Az alkalmazott mesterséges intelligencia akkor csökkenti a leginkább az ipari tisztítási költségeket, amikor a feladat azon részein használják, amelyek a legtöbb időt és pazarlást igénylik. A legnagyobb hozamok általában az útvonaltervezésből, a feladatok ütemezéséből és a gépek, víz és vegyszerek takarékosabb használatából származnak.
Ez a nyers tény. A szám nem varázsszám, és nem általánosítható. Egy működő eredményről van szó, amely akkor jelenik meg, ha egy tisztítóüzem káoszban lévő ütemezéssel, hosszú utazási időkkel, ismételt látogatásokkal és túl sok kézi tervezéssel küzd.
Mindig ugyanerre a tényre térünk vissza: az ipari tisztítás nemcsak munkaerőfeladat. Ugyanakkor tervezési feladat is. A csapatok akkor veszítenek pénzt, ha túl messze hajtanak, túl gyakran tisztítanak rossz területeket, vagy időt töltenek robotok és személyzet oktatásával olyan útvonalakon, amelyek hetente változnak.
Az alkalmazott mesterséges intelligencia azért segít, mert észleli azokat a mintázatokat, amelyeket az emberek elsikkantanak. Képes rendezni a munkát helyszín, idő, forgalom, szobahasználat és gépállapot szerint. Ezután jobb napi útvonalakat és jobb műszakterveket készíthet. Gyakorlatilag ez kevesebb üres kilométert, kevesebb elvesztegetett órát és kevesebb üzemanyag- és anyagfelhasználást jelenthet.
A legerősebb mintázat egyszerű. Az AI akkor végzi a legjobb munkát, ha a munka ismétlődő jellegű. A tisztítási ütemezések ismétlődnek. A létesítmény zónái ismétlődnek. Az anyagfelhasználás ismétlődik. Még az ipari padlóburkolatok, minden változásuk ellenére is elegendő mintázatot termelnek ahhoz, hogy a szoftver tanulhasson belőlük.
Ezért olyan fontos az útvonal-optimalizálás. Ha egy rendszer képes csökkenteni az utazási időt és a manuális útirány-változtatásokat, az egész szolgáltatási vonal szorosabbá válik. A Tennant autonóm tisztítórendszerei például az AI-alapú útvonal-generálást, az adaptív útvonal-változtatásokat és a kevesebb manuális képzést említik, ami ugyanerre az alapötletre mutat: a gépek körüli emberi ráfordítás csökkentése több hasznos munkát jelent a műszak alatt.
A történet második része a láthatóság. Régebbi tisztítási tervek gyakran rögzített körökre támaszkodnak, majd egy felügyelő kézzel igazítja őket. Az alkalmazott mesterséges intelligencia ezt a találgatás egy részét élő adatokkal helyettesíti. Ide tartozhat a szobahasználat, a sorhossz, az elfoglaltság, a gép akkumulátorának állapota vagy az, hogy mikor tisztították utoljára egy zónát. Az eredmény kevesebb túltisztítás a csendes területeken és gyorsabb figyelem a zsúfoltabbaknál.
A harmadik rész a vegyszer- és vízkontroll. Néhány autonóm mosó-porszívó már most szabályozza a folyadékáramlást sebesség és útvonal alapján. Ez nem hangzik drasztikusan, de számít. A tisztításból eredő pazarlás gyakran apró és ismétlődő. Az apró pazarlás, egész nap ismételve, nagy költséggé válik egy hónap alatt.
Szerintem a 30%-os számot úgy kell értelmezni, mint egy jól vezetett változtatásokra vonatkozó felső határt, nem pedig ígéretként minden egyes helyszínre. Egy olyan cég, amely egyszerű útvonalakkal és stabil padlókkal rendelkezik, nem éri el ugyanazt a hatást, mint egy olyan cég, amelynek sok helyszíne, gyenge nyilvántartása és magas utazási ideje van. Minél nagyobb a rendetlenség a kiindulópontban, annál nagyobb a megtakarítás lehetősége. Minél tisztább már eleve a folyamat, annál nehezebb elérni a további hozamokat.
Van egy emberi korlát is. Az AI tud tervezni, de nem minden környezetben tisztít automatikusan. A csapatoknak még mindig felül kell vizsgálniuk az eredményeket, kezelniük kell a kivételeket és karbantartaniuk kell a gépeket. Ha az adatok rosszak, a kimenet is rossz lesz. Ha egy helyszín gyakran változik, és senki nem frissíti a rendszert, a terv eltávolodhat a valóságtól.
Itt akadnak el sok projekt. Szoftvert vásárolnak egy világos költségcél érdekében, majd elfelejtik az adatok tisztán tartásához szükséges munkát. Egy jó tisztítási terv építéséhez aktuális helyszín-térképekre, feladatszabályokra, anyagadatokra és szerviztörténetre van szükség. Enélkül az AI okosabbnak tűnhet, mint amilyen valójában.
Mégis, az üzleti indok gyakorlati marad. Az ipari tisztításban sok rejtett költség van a mozgásban, a tétlenségben, a túlzott felhasználásban és a hiányzó tervezésben. Az alkalmazott mesterséges intelligencia ezen költségek egy részét csökkenti, mivel pontosabbá teszi az egyes műszakokat. Nem szünteti meg az emberek szükségességét. Inkább értékesebbé teszi az idejüket.
Az EuroOp LLC számára ez a valódi minta a cím mögött. Az alkalmazott mesterséges intelligencia akkor teremt értéket, amikor egy ismétlődő szolgáltatást mérhető rendszerré alakít. Az ipari tisztításban ez kevesebb vak futást, szorosabb útvonalakat, egyenletesebb anyagfelhasználást és kevesebb manuális tervezést jelent a peremeknél.
A őszinte korlát az, hogy egyik helyszín sem ér el ugyanazt az eredményt. A 30%-os szám a kiindulási pazarláson, a folyamat fegyelmezettségén és az adatminőségen múlik. Ez a bizonytalanság a munka része, nem pedig az ötlet hibája.
Az EuroOp Insights ehhez a gondolatsorhoz tart: egy alkalmazott K+F minta, egy gyakorlati tanulság, az EuroOp termékei mögötti pipeline-ból.