Jumlah pabrik otomotif di Eropa terus tumbuh, dengan sekitar 322 fasilitas pada tahun 2022 (termasuk 38 pusat manufaktur baterai kendaraan listrik) dibandingkan dengan 301 pabrik pada tahun sebelumnya menurut hasil riset dari European Automobile Manufacturers Association.
Beberapa bulan yang lalu, kita membaca berita tentang produsen baterai listrik besar dari Skandinavia dan Asia yang berencana menginvestasikan dana sebesar 10 miliar euro di gigafactory Eropa yang baru. Di Asia Tenggara, Indonesia telah mempercepat upaya pengembangan sektor otomotifnya dengan membangun pabrik baterai kendaraan listrik (EV) pertama dan terbesar di kawasan ini, yang didukung oleh Hyundai Motor Group dan LG Energy Solution.
Fasilitas baru dan modernisasi pabrik yang sudah ada guna mendukung produksi kendaraan listrik merupakan peluang besar jika kita memikirkan kembali masalah penggunaan peralatan dan proses untuk memaksimalkan efisiensi, kualitas, dan tenaga kerja. Baru-baru ini, berbagai media melaporkan bahwa sebuah produsen kendaraan listrik terkemuka telah menghilangkan lebih dari 100 langkah dalam proses pembuatan baterainya, 52 jenis peralatan dari karoseri, dan lebih dari 500 suku cadang dari desain kendaraan unggulannya. Hasil dari pemikiran ulang dalam proses tersebut adalah pengurangan biaya bahan untuk mobil van, dan penghematan dengan skala sama untuk kendaraan lainnya.
Kita tahu bahwa terkait dengan pengembangan pabrik dan solusi pengadaan baru maupun yang sudah ada, fokus di situs pabrik membutuhkan input dan persetujuan dari pengambil keputusan di situs pabrik dan di tingkat korporasi. Namun selalu ada kemungkinan situs pabrik yang berbeda menggunakan solusi yang berbeda pula untuk alur kerja yang serupa, dan terdapat risiko bahwa keahlian dan data tidak dibagikan secara merata di seluruh situs pabrik, termasuk saat menggunakan solusi-solusi AI terbaru yang sangat membutuhkan data berkualitas tinggi. Hal ini juga berlaku untuk tim inspeksi visual yang menggunakan sistem machine vision untuk pengecekan kualitas dan kepatuhan pada peraturan.
Di antara para pemimpin dalam bidang machine vision di industri otomotif, hampir 20% mereka yang berada di Jerman dan Inggris mengatakan bahwa machine vision AI mereka bisa bekerja dengan lebih baik atau mengerjakan lebih banyak hal, seperti yang disebut dalam laporan Zebra yang mengamati machine vision AI di industri otomotif.
Apakah ada cara yang membuat teknologi seperti deep learning machine vision bisa diterapkan dan digunakan dengan lebih baik? Bisakah kita menyeimbangkan pembahasan mengenai keamanan dan tata kelola cloud dengan peluang pemanfaatannya untuk alur kerja bernilai tinggi, seperti pengujian dan kontrol kualitas dengan deep learning machine vision, serta sumber daya komputasi dan kolaborasi baru untuk para engineer dan data scientist?
Tantangan Data Lintas Situs
AI, terutama deep learning, berkembang berkat data. Volume, jenis, dan kecepatan data yang berkualitas baik adalah kunci dalam pelatihan dan pengujian deep learning model, sehingga mereka bisa memberikan hasil yang diharapkan ketika digunakan di dunia nyata.
Pengalaman dan waktu yang tersedia bisa bervariasi di antara tim dan situs yang berbeda. Hal ini bisa menciptakan pengkotak-kotakan atau silos dan membuat upaya untuk mewujudkan kualitas data menjadi lebih menantang. Data harus disimpan, diberikan keterangan (anotasi), dan digunakan untuk pelatihan model, serta akan dibutuhkan dataset lain untuk pengujian model. Jadi tidak masuk akal jika data perusahaan dalam kasus-kasus ini tetap terkotak-kotak sehingga menghambat pelatihan yang lebih baik untuk model machine vision.
Neural network untuk deep learning harus terekspos ke variasi yang sebanyak mungkin, termasuk jam dan hari produksi yang berbeda. Campuran tanggal-tanggal acak di dataset dibutuhkan, yang hal ini mungkin tidak mudah karena membutuhkan perekaman data (data capture) pada periode waktu tertentu (kecuali menggunakan platform untuk mensimulasikan data pelatihan), namun sangat penting untuk melatih model yang kuat. Proses industri juga tergantung kepada berbagai faktor lingkungan, seperti perubahan cahaya sekitar, material dengan sedikit variasi, vibrasi, noise, suhu dan perubahan kondisi produksi. Kegagalan dalam memperhitungkan perubahan-perubahan tersebut dalam data pelatihan Anda bisa mengakibatkan berkurangnya akurasi model.
Setiap situs dapat memperkenalkan variasi dalam hal ketajaman, jarak kerja, cahaya sekitar, dan faktor-faktor lain yang akan dipelajari oleh model, sehingga dataset pelatihan mencerminkan berbagai variasi yang mungkin akan ditemukan oleh model tersebut dalam skenario dunia nyata. Jika proses industri melibatkan beberapa situs produksi, mengumpulkan data hanya dari satu situs atau mengumpulkan data dari semuanya namun data tetap terkotak-kotak sangat tidak tepat. Untuk memperbaiki hal ini, data harus direkam dan dibagikan dari kondisi lingkungan dan situs produksi yang berbeda – tapi bagaimana caranya?
Masalah lainnya dalam pendekatan situs yang terkotak-otak adalah terkait dengan anotasi data pelatihan untuk model deep learning. Anotasi atau keterangan yang tidak akurat, tidak jelas, dan tidak konsisten mau tak mau akan menyebabkan model tidak bekerja dengan baik. Sangat penting untuk memastikan anotasi tersebut presisi dan jelas, termasuk di seluruh situs produksi yang membuat item yang sama – tapi hal ini mengharuskan tim-tim untuk bisa berkolaborasi dalam proyek-proyek anotasi.
Beberapa kesalahan yang umum terjadi dalam proyek-proyek di dunia nyata adalah menandai jenis kerusakan yang berbeda pada gambar-gambar yang berbeda dan membiarkan beberapa kerusakan sama sekali tidak ditandai. Sesuatu yang dianggap rusak sifatnya juga bisa subjektif sehingga validasi silang sangat penting. Semua kerusakan, terlepas dari jenisnya, harus ditandai dengan jelas pada semua gambar yang relevan. Sekali lagi, tanpa mengambil pendekatan terpadu, dan memanfaatkan cloud, tantangan dalam anotasi data di situs dan negara tetap ada.
Solusi Platform Deep Learning Cloud
Tim machine vision di seluruh industri manufaktur membutuhkan cara-cara baru untuk memanfaatkan deep learning machine vision, yang harus menyertakan penggunaan cloud. Dengan platform machine vision berbasis cloud, tim bisa mengunggah, memberi label, dan memberi anotasi data dari beberapa situs manufaktur di seluruh tempat, negara, dan kawasan. Kumpulan data yang lebih besar, lebih beragam, yang dihimpun dalam platform berbasis cloud dari seluruh situs dan lingkungan akan lebih baik untuk pelatihan deep learning. Platform seperti ini akan memungkinkan pengguna-pengguna tertentu bekerja sama secara real time, berkolaborasi dalam anotasi, pelatihan dan pengujian project, dan berbagi keahlian mereka.
Dengan platform berbasis cloud, pengguna dengan peran, hak dan tanggung jawab tertentu, bisa melatih dan menguji deep learning model di cloud. Dengan didukung oleh data pelatihan dan pengujian yang jauh lebih baik, mereka bisa memberikan analisis pengecekan visual dan akurasi dalam tingkat yang jauh lebih tinggi dibandingkan dengan machine vision konvensional yang berbasis peraturan untuk kasus-kasus penggunaan tertentu. Hasil ini diinginkan oleh produsen di beberapa industri di antaranya otomotif, baterai listrik, semikonduktor, elektronik, dan pengemasan.
Solusi berbasis cloud juga menyediakan skalabilitas dan aksesibilitas daya komputasi. Dengan sistem tradisional, beberapa karyawan terpilih mendapatkan kartu grafis atau GPU yang sangat kuat di komputer mereka untuk melakukan pelatihan-pelatihan yang besar. Dengan cloud, setiap pengguna bisa mengakses daya komputasi yang tinggi dari laptop mereka. Biaya tertentu akan dibebankan, namun melalui model berlangganan pay-as-you-go, hal ini masih lebih menguntungkan dibandingkan dengan berinvestasi lebih besar di server milik sendiri dan menambah personel IT yang saat ini sulit didapatkan.
Dengan model software as a service, tim machine vision akan memiliki fleksibilitas dan kemudahan untuk berinvestasi di platform berbasis cloud dengan cara berlangganan, sementara fitur, model dan update baru ditambahkan secara mulus oleh mitra teknologi. Platform deep learning berbasis cloud akan memungkinkan penerapan model edge pada berbagai PC dan perangkat untuk mendukung alur kerja yang fleksibel dan digital di lini produksi, pada PC atau perangkat di mana pun pengguna atau tim berada.
Para pemimpin manufaktur di Eropa mengharapkan AI bisa mendorong pertumbuhan. Lonjakan dalam pengadopsian AI ini, ditambah dengan para pemimpin yang memprioritaskan transformasi digital, menegaskan niat industri manufaktur untuk meningkatkan manajemen data dan memanfaatkan teknologi-teknologi baru yang meningkatkan visibilitas dan kualitas selama proses manufaktur. Salah satu masalah manajemen kualitas yang paling signifikan saat ini adalah integrasi data. Dengan target AI dan data serta rencana pembangunan pusat-pusat pabrikasi otomotif baru, saat ini adalah waktu yang tepat untuk melihat potensi cloud dalam memanfaatkan data dan memperluas manfaat dari deep learning machine vision.
Update berita terkini dan berita pilihan kami langsung di ponselmu. Pilih saluran favoritmu akses berita Waspada.id WhatsApp Channel : https://whatsapp.com/channel/0029VaZRiiz4dTnSv70oWu3Z dan Google News Pastikan kamu sudah install aplikasi WhatsApp dan Google News ya.
