и повышения эффективности можно постепенно передавать ИИ.

Пока этому мешают вполне понятные ограничения:
— бюджеты;
— страх изменений;
— недоверие к технологиям;
— нехватка вычислительных мощностей;
— отсутствие сформированного запроса со стороны бизнеса.

Но перемены точно приближаются.

И моя задача — быть к ним готовым.

Вас призываю делать то же самое.