Аддитивное производство (AM) давно опирается на глубокий запас экспертизы, который известна своими трудностями для документирования.

Эта экспертиза проявляется в нюансах настройки машин. Калибровка конкретных параметров. Негласное понимание того, как материал ведёт себя в разных условиях окружающей среды. И это в понимании того, почему деталь, которая кажется безупречной в CAD, может провалиться в середине сборки.

Многое из того, что делает 3D-печать успешной в реальных приложениях, не написано в инструкциях, а хранится в сознании опытных операторов, инженеров и техников.

Такая зависимость от исконных знаний стала обузой для отрасли, особенно на фоне надвигающегося кризиса рабочей силы в производственном секторе.

К 2033 году ожидается, что производство откроет 3,8 миллиона новых вакансий, но только около половины этих вакансий, по прогнозам, будут заполнены. Ещё более тревожно, что примерно три четверти этого разрыва  ожидается из-за выхода на пенсию, что требует десятилетий практических знаний в машинах и процессах.

Аддитивное производство, которое всё ещё сталкивается с нехваткой опытных операторов, ощущает это остро, чем большинство. Однако в распоряжении отрасли есть инструмент, который может смягчить последствия. Если ИИ будет реализован стратегически, он сможет сохранить десятилетия опыта AM.

Почему аддитивное производство особенно уязвимо

Аддитивные процессы развиваются очень быстро. Хотя существуют определённые стандарты, мы знаем, что лучшие практики могут значительно различаться в зависимости от модели машины, партии материалов, версии программного обеспечения и даже интуиции оператора. Два 3D-принтера с одинаковыми характеристиками могут вести себя кардинально по-разному в зависимости от того, кто ими управляет.

В результате AM-организации часто полагаются на небольшое количество «проверенных» специалистов, которые умеют диагностировать отказы, корректировать параметры или квалифицировать детали. Эти люди становятся клеем, который удерживает производство вместе. Когда они уходят на пенсию, деятельность может резко остановиться. Новым сотрудникам может потребоваться месяцы или даже годы, чтобы достичь необходимого уровня производительности, что мешает компании масштабироваться. Так что это не просто проблема найма — это обеспечение непрерывности знаний.

Одной документации недостаточно

В течение многих лет распространённым решением стала более качественная документация, такая как больше стандартных процедур, чек-листов, папок и PDF-файлов. Хотя и этот подход явно уступает.

Любой может задокументировать процесс, но задокументировать «почему» процесса гораздо сложнее. Это требует понимания того, почему он работает, когда выходит из строя и как адаптировать его в крайних случаях — в тех случаях, которые могут привести к серьёзным поломкам или отказу оборудования. Большая часть этого понимания основана на опыте, приобретается со временем и глубоко зависит от контекста, что делает передачу через традиционную документацию практически невозможной.

Именно здесь появляется новый подход, основанный на ИИ, который приносит значительную отдачу тем, кто готов его принять.

ИИ как множитель знаний, а не как замена

Возможно, самым перспективным применением ИИ в аддитивном производстве является не автономная печать или генеративный дизайн, а сбор знаний и доступность.

Традиционно экспертиза рассматривается как нечто, что необходимо передавать от одного человека к другому на протяжении многих лет наставничества. Особенно это наблюдается в производстве, где человеческий контроль с самого начала и по сей день опирается на человеческий контроль. Теперь отрасль должна спросить себя, как предотвратить неизбежную потерю интеллекта, когда ключевые люди уходят. Использование систем ИИ для организации, контекстуализации и выявления институциональных знаний откроет возможность сохранять эту экспертизу в беспрецедентных масштабах.

Давайте посмотрим, как это работает.

ИИ может использовать исторические данные строительства, связывая конкретные машины, материалы и результаты для создания комплексной записи, к которой операторы и инженеры могут легко обращаться. Он также может напрямую связывать решения процесса и корректировки параметров с успехом или неудачей печати, давая представление о том, что работает, а что нет.

Экспертные аннотации, объясняющие обоснование ключевых решений, также легко включаются, помогая уловить контекст каждого выбора.

ИИ также может выявлять закономерности в различных сферах. Это выявляет скрытые связи и инсайты, которые иначе остались бы незамеченными — то, что никто не сможет отследить в одиночку.

Когда вся эта информация становится структурированной и доступной для поиска, она превращает разрозненные знания, которые раньше были ограничены умами избранных людей, в постоянно развивающийся и доступный резервуар, из которого каждый может черпать знания.

Влияние на рабочую силу будет далеко идущим. Новые инженеры смогут учиться быстрее, а операторы будут принимать более обоснованные решения, основанные на многолетнем опыте. Эксперты также тратят меньше времени на ответы на повторяющиеся вопросы и больше времени на решение действительно новых задач.

Главное — это не снижает квалификацию рабочей силы. Это повышает базовый уровень и оставляет пространство для углубления экспертизы.

Более устойчивая аддитивная рабочая сила

По мере того как аддитивное производство эволюционирует от экспериментального к основному производству, необходимость в устойчивости становится первостепенной. Большая часть этого — минимизировать зависимость от одного человека и обеспечить сохранение знаний, даже когда меняются роли или работники уходят на пенсию.

Системы знаний на базе ИИ не решат проблему нехватки рабочей силы в аддитивном производстве, но могут значительно повысить эффективность внедрения новых талантов в отрасли, сохраняя при этом накопленный за десятилетия интеллект.

В области, где успех и неудача часто зависят от инсайтов, полученных в результате многолетнего практического опыта работы с конкретными машинами, возможность делиться этими знаниями может стать одним из самых значимых конкурентных преимуществ.

Кризис знаний уже здесь. Теперь вопрос в том, будет ли отрасль продолжать ограничивать экспертизу отдельными людьми или примет системы на базе ИИ, которые демократизируют эти знания, обеспечивая их доступность для следующего поколения талантов.