Så kan industrin stärkas med hjälp av data

– Det är nog få företag idag som jag tror känner att ”det där sitter som en smäck”, säger Marie-Louise Bergholt, fokusområdesledare för Digitalisering inom industrin på RISE.

Hon beskriver en typisk bild från en industrikedja idag. Du leder ett bolag specialiserat i ett förädlingssteg. Här formas, svetsas och ytbehandlas råämnet till en komponent. Men för varje råämne och varje tillverkningssteg behöver du rätt data för att kunna styra nästa steg på optimalt sätt.

• Varierar egenskaperna mellan individer och batcher?
• Är materialet cirkulerat eller ej?
• Behöver min maskins parametrar justeras, med hur mycket?

I produktionskedjan används maskiner från Kina, USA och ytterligare någon från Italien, från olika leverantörer med olika digital mognad och standardisering. Vilken datastruktur, vilka format, vilken datakvalitet behöver du i din specifika produktionslina för att den färdiga komponenten – och den medföljande datan – ska kunna lämnas vidare på rätt sätt? Det är en sorts ständigt föränderlig digital bipacksedel enligt en överenskommen standard. I bästa fall.

– Mognadsgraden är inte densamma överallt. Skulle den vara det så är det en lyckträff, säger Marie-Louise Bergholt.

Nyckelkompetenser för datadrivet arbete

Hon ser två nyckelkompetenser som behöver vara på plats för att på allvar jobba datadrivet och dra nytta av den data som skapas i produktionskedjan:

Domänkunskap, alltså en sann förståelse för och specialistkunskap om din process.

– Utan verklig domänkunskap får du otroligt svårt att bedöma vad som är rimligt eller inte. Om man bara tankar och blandar data så kan du hamna lite var som helst i din dataanalys.

Digitalkunskap, här samlas datainsamling, dataanalys, datastruktur, datahantering etc. Hur de olika maskinerna i tillverkningskedjan kan kommunicera och vilka format och kvalitetskrav de ställer.

– Har du dålig koll på din mätnoggrannhet kan du inte bedöma datans användbarhet. Om 5 av 78 sensorer i produktionslinan inte är kalibrerade och tidssynkroniserade så får du inte en ”sanning” i alla fall. Du måste ha bra metoder för att kunna upptäcka vilka som inte beter sig som de ska och domänkunskap för att bedöma konsekvenserna.

Vill du dessutom använda AI-verktyg i verksamheten är både domänkunskap och digitalkunskap en förutsättning enligt Marie-Louise Bergholt:

– AI-verktygen "gifter ihop" domänkunskapen och digitalkunskapen. Båda behövs för att du ska kunna utveckla robusta och pålitliga AI-verktyg.

Hållbarhet en viktig kompetens

Marie-Louise Bergholt säger att en tredje nyckelkompetens borde vara hållbarhet. Utifrån insamlade data är det ingen svårighet att lägga på ett raster för att analysera och effektivisera processer i syfte att spara energi eller minimera miljöpåverkan.

Inom hälsoområdet finns idag plattformar för att sy ihop systemen i den så kallade patientresan. Allt från de första provtagningarna på vårdcentralen och remiss till specialist, till operationsbordet och uppföljande besök. Här jobbar en interoperabilitets-hub i bakgrunden och förser och synkar de olika informationssystemen med relevant patientdata.

På samma vis finns en utmaning för industrin att bygga sådana ekosystem med gemensamma standarder för interoperabilitet. Det är ett arbetskrävande och tidsödande arbete att få ihop information från systemen i en processkedja för en industriell verksamhet, säger Marie-Louise Bergholt. Hon berättar att RISE med forskningsmedel har gjort pilotprojekt med några företag där det både gett mycket goda resultat men också visat hur många utmaningar som måste lösas. RISE kommer in i sammanhang där processen eller standarder inte är mogna.

Var börjar man som bolag?

– Det kan till exempel vara att man börjar med att få bra koll på ett kritiskt processteg, något som har stor inverkan på kvaliteten på slutprodukt. Här skall man samla data, applicera och kontrollera sensorer för olika typer av mätdata som behövs för att förstå och styra processen. Men det finns alltid en osäkerhet, man kanske inte vet hur kvaliteten såg ut från tidigare i processteget. Det kan ha varit svajigt i steget före.

Vilka fallgropar finns?

– Det finns generellt stor osäkerhet kring datakvalitet. Hur långt är datat juste nog för att nyttjas och till vad? Vågar vi lita på vår data? Det är ett ständigt magont hos väldigt många företag. Men å andra sidan; kan du lita på dina data har du alla förutsättningar att utveckla pålitliga AI-lösningar.