AI u planiranju proizvodnje: gde stvarno pomaže, a gde ne

Reč AI se poslednjih godina lepi na sve što ima veze sa brojevima. U ponudama softvera za proizvodnju piše da alat koristi veštačku inteligenciju, a kad se otvori haube, unutra je obična pokretna sredina ili linearna regresija stara pola veka. To nije prevara po sebi, ali stvara pogrešna očekivanja: firma misli da kupuje mozak, a dobija kalkulator sa lepšim imenom.

Da bi razgovor imao smisla, prvo treba razdvojiti tri potpuno različite stvari koje se sve zovu AI. Rešavaju različite probleme, traže različite podatke i različito se lome kad ne rade.

Prva stvar: statistika koja se prodaje kao AI

Najveći deo onoga što se u proizvodnji zove AI je zapravo klasična statistika. Eksponencijalno izravnavanje i sezonski modeli računaju prognozu tražnje već decenijama i rade solidno na artiklima koji se prodaju redovno i predvidivo. To je koristan, dokazan alat i temelj svakog ozbiljnog planiranja prodaje — ali nije veštačka inteligencija ni po kom smislenom kriterijumu.

Važno je to nazvati pravim imenom iz jednog praktičnog razloga: statistika ima jasne granice. Kad se tražnja naglo promeni, kad izađe nov proizvod bez istorije ili kad na prodaju utiče nešto spolja, izravnavanje kasni jer gleda samo u prošlost sopstvene serije. Firma koja veruje da ima AI očekuje da će alat to prepoznati. Neće, jer to nije ono što radi.

Druga stvar: mašinsko učenje koje zaista uči

Prava razlika počinje kod mašinskog učenja. Za razliku od statistike, koja gleda jednu vremensku seriju, model učenja može da uzme desetine obeležja odjednom — vremenske uslove, cene, akcije, ponašanje sličnih artikala — i da nađe vezu koju čovek ne bi ručno sastavio. Tu se pojavljuju termini kao demand sensing, hvatanje kratkoročnih promena tražnje iz svežih signala, i otkrivanje anomalija, prepoznavanje da nešto u procesu odstupa pre nego što postane kvar ili škart.

Gde mašinsko učenje stvarno zarađuje svoje mesto:

• Prognoza tražnje na artiklima velikog obrta. Tamo gde ima mnogo prodaje i duga istorija, model nadmašuje statistiku jer ima od čega da uči.
• Predviđanje škarta i prinosa. Ako se u pogonu beleže parametri procesa, model može da poveže koje kombinacije vode ka većem škartu, pre nego što serija krene.
• Signali za prediktivno održavanje. Iz vibracija, temperature i potrošnje mašina se hvata trend ka otkazu, pa se zastoj planira umesto da iznenadi.
• Predikcija roka isporuke dobavljača. Umesto fiksnog broja u šifarniku, model uči koliko koji dobavljač stvarno kasni po sezoni i količini, što direktno popravlja planiranje nabavke.

Zajednički imenilac svih ovih slučajeva: postoji mnogo primera i jasan ishod koji se meri. Model uči na velikom broju ponovljivih situacija. To je uslov, ne detalj.

Treća stvar: jezički modeli za nestrukturirani posao

Jezički modeli rešavaju sasvim drugu klasu problema — onaj deo planiranja koji nije u tabeli nego u tekstu. Mejl dobavljača koji potvrđuje izmenjen rok, PDF specifikacija sa izmenjenim tolerancijama, pitanje šefa pogona postavljeno običnim rečenicama umesto kroz izveštaj. To su zadaci gde je vrednost u čitanju i pretvaranju teksta u podatak, a ne u računanju.

Ovde LLM agent može da izvuče datum i količinu iz mejla, da uporedi novu specifikaciju sa starom ili da odgovori na pitanje nad podacima bez da neko piše upit. Korisno, ali sa istim ograničenjem: model radi sa onim što mu se da. Ako je izvor istine neuredan, agent će samouvereno izvući pogrešan broj i proslediti ga dalje.

Gde AI ne pomaže, ma kako se zvao

Sada onaj deo koji se u ponudama preskače. Postoje problemi koje nijedan model neće rešiti, jer nisu problemi predviđanja nego problemi podataka i procesa.

