AI valdymas ir kraštinis skaičiavimas iš naujo brėžia spaustuvių išlikimo ribas

Per pastaruosius mėnesius lankydamasis pas klientus, dažniausiai išgirstu ne klausimą „ar reikia keisti techniką“, o „ar man nebus bėdų dėl AI naudojimo“ ir „ką daryti, jei nutrūks medžiagų tiekimas“ – tai atrodo nesusiję dalykai

Iš tikrųjų tai yra dvi tos pačios jėgos pusės

Viena vertus, geopolitika smarkiai sujaukia tiekimo grandines: ilgėja dažų, spaudos formų ir įrangos dalių importo terminai, didėja tarpvalstybinės logistikos neapibrėžtumas, o kainos šokinėja

Kita vertus, įvairių šalių vyriausybės viena po kitos pristato AI reguliavimo sistemas, reikalaujančias, kad įmonės aiškiai nurodytų: kur naudojamas AI, kas atsakingas už klaidas ir kaip saugomi klientų duomenys

Anksčiau šie klausimai buvo nagrinėjami atskirai, o dabar, kai jie atsiduria viename pramonės naujienlaiškyje, tai nėra atsitiktinumas. Spaustuvei „geba užtikrinti stabilų tiekimą“ ir „drąsiai bei saugiai naudoja AI“ tapo tuo pačiu išlikimo klausimu

Daugelis savininkų išgirdę „valdymas“ galvoja, kad tai tik didelių korporacijų reikalas, nesusijęs su 20–30 darbuotojų turinčia gamykla

Tai didžiausia klaidinga nuomonė, kurią noriu išsklaidyti

Šiuolaikinėje spaustuvėje generatyvinis AI jau seniai įsitvirtino: jis rašo tekstus, atlieka peržiūrą (pre-flight), atsako į klientų užklausas ir planuoja gamybos grafikus

Problema ta, kad dauguma įmonių diegdamos AI nenustatė jokių taisyklių. Valdymas ir yra skirtas šiai „pilkajai zonai“ reguliuoti, o jo esmę sudaro šios dalys:

・Duomenų klasifikacija: būtina nubrėžti ribą, kokius klientų failus galima pateikti AI, o kokių – kategoriškai negalima

・Atsakomybė už modelį: kas prisiima atsakomybę, jei AI neteisingai suplanavo pamainą ar peržiūros metu praleido rašybos klaidą – tai turi būti aišku iš anksto

・Klientų duomenų apsauga: prekės ženklų dizainai, kainų pasiūlymai, receptūros – kokiuose įrankiuose jie naudojami ir kur saugomi

・Darbuotojų mokymai: ar operatoriai žino, ko galima klausti AI, o koks klausimas gali reikšti informacijos nutekinimą

・Tiekėjų auditas: jūsų subrangovų (dizainerių, spaustuvių partnerių) AI naudojimo praktika taip pat kelia riziką jums

Kodėl mažos įmonės negali apsimesti, kad to nemato? Nes pirmieji jus patikrins ne vyriausybės pareigūnai, o prekės ženklų klientai. Didelėms įmonėms atliekant tiekimo grandinės atitikties patikrą, išsiunčiamas klausimynas. Jei negalėsite pateikti AI naudojimo gairių, užsakymai gali atitekti konkurentams, kurie tai padaryti geba

Valdymo esmė – ne parašyti storą niekieno neskaitomą knygą, o paversti taisyklę „kas gali naudoti, kur naudoti, kas atsakingas įvykus klaidai“ kasdieniu įpročiu visoje gamykloje

Visi esame girdėję apie debesijos AI, o kraštinis skaičiavimas (Edge AI) paprastai tariant yra: „smegenų“ (sprendimų priėmimo mechanizmo) perkėlimas iš nuotolinio serverio tiesiai į šalia gamybos linijos esantį įrenginį

Koks skirtumas? Spaustuvėje kiekviena sekundė yra svarbi, o klaidų tolerancija – itin maža

Jei spaudos kokybės tikrinimui, spalvų suvedimui ar tiesioginiam spalvų koregavimui tektų siųsti vaizdus į debesiją ir laukti atsakymo, toks delsimas didelio greičio rotacinėje mašinoje reikštų visą sugadintą tiražą

Intelektualių mazgų diegimas vietoje turi akivaizdžių pranašumų:

・Realaus laiko sprendimai: tikrinimas ir koregavimas vyksta be delsimo, nereikia laukti ryšio su debesija – viskas pataisoma iškart

・Nepertraukiamumas: jei kyla interneto ryšio problemų, gamybos linijos darbas nesustoja

・Duomenų saugumas: klientų dizaino failai ar atspaudų atvaizdai nėra siunčiami iš įmonės – tai puikiai siejasi su anksčiau minėta duomenų apsauga

Todėl kraštinis skaičiavimas ir AI valdymas nėra du atskiri dalykai; jie susijungia. AI sprendimų priėmimo galių išlaikymas savo gamykloje yra pati tiesioginė duomenų valdymo forma

Jei gaminate pakuotes ar etiketes eksportui, šis spaudimas jus paveiks anksčiau ir bus stipresnis nei bendrosios komercinės spaudos atveju

ES PPWR (Pakuočių ir pakuočių atliekų reglamentas) ir EPR (Gamintojo atsakomybės principas) pastaraisiais metais tapo gerokai griežtesni, nustatydami griežtus reikalavimus pakuočių medžiagoms, perdirbimo rodikliams ir pakartotinio naudojimo dizainui

Tai reiškia: jūsų Europos prekės ženklų klientai šiuos reikalavimus perkelia jums, kaip tiekėjams – turite pateikti duomenis apie medžiagas, anglies pėdsaką ir perdirbtų medžiagų procentinę dalį

Tiekimo grandinės klausimas dar realistiškesnis: matau, kaip daugelis gamyklų pradeda rimtai analizuoti: ar yra alternatyvūs pagrindinių medžiagų šaltiniai, ar pavyks išgyventi nutrūkus atsarginių dalių tiekimui, ar reikia iš anksto pasiruošti vietiniam aprūpinimui

Sujungus šiuos tris dalykus, viskas tampa aišku: reikia pateikti atitikties duomenis, turėti atsarginį tiekimo planą ir nustatytas AI naudojimo taisykles. Tai nėra trys atskiri egzaminai – tai vienas bendras tiekimo grandinės atsparumo egzaminas

・Tiekimo grandinės atsparumas ir AI atitiktis nebėra atskiri klausimai – tai vienas ir tas pats išlikimo klausimas

・Tikrasis AI valdymo slenkstis – ne vyriausybės patikrinimai, o prekės ženklų klientų tiekimo grandinės klausimynai

・Kraštinis skaičiavimas išlaiko sprendimų priėmimą gamykloje – tai būtina realiojo laiko gamybai ir yra tiesioginė duomenų valdymo forma

・Eksportuojančioms pakuočių gamykloms, susiduriančioms su PPWR ir EPR, gebėjimas pateikti atitikties duomenis prilygsta gebėjimui gauti užsakymus

・Mažos gamyklos negali naudoti „mažo masto“ kaip pasiteisinimo – laukimo kaina yra ta, kad užsakymai tyliai pereina pasiruošusiems konkurentams

Nelaikykite šių trijų dalykų brangiu transformacijos projektu. Pradėkite nuo pigios, greitai įgyvendinamos analizės: sudarykite sąrašą visų įmonėje naudojamų AI įrankių (tekstų rašymas, peržiūra, klientų aptarnavimas, planavimas), pažymėkite, kur susiduriama su klientų duomenimis, ir paprastai nustatykite tris taisykles: kokius duomenis draudžiama įvesti, kas atsakingas už klaidas ir kokie įrankiai naudojami. Ši vieno puslapio tvarka padės atsakyti į 80 % prekės ženklų klientų atitikties klausimynų. Kolegos iš dizaino ir SaaS sektorių gali pažvelgti iš kitos pusės: didžiausias spaustuvių skausmas – „duomenys negali palikti įmonės, bet reikia naudoti AI“. Įrankiai, galintys integruoti modelius į kraštinius įrenginius (Edge) ir paversti valdymo gaires numatytosiomis nuostatomis, yra tai, ko šiai pramonei šiuo metu trūksta. Pirmiausia išanalizuokite, nustatykite taisykles, tada galvokite apie diegimą. Kai tvarka teisinga, spaudimas virsta pranašumu

・Pramonės naujienlaiškis: AI valdymas ir kraštinis skaičiavimas