उत्पादन क्षेत्रातील गुणवत्ता नियंत्रण

डॉ. आनंद ज. कुलकर्णी
सोमवार, 27 सप्टेंबर 2021

आर्टिफिशियल इंटेलिजन्स

आर्टिफिशिअल इंटेलिजन्सचा वापर गुणवत्ता जोपासण्यासाठी, नियंत्रणासाठी व वाढीसाठी प्रभावीपणे होताना दिसत आहे. मशिन व्हीजन तंत्रज्ञानाने सुसज्ज कॅमेरे व त्यांच्या जोडीला इंटेलिजन्ट सॉफ्टवेअर वापरण्यात येऊ लागले आहेत. त्यामुळे गुणवत्ता तपासण्यात होणारा विलंब लक्षणीय प्रमाणात कमी झाला आहे.

आजच्या काळात फारच कमी अशी क्षेत्रे असतील जेथे कृत्रिम बुद्धिमत्तेचा (आर्टिफिशिअल इंटेलिजन्स) वापर होत नसेल. अगदी अन्न प्रक्रिया, शेती, मिलिटरी, प्रदूषण नियंत्रण, वाहतूक नियंत्रण अशी फक्त काही प्रातिनिधिक उदाहरणे आहेत ज्यामध्ये विविध पद्धतीने कृत्रिम बुद्धिमत्तेचा वापर होतो आहे. उत्पादन क्षेत्र तसेच त्यातील विविध प्रक्रियांमधील आर्टिफिशिअल इंटेलिजन्सच्या वाढत्या वापरामुळे कंपन्यांचा चेहरामोहरा वेगाने बदलत आहे. याला मुख्य कारण म्हणजे बाजारात टिकून राहण्याची स्पर्धा. विकत घेतलेल्या वास्तूच्या उत्पादन पद्धतीशी ग्राहकाला जरी काही घेणेदेणे नसले तरी त्या वस्तूच्या दिसण्यातील तसेच वापरातून पुढे येणारे दोष लगेचच लक्षात येतात. सदोष वस्तू ग्राहकांपर्यंत पोचलेली असेल तर उत्पादन करणाऱ्या कंपनीसाठी बाजारातील स्पर्धेत टिकून राहण्याच्या दृष्टीने हे अत्यंत घातक ठरू शकते. त्यामुळे अगदी कंपनीत आवक झालेल्या कच्च्या मालापासून ते तयार वस्तूच्या पॅकिंगपर्यंत गुणवत्तेची काटेकोर तपासणी केली जाते. मागील दशकात झालेल्या डिजिटल क्रांतीमुळे डेटा किंवा माहिती साठवणे अधिक स्वस्त झाले आहे. त्याचा फायदा उत्पादन क्षेत्रात झालेला आहे. उत्पादन चालू असताना विविध टप्प्यांवर उत्पादित होणाऱ्या मालाची छायचित्रे घेतली जात असतात. मशिन लर्निंग अल्गोरिदम त्या छायाचित्रांतील उत्पादनाच्या गुणवत्तेची अपेक्षित असलेल्या गुणवत्तेशी तुलना करतात. त्यावरून योग्य निष्कर्ष काढून, त्या चालू उत्पादनावर पुढील प्रक्रिया करायची की नाही याचा निर्णय घेतात. त्यानुसार, टाकाऊ उत्पादनावरील पुढील प्रक्रिया वाचून पैशाची व वेळेची बचत होते, मानवी सहभाग व हस्तक्षेप कमी होतो व अपेक्षित गुणवत्तेचे उत्पादन मिळण्यास मदत होते.

‘अमेरिकन सोसायटी फॉर क्वालिटी’ने नुकत्याच केलेल्या एका सर्वेक्षणानुसार जगातील बहुतेक कंपन्यांचा उत्पादीत मालाच्या गुणवत्तेच्या तपासणीचा खर्च साधारणपणे एकूण महसुलाच्या वीस टक्क्यांच्या आसपास असतो. टक्केवारीच्या भाषेत हा खर्च माफक दिसत असला तरी मोठ्या कंपन्यांसाठी ही रक्कम कित्येक अब्ज रुपयांच्या घरात जाते. यात मानवी हस्तक्षेप असल्यास त्यामुळे होणाऱ्या चुका व विलंब यामुळे हा खर्च पुढे अजून वाढतो. आजच्या स्पर्धेत असे खर्च जितके टाळता येतील तितके महत्त्वाचे ठरते. त्यादृष्टीने आर्टिफिशिअल इंटेलिजन्सचा वापर गुणवत्ता जोपासण्यासाठी, नियंत्रणासाठी व वाढीसाठी प्रभावीपणे होताना दिसत आहे. मशिन व्हीजन तंत्रज्ञानाने सुसज्ज कॅमेरे व त्यांच्या जोडीला इंटेलिजन्ट सॉफ्टवेअर वापरण्यात येऊ लागले आहेत. त्यामुळे गुणवत्ता तपासण्यात होणारा विलंब लक्षणीय प्रमाणात कमी झाला आहे. पारंपरिक मशिन व्हीजन पद्धतीत एखादी वस्तू ओळखणे शक्य होते. उदाहरणार्थ, कारखान्यातील बेल्टवरून येणारी एखादी वस्तू ‘नट’ आहे की ‘बोल्ट’ आहे, हे मशिन व्हीजन सॉफ्टवेअरच्या साहाय्याने साधारण आकार व रंग आदी निकषांच्या आधारे ओळखणे शक्य होत होते. परंतु त्याला प्रचंड मर्यादा आहेत. वस्तू ‘नट’ किंवा ‘बोल्ट’ हे ओळखल्यावर त्यातील दोष ओळखणे मशिन व्हीजन सॉफ्टवेअरच्या साहाय्याने शक्य नव्हते. अमेरिकेतील बोस्टनमधील ‘न्यूरेला’ या मशिन व्हीजन संदर्भातील इंटेलिजन्ट सॉफ्टवेअर बनवणाऱ्या कंपनीने विकसित केलेले डीप लर्निंग अल्गोरिदम कोणत्या प्रकारच्या उपयोगासाठी ठरावीक उत्पादित वस्तू वापरण्यात येणार आहे, त्याप्रमाणे त्यातील योग्यतेनुसार ती योग्य किंवा अयोग्य ठरवते. त्यासाठी या अल्गोरिदमना योग्य असणाऱ्या तसेच अयोग्य असणाऱ्या वस्तूंची छायाचित्रे वर्गवारी पद्धतीने दिली जातात. त्यातील दोषांच्या प्रकारांनुसार व वैशिष्ट्यांनुसार, हे अल्गोरिदम स्वतःला प्रशिक्षित करून घेतात. पुढे हे प्रगल्भ झालेले अल्गोरिदम प्रत्यक्ष काम करताना मशिन व्हीजन कॅमेऱ्यांनी काढलेल्या वस्तूंची तपासणी अत्यंत जलद तसेच अचूकतेने करतात. मुख्य म्हणजे, त्यातील अचूकतेवरून, तसेच काही चुकांवरून स्वतःमध्ये सुधारणासुद्धा करतात. यामुळे, इंजिनिअर मंडळींचा प्रचंड वेळ वाचतो व गुणवत्तेची विश्वासार्हतासुद्धा वाढते. अमेरिकेच्या केंटकी राज्यातील व्ही-सॉफ्ट कंपनीच्या या संदर्भातील अभ्यासानुसार, कृत्रिम बुद्धिमत्तेमुळे उत्पादित वस्तूंच्या तपासणीचा वेग व अचूकता २५ पटींहून अधिक आहे. त्यामुळे एकंदर प्रक्रियेमध्ये जलद सुधारणा करून दोषविरहित किंवा कमीतकमी दोष असणारे उत्पादन शक्य होत आहे. 

गूगलचे आर्टिफिशिअल इंटेलिजन्स आधारित क्लाऊड व्हिज्युअल इन्स्पेक्शन सॉफ्टवेअर सध्या जगातील अनेक मोठ्या कंपन्या वापरत आहेत. हे सॉफ्टवेअर डीप लर्निंग आधारे उत्पादनाच्या विविध टप्प्यांवर अगदी सूक्ष्म दोष शोधणे, त्यांची वर्गवारी करणे आदी कामे अत्यंत वेगाने व अचूकतेने करते. आयफोन बनवणाऱ्या ‘फॉक्सकॉन’ नावाच्या तैवान मधील कंपनीने या सॉफ्टवेअरचा वापर त्यांच्या ठरावीक आस्थापनांमध्ये सुरू केला आहे आणि लवकरच त्याचा उपयोग त्यांच्या बहुतेक सर्व कारखान्यांमधे सुरू होण्याची शक्यता आहे. ऑस्ट्रियामधील बीएमडब्ल्यू कंपनी कार्यक्षमता, गुणवत्ता तसेच इंडस्ट्री ४.०साठी ‘इन्स्पेक्टो’ नावाच्या जर्मन-इस्रायली कंपनीने बनवलेले ‘इन्स्पेक्टो एस७०’ सॉफ्टवेअर वापरते. हे सॉफ्टवेअर मशिन लर्निंग आधारे अचूकतेने विविध प्रकारचे दोष शोधण्याचे काम करते. इन्स्पेक्टोचे संस्थापक हरेल बोरेन यांच्या म्हणण्यानुसार ‘इन्स्पेक्टो एस७०’ स्वतःहून शिकते, व त्यामुळे गाड्यांच्या विविध भागांमधील संभाव्य दोष क्रमाक्रमाने कमी होण्यात मदत होत आहे. बीएमडब्ल्यूमधील डिजिटलायझेशन विभागातील तज्ज्ञ डेविड बर्षर यांच्या मते गाडीच्या विविध भागांच्या तपासणीतील मानवी हस्तक्षेप जवळजवळ बंद झाला आहे व कार्यक्षमतेत लक्षणीय वाढही झाली आहे.