Model neće zameniti terminiranje kad je sastavnica pogrešna. Ako sastavnica i normativ ne odgovaraju stvarnom procesu, svaki raspored koji iz njih izađe je pogrešan bez obzira na to koliko je pametan algoritam koji ga je napravio. Sastavnica je ulaz; AI ne popravlja ulaz, on ga umnožava.

„AI optimizacija“ nad prljavim podacima daje precizno pogrešan rezultat. Kad je stanje zaliha netačno, kad se škart ne evidentira i kad se jedinice mere pogrešno konvertuju, optimizator će naći savršeno rešenje za pogrešan svet. Gori je od jednostavnog alata, jer izgleda uverljivije, a greši sistematski.

Preduslovi u podacima koji odlučuju sve

Pre nego što bilo koji model uđe u priču, tri stvari moraju da postoje, i one nemaju veze sa algoritmom:

• Dubina istorije. Model uči iz prošlosti. Bez nekoliko sezona urednih podataka, mašinsko učenje nema iz čega da izvuče obrazac i vraća se na nivo obične statistike.
• Čistoća. Rupe, duplikati, pogrešne jedinice mere i ručne korekcije koje niko nije zabeležio truju model tiho. On ne zna da je podatak loš, samo ga uzima kao istinu.
• Jedan izvor istine. Ako prodaja, nabavka i pogon vode različite brojeve, model uči nad kontradikcijom. Prvo se sređuje izvor, pa se onda uči nad njim.

Zašto planeru treba objašnjenje, a ne samo broj

Planer u proizvodnji ne donosi odluku za sebe. On je brani pred nabavkom kad traži da se poruči više, pred pogonom kad menja redosled i pred upravom kad plan košta. Model koji izbaci broj bez razloga stavlja planera u nemoguć položaj: treba da odbrani odluku koju ne ume da objasni.

Zato objašnjivost nije akademska tema. Kad model kaže da tražnju treba podići, planer mora da vidi zbog čega — koji signal je to izazvao i koliko je model siguran. Bez toga, dešava se jedno od dva: ili planer slepo veruje modelu, pa nema koga da pitaš kad pogreši, ili mu ne veruje uopšte, pa alat stoji neiskorišćen. Oba ishoda su neuspeh. Alat za BI izveštavanje koji pokazuje kako je broj nastao vredi više od crne kutije koja je za nijansu tačnija.

Čovek u petlji: model predlaže, planer odobrava

Zdrav odnos je jasan i ne menja se sa modom: model predlaže, čovek odobrava. AI donosi kandidata za odluku — prognozu, redosled, količinu nabavke — a planer ima poslednju reč i kontekst koji model nema. Zna da je jedan kupac u problemima, da je mašina pred remontom, da je dobavljač promenio vlasnika. Ništa od toga nije u podacima.

Ova podela ne usporava rad, ubrzava ga. Planer prestaje da računa ručno i počinje da prosuđuje predloge, što je posao na kom čovek zaista dodaje vrednost. Automatizacija rutine, ne automatizacija odgovornosti.

Kako pilotirati bez rizika

Način na koji se AI uvodi odlučuje hoće li ostati u upotrebi ili završiti kao skupa lekcija. Redosled koji radi:

1. Pustite model u senci. Neka shadow mode radi paralelno sa postojećim načinom, ali neka odluke i dalje donosi čovek. Model se dokazuje pre nego što išta pomeri.
2. Merite protiv osnove. Postavite jasnu osnovu — kako se planiralo do sada — i poredite model sa njom na istim brojevima, ne sa idealom iz prezentacije.
3. Koristite meru dodate vrednosti prognoze. Forecast Value Added pokazuje da li model zaista poboljšava rezultat u odnosu na naivnu prognozu; ako ne poboljšava, nema razloga da ga uvodite ma kako moderno zvučao.
4. Širite postepeno. Prvo jedna grupa artikala ili jedna linija, pa tek kad se pokaže, dalje. Nikad ceo pogon odjednom.

Ako želite da procenite gde bi AI u vašem procesu zaista pomogao, a gde bi bio ukras, to je razgovor koji počinje od stanja podataka, ne od liste funkcija — i rado ga vodimo kroz kontakt. NG Operations je građen tako da model uvek radi nad jednim izvorom istine i da svaki predlog ima objašnjenje, jer plan koji planer ne ume da odbrani nikom ne koristi.