Kuken Industries: 70 év rajzai között keres percek alatt
A Kuken mérnökei egy OpenAI API-ra épülő eszközzel közel egy óra helyett 4,5 perc alatt találják meg a cserealkatrész rajzát.
90%
A rajzkeresésre fordított munkaórák számának várható éves csökkenése
4,5 perc
Egy rajz megtalálásához szükséges idő a korábbi közel egy óra helyett
A Kuken Industries légkondicionáló és szellőztető berendezéseket gyárt nagy épületek, bevásárlóközpontok és gyárak számára. A vállalat a japán hűtőtoronypiac egyik legnagyobb szereplője. Ezek a tornyok a keringtetett víz hőjét adják le a levegőnek, így a nagy épületektől és bevásárlóközpontoktól az adatközpontok berendezéseiig sokféle létesítmény és eszköz hűtését segítik.
Ha egy hűtőtoronyban alkatrészt kell cserélni, a Kuken mérnökei egy 70 év telepítéseinek rajzait őrző archívumhoz fordulnak. Egy újabb mérnöknek a megfelelő rajz megtalálásához gyakran egy tapasztalt kollégától kellett megkérdeznie, hol keresse és hogyan értelmezze azt. A Kuken azt szerette volna, hogy az újabb mérnökök önállóan is megtalálják ezeket a dokumentumokat, tanuljanak a bennük rögzített döntésekből, és több időt fordíthassanak a javítás megtervezésére.
A ma gyártott alkatrészek nem mindig illeszkednek a régebbi hűtőtornyokhoz. A beépített alkatrészt ábrázoló eredeti rajz nélkül előfordulhat, hogy a mérnököknek a nulláról kell megtervezniük és legyártaniuk a cserealkatrészt.
A típus vagy az alkatrész neve alapján végzett keresés több rajzot is találhat. A Kuken több mint 70 éve igazítja berendezéseit ügyfelei egyedi igényeihez, így a műszaki jellemzők ügyfelenként és a telepítés időpontjától függően is eltérnek. Amíg az archívum papíralapú volt, egy keresés akár fél napig is eltarthatott. A Kuken később digitalizálta az archívumot, de a mérnököknek továbbra is tudniuk kellett, milyen névre vagy számra keressenek, és hol találják a fájlt. Ezeknek az információknak az összegyűjtése főleg az újabb mérnökök idejét vette igénybe.
A Kuken azt szerette volna, hogy a mérnökök tapasztalati szintjüktől függetlenül, önállóan is tudjanak keresni az archívumban. Az MI alkalmazási lehetőségeit vizsgálva a Kuken kapcsolatba lépett a Recursive nevű japán MI-startuppal, az OpenAI hivatalos partnerével.
A két vállalat közösen építette fel a keresőrendszert és a hozzá tartozó, helyszíni munkát segítő alkalmazást, a Kuken archívumára és mérnökeinek visszajelzéseire támaszkodva. Több MI-modellt is teszteltek különféle rajzokon, hogy felmérjék, melyik milyen pontossággal és költséggel képes kinyerni az adatokat. Az OpenAI modelljei mindkét szempontból jól teljesítettek, az OpenAI API pedig kellő rugalmasságot adott a csapatnak ahhoz, hogy a keresést közvetlenül az alkalmazásba építse.
A keresés működését a helyszínen dolgozó mérnökökkel folytatott beszélgetések alapján alakították ki. A mérnökök megadhatnak egy rajzszámot vagy cikkszámot, illetve feltölthetnek egy rajzot vagy alkatrészjegyzéket kép vagy PDF formájában.
Ha beillesztik az alkatrészjegyzékről készült képernyőképet, nem kell minden számot kézzel beírniuk. Az alkalmazás beolvassa a cikkszámokat, és megjeleníti a lehetséges találatokat, köztük a hasonló konstrukciók rajzait is. A megfelelő rajz kiválasztásához a mérnökök ellenőrzik a torony műszaki adatait és a korábbi alkatrészcserék dokumentációját.
A Kuken a következő eredményekről számolt be a keresőeszköz használata és tesztelése kapcsán.
A Kuken várakozásai szerint az eszköz éves szinten mintegy 90%-kal csökkenti a rajzkeresésre fordított munkaórák számát.
A tapasztalt mérnökök a megtakarított idő egy részét az újabb kollégák mentorálására fordítják.
A mérnökök az alkalmazásban is áttekinthetik a rajzokat, így csökkennek a nyomtatási költségek.
A mérnökök most kevesebb időt töltenek a rajzok keresésével, és többet azok tanulmányozásával. Az újabb és a tapasztalt mérnökök egyaránt úgy látják, hogy így jut idejük átgondolni a konstrukciók továbbfejlesztését, és olyan ötletekkel foglalkozni, amelyekre korábban alig volt lehetőségük.
Az újabb mérnökök már többféle feladatot tudnak önállóan elvégezni. Tapasztalt kollégáiknak, akik korábban minden keresésnél segítették őket, több idejük marad a tudás átadására és saját mérnöki feladataikra.
„A munkatársaknak most jut idejük olyan feladatokra, amelyeket már régóta szerettek volna kipróbálni, és új kihívásokat is vállalhatnak. Ez igazán motiváló számukra.”
A Kuken egy olyan eszközt is fejleszt, amely a partnerei által készített rajzokat ellenőrzi. Jelenleg a mérnökök szemrevételezéssel hasonlítanak össze minden rajzot a műszaki előírásokkal, eltérő részleteket vagy mennyiségeket keresve. A Kuken célja, hogy az eszköz jelezze ezeket az eltéréseket, így a mérnökök gyorsabban ellenőrizhessék a rajzokat, és olyan hibákat is észrevegyenek, amelyek felett egyébként elsiklanának.
A Kuken szerint a prototípus tesztelése során az MI által jelzett problémák mintegy 90%-a valódi eltérés volt. Ha az eszközt élesben is bevezetik, a Kuken várakozásai szerint jelentősen csökken majd a mérnökök rajzellenőrzésre fordított ideje.
Minden rajz egy mérnök adott telepítéshez kapcsolódó döntéseit rögzíti. A Kuken azzal szeretné átadni ezt a tapasztalatot a mérnökök következő generációjának, hogy könnyebben megtalálhatóvá és érthetővé teszi ezeket a döntéseket.
„Úgy gondolom, az OpenAI technológiája segíthet a hozzánk hasonló gyártóknak átadni a szaktudást a következő generációnak. Ez régóta kihívást jelent számunkra.”
