Autovaakapunnitus on perinteisesti sisältänyt useita manuaalisia työvaiheita, jotka liittyvät tietojen kirjaamiseen, kuormien tarkastamiseen ja laadun varmistamiseen. Näiden vaiheiden läpikäynti vie aikaa ja sitoo henkilöstöresursseja. Punnitusprosessien digitalisointi parantaa tiedonhallintaa ja automatisoi eri työvaiheita, mikä vähentää manuaalista työtä. Kun tekoäly liitetään osaksi punnitusta, se mahdollistaa entistä laajemmat automaatiot ja tehokkaamman toiminnan. Näin autovaakapunnitus kytkeytyy älykkääksi osaksi laajempaa operatiivista kokonaisuutta.

Tekoälyratkaisuja asiakkaiden todellisiin tarpeisiin

mScalesin tekoälyominaisuudet eivät ole syntyneet irrallisena teknisenä kokeiluna, vaan ratkaisuna asiakkaiden todellisiin haasteisiin.  Tekoälyä hyödynnetään erilaisissa tilanteissa, joissa punnitukseen liittyy paljon manuaalista tarkastustyötä.

“Asiakkailla on hyvin erilaisia tarpeita. Jollain voi olla tarve lukea konttinumero, toisella tunnistaa, onko kuorma peitetty, ja kolmannella varmistaa, että kuormassa oleva materiaali on sitä, mitä pitää”, kertoo mScalesin ratkaisuarkkitehti Arttu Pakarinen.

Yhteistä näille tilanteille on se, että tarkastettava tieto on usein visuaalista. Se on perinteisesti vaatinut ihmisen tekemää työtä, aikaa ja huolellisuutta. Juuri tähän kohtaan tekoäly tuo merkittävimmän hyödyn. Sen avulla voidaan automatisoida tunnistusta, tehdä esiseulontaa ja tukea päätöksentekoa ilman, että koko prosessia rakennetaan uudelleen.

Tutustu asiakastarinaan: Salpamaa uudistaa kierrätystä – tekoälypohjainen punnitus tehostaa toimintaa 

 Kuorman tunnistaminen ja tarkastus osana punnitusprosessia

Yksi keskeisimmistä tekoälyn käyttökohteista on kuormien tunnistus ja tarkastus. Kuljettaja ajaa autovaa’alle ja käynnistää punnituksen mScalesilla, jolloin vaakojen yhteydessä olevat kamerat ottavat kuvia. Kuvat tallentuvat automaattisesti oikeaan punnitustapahtuman yhteyteen, ja tekoäly analysoi ne vertaamalla havaintoja ennalta määriteltyihin tietoihin ja vaatimuksiin.

Tekoäly pystyy esimerkiksi tarkastamaan, onko kuorma peitetty vai ei, vastaako kuormassa oleva materiaali tilaukselle määriteltyä tuotetta tai sisältääkö kuorma jotakin sinne kuulumatonta. Vain ne tapaukset, joissa havaitaan epäselvyyksiä tai poikkeamia, ohjautuvat tarkempaan käsittelyyn.

Prosessin ympärille voidaan rakentaa automatisoituja toimintoja. Tyypillisesti tekoälyn havaitsemasta poikkeamasta lähtee operaattorille ilmoitus, jolloin operaattori tarkastaa kyseisen kuorman ja tekee siihen liittyvät mahdolliset jatkotoimenpiteet, kuten kirjaa reklamaation.

Tekoäly tuo mitattavia hyötyjä  

Eräässä asiakasorganisaatiossa tekoälyn käyttö on vähentänyt manuaalista tarkastustyötä jopa 90 prosenttia. Tämä johtuu siitä, että valtaosa kuormista ohjautuu suoraan eteenpäin ja työntekijä tarkastaa enää vain poikkeustapaukset. Tämä tuo asiakkaalle suoraa ajansäästöä ja tehokkaampaa resurssien käyttöä.

Kuormien tarkastuksessa säästetty työaika on vain yksi esimerkki. Tekoäly tuo muitakin hyötyjä, kuten:

• Tarkastusten tasalaatuisuus paranee: tekoäly arvioi jokaisen kuorman samalla tarkkuudella, mikä vähentää manuaalisen arvioinnin vaihtelua.
• Läpimenoajat nopeutuvat: suurin osa ajoneuvoista etenee ilman erillistä manuaalista tarkastusta.
• Inhimilliset kirjausvirheet vähenevät: tekoälyä voidaan hyödyntää tarkastamaan, että kirjaukset on tehty oikein.

Käyttöönotto vaatii vähän, mutta tuottaa paljon 

mScalesin tekoälyominaisuuksien käyttöönotto ei vaadi raskasta projektia tai pitkäkestoista koulutusta. Taustalle on rakennettu pohjamalli, jolla on valtavasti tietoa. Se tunnistaa laajasti erilaisia asioita ja kehittyy koko ajan.

”Asiakkailta on tullut palautetta, että tunnistus toimii hyvin. Yllättävänkin hyvin. Järjestelmä on tunnistanut kuormista esimerkiksi kantoja, puuta ja muovia”, Pakarinen kertoo.

Jotta tekoäly sulautuu luontevasti asiakkaan prosesseihin, sen toimintaa hienosäädetään asiakaskohtaisesti. Jos tavoitteena on esimerkiksi tunnistaa tuotteita tuotekatalogista, pelkkä tuotenimi ei aina riitä, vaan tueksi tarvitaan kuvaus siitä, miltä tuotteen kuuluu näyttää. Luonnollisen kielen käyttö tekee tästä helppoa. Sen sijaan, että tekoäly opetettaisiin alusta alkaen tunnistamaan jokainen materiaali erikseen, usein riittää selkeä kuvaus siitä, millainen kuorman pitäisi olla ja mitä siinä ei saa esiintyä.

Mikäli vaa’an luona on kamerat käytössä, tekoälyominaisuuksien käyttöönotto ei edellytä merkittäviä lisäinvestointeja. mScales voidaan liittää mihin tahansa autovaakaan valmistajasta riippumatta. Organisaatioissa, joissa mScales on jo käytössä, tekoälyominaisuudet voidaan ottaa käyttöön vaivattomasti kytkemällä ne päälle järjestelmään.

Lataa opas ja tutustu, miten tekoälyä voidaan hyödyntää teollisen punnituksen eri osa-alueilla: 

Tekoälyn rooli kasvaa, mutta ihminen säilyy osana prosessia

Tekoälyn hyödyntäminen teollisessa punnituksessa on vasta alkuvaiheessa, mutta kehityssuunta on selvä. Automaattinen tunnistus lisääntyy, ja yhä suurempi osa rutiininomaisesta tarkastustyöstä voidaan siirtää tekoälylle.

Seuraavien vuosien aikana tekoälyn rooli tulee todennäköisesti kasvamaan myös tiedon suodattamisessa ja käsittelyssä. Luonnollisen kielen käyttö avaa uusia mahdollisuuksia, kun käyttäjä voi kuvata sanallisesti, millaista tietoa hän tarvitsee. Punnituksen näkökulmasta tämä voi tarkoittaa esimerkiksi sitä, että käyttäjä pyytää yhteenvedon tietyn asiakkaan viime kuