Productie-industrie: demografische vragen over werknemers en technologische antwoorden

Demografische trends zijn misschien niet het eerste waar we aan denken als we het hebben over de beroepsbevolking in de productie-industrie. Uitdagingen bij het aannemen van arbeidskrachten en vaardigheden maken echter deel uit van een groter bevolkingsprobleem.     

Een onderzoek in The Lancet haalde onlangs nog wereldwijd de krantenkoppen. Daarin wordt voorspeld dat in 2050 in 155 van de 204 landen en gebieden wereldwijd (76%) het vruchtbaarheidscijfer onder het vervangingsniveau van de bevolking zal liggen. De verwachting is dat het tegen 2100 zal stijgen tot 198 landen (97%). Tegelijkertijd leven en werken mensen in Europa steeds langer, blijkt uit gegevens van Eurofound. Leiders in de industrie en onderzoekers benadrukken de mogelijke gevolgen voor innovatie, productiviteit en het vermogen om geschoolde productie- en technische functies in te vullen.

Uit gegevens van een Europese organisatie voor de productie-industrie blijkt dat 75% van de ondervraagde fabrikanten zich zorgen maakt over de vergrijzing van hun personeelsbestand. “Het aantrekken en behouden van jongere arbeidskrachten is voortdurend een probleem… De gemiddelde leeftijd van productiemedewerkers is gestegen. Het komt nu vaak voor dat 40-plussers de meerderheid van de werknemers in de sector uitmaken”, aldus het rapport.

Fabrikanten worden wereldwijd geconfronteerd met een tsunami aan vergrijzende arbeidskrachten. Daarbij staan ze voor de uitdaging om nieuwere, digital native werknemers aan te trekken en te behouden, die een baan in de productiesector niet interessant lijken te vinden. Bedrijfsleiders wenden zich tot digitalisering en automatisering om het tekort aan arbeidskrachten op te vullen, werknemers sneller op te leiden en het huidige personeelsbestand te ondersteunen met betere en gebruiksvriendelijkere tools.

Drie strategische pijlers die fabrikanten vandaag de dag ondersteunen

Om de uitdaging van vergrijzing en pensionering van werknemers aan te pakken, zijn beter verbonden, zichtbare en geoptimaliseerde oplossingen voor eerstelijnswerkers van cruciaal belang. Met deze oplossingen kunnen kennis en ervaring worden vastgelegd in systemen, procedures en voor het trainen van AI-systemen. Het kan ook nuttig zijn bij het aantrekken van nieuwere werknemers die inzichten, trainingen en eenvoudig te gebruiken tools kunnen gebruiken, waaronder low-/no-code tools die AI toegankelijk maken voor meer werknemers.

Met het oog op de hedendaagse demografische en arbeidsscenario’s zien we dat automatisering en AI in de productiesector drie belangrijke strategische pijlers aandrijven. De eerste betreft actionable visibility, die real-time inzicht levert in personeel, processen, activa en voorraad, en die ook gegevens levert voor het trainen van AI-modellen. Een autofabrikant digitaliseerde en automatiseerde het track- en tracesysteem van voertuigen in zijn fabriek met behulp van een radiofrequentie-identificatiesysteem (RFID). De resultaten waren onder andere een verbetering van 50% in het toewijzen van middelen, een vermindering van 10% in menselijke fouten en een verbeterde winstgevendheid van het proces.

De tweede pijler is het verhogen en verbinden van eerstelijnswerkers. Elke werknemer moet verbonden, geïnformeerd zijn en over data kunnen beschikken, zodat inzichten op het juiste moment aan de juiste persoon kunnen worden geleverd en tegelijkertijd informatie over hun workflows kunnen worden opgenomen. Hierdoor wordt de algehele fabrieksvloer en het netwerk van fabrieken geavanceerder. Een autorecyclingbedrijf en reseller verwerkt dagelijks gemiddeld 70-80 voertuigen, 2000 reserveonderdelen en houdt een voorraad aan van ongeveer 350.000 artikelen. Medewerkers in de fabriek zijn uitgerust met robuuste mobiele computers voorzien van zowel Wi-Fi als mobiele connectiviteit, evenals communicatiesoftware voor walkie-talkie- en telefonische communicatie tussen werknemers. De eerstelijns-operators kunnen direct een order ontvangen met alle benodigde productinformatie en hun apparaten zijn verbonden met een machine-learningplatform voor gebruiksgegevens en voorspellend onderhoud.

De derde pijler is geoptimaliseerde kwaliteit – veel repetitieve taken kunnen worden geautomatiseerd en uitgebreid door een combinatie van AI en fysieke automatisering. Deze systemen zullen veel aspecten van kwaliteit, het detecteren van afwijkingen, materiaaltransport en track & trace-workflows automatiseren en verbeteren. Voorbeelden hiervan zijn het gebruik van moderne machine-visionsystemen die de inspectie van kwaliteit en compliance automatiseren en verbeteren. Een producent van verse voedingsmiddelen heeft een robot-pickingsysteem met machine vision geïmplementeerd wat heeft geresulteerd in een geschatte verlaging van 75% van de totale kosten in vergelijking met traditionele camera- en verlichtingsopties, en efficiënt picken en plaatsen zonder het voedsel of de verpakking te beschadigen. Een ander bedrijf, een wereldwijde leider op het gebied van landbouwmachines, gebruikt machine vision met deep learning-mogelijkheden met een nauwkeurigheid van 99,5%, plus kosten- en tijdbesparingen door automatisering van visuele inspectieprocessen.

Banen en taken van de toekomst 

Als we het hebben over AI, gaat het op dit moment niet alleen maar over het creëren en schrappen van banen, hoewel veel krantenkoppen dat wel suggereren. Net als bij de opkomst van de auto, de telefoon en het internet worden er tal van nieuwe banen en industrieën gecreëerd. Vandaag de dag zien we dat fabrikanten hun ingenieurs, technici, programmeurs en datascientists uitrusten met nieuwe, betere automatiserings- en AI-tools om sneller en efficiënter te werken en bepaalde taken over te dragen aan AI-gestuurde automatisering.

Werknemers met AI-capaciteiten zullen zich in de nabije toekomst onderscheiden, omdat ze de kennis en expertise hebben die fabrikanten in hun fabrieken willen hebben. Baanbrekende low-/no-code oplossingen moedigen civiele ontwikkelaars aan om innovatie te stimuleren binnen de gevestigde grenzen. Werknemers kunnen de volgende golf aan productiviteitswinst stimuleren door gebruik te maken van deze next-gen AI-tools, die bijvoorbeeld beschikbaar zijn op robuuste handheld apparaten.

Sommige tools, zoals deep learning optical character recognition, zijn low-/no-code, wat betekent dat ze out-of-the-box gereed zijn en geen specialistische kennis vereisen omdat ze getraind zijn op duizenden afbeeldingen. Andere tools werken meer als kant-en-klare omgevingen voor programmeurs en datascientists om oplossingen te creëren met behulp van het platform, de tools en de meegeleverde libraries.

AI en automatisering bieden fabrikanten en ingenieurs de mogelijkheid om verschillende taken te automatiseren, waardoor de algehele arbeidsproductiviteit toeneemt en tekorten aan arbeidskrachten worden aangepakt. 33% van de besluitvormers in de Britse auto-industrie en 29% in Duitsland streven ernaar om in de komende vijf jaar meer dan de helft van hun visuele inspectieprocessen te automatiseren met behulp van machine vision, blijkt uit een rapport van Zebra Technologies over AI machine vision.

Ondertussen suggereert een analyse van McKinsey dat bijna 30% van het totale aantal arbeidsuren in de loop van het volgende decennium geautomatiseerd zou kunnen worden. Tegelijkertijd neemt de vraag naar arbeidskrachten toe terwijl de werkzaamheden in wetenschappelijke, technologische, technische en wiskundige beroepen flink veranderen. Het wordt lastig om grote doelen te halen voor automatisering van productie en de groeiende behoefte aan banen in de bèta/technische sector aan te pakken zonder goed opgeleide werknemers, automatisering en AI om fabrikanten bij te staan.

Auteur: Stephan Pottel, Productiemanager EMEA, Zebra Technologies