आयबीएमने बनवलेले ‘आयबीएम वॉटसन’ अल्ट्रासॉनिक पद्धतीने काम करणारे कॅमेरे वापरते. बेल्टवरून असेम्ब्लीकडे जाणारे सुट्या भागांचे/ पार्ट्‌सचे फोटो घेऊन त्यांचे चांगले/ खराब किंवा पास/ फेल असे वर्गीकरण करते. त्याचबरोबर फेल केलेल्या सुट्या पार्टसमधील दोष, त्यांची जागा, संभाव्य कारणे आदींची माहितीसुद्धा देते. आयबीएम वॉटसन जगातील विविध इलेक्ट्रॉनिक्स, चिप्स, ऑटोमोबाईल कंपन्यांमध्ये वापरण्यात येते. महत्त्वाचे म्हणजे, हे सॉफ्टवेअर विविध पार्ट्सचा रंग, पोत, आकार, लांबी, रुंदी, जाडी, ओरखडे अशा एक-ना-अनेक बाबी अत्यंत कमी वेळेत तपासते. या सॉफ्टवेअरचा सुरुवातीचा शिकायचा वेळ खूपच कमी आहे आणि ते तपासणीचे काम करता करता शिकत जाते.

चीनमधील दानयांग शहर चष्म्यांची भिंगे (लेन्स) बनवण्यासाठी प्रसिद्ध आहे. जगभरातील प्रमुख ब्रॅण्ड्सना लेन्स पुरवण्याचे काम येथील शेकडो कंपन्या करीत असतात. अगदी २०१७ सालापर्यंत या सर्व कंपन्यांमधे लेन्सची तपासणी करण्याचे काम माणसांकरवी होत असे. लेन्सचा ट्रे उचलून आणणे, एकेक लेन्स उचलून तिची विविध मानकांवर तपासणी करणे, पुन्हा लेन्स ठेवून ट्रे जागेवर नेऊन ठेवणे अशी अत्यंत कंटाळवाणी कामे तेथील कामगार करत असत. कामातल्या रटाळपणामुळे चुकांचे प्रमाण वाढत तर होतेच, पण कामगारांना वाढीव भत्ता देणेसुद्धा भाग पडू लागले होते. त्यामुळे, तेथील सरकारने व कंपन्यांनी आर्टिफिशिअल इंटेलिजन्सचा आधार घ्यायचे ठरवले. अमेरिकेतील स्टॅनफोर्ड युनिव्हर्सिटीतील आर्टिफिशिअल इंटेलिजन्स प्रयोगशाळेतील संशोधक केविन यांग व इतर सहकाऱ्यांनी स्थापन केलेल्या ‘वलक्री’ नावाच्या कंपनीने चीनमधील त्सिंगहुआ युनिव्हर्सिटी बरोबरच्या भागीदारीतून एक सॉफ्टवेअर तयार केले आहे. ‘आर्टिफिशिअल न्यूरल नेटवर्क’च्या आधारे हे सॉफ्टवेअर लेन्सची गुणवत्ता तपासते. या सॉफ्टवेअरने सुसज्ज कॅमेरे व रोबोट्सच्या आधारे तपासणीचा वेग व अचूकता कित्येक पटीने वाढवली आहे. साहजिकच वाढीव गुणवत्तेचा सकारात्मक परिणाम बाजारातील पत वाढण्यात झाला आहे.

जगातील कित्येक कंपन्यांनी केलेल्या मूल्यांकनानुसार इंटेलिजन्ट सॉफ्टवेअर्स, कॅमेरे आदींचा वापर गुणवत्ता तपासणीसाठी आणि महत्त्वाचे म्हणजे गुणवत्ता वाढीसाठी अत्यंत उपयुक्त ठरत आहे. कोविड-१९ संक्रमण काळात तर त्याला फार महत्त्व आलेले आहे. तपासणी करणाऱ्या कर्मचाऱ्यांची संख्या जाणीवपूर्वक कमी ठेवावी लागत आहे. त्यामुळे कर्मचाऱ्यांची जागा इंटेलिजन्ट सॉफ्टवेअर्स आणि कॅमेरे घेत आहेत. यामुळे गुणवत्ता वाढीस लागून कंपन्यांना बाजारात टिकाव धरणे शक्य होत आहे. त्याचबरोबर अखेरीस ग्राहकांचा फायदा होत आहे. भारतासारख्या देशात लोकसंख्या जरी प्रचंड असली तरी कुशल मनुष्यबळाची कमतरता आहेच. परंतु आवक झालेल्या कच्च्या मालाची गुणवत्ता तपासणे, त्यावर होणारी पुढील प्रत्येक प्रक्रिया आणि शेवटी तयार होणाऱ्या उत्पादनाच्या गुणवत्तेची सर्वांगाने तपासणी अत्यंत महत्त्वाची असली तरी कर्मचाऱ्यांसाठी रटाळवाणीच असते. त्यातूनच दोषयुक्त उत्पादन पास होण्याची शक्यता वाढते, जे पुढे कंपनीच्याच मुळावर येऊ शकते. त्यामुळे, स्थानिक किंवा जागतिक स्पर्धेत टिकायचे असल्यास इंटेलिजन्ट ऑटोमेशनला पर्याय नाही, असेच सध्याचे चित्र आहे.

संबंधित बातम्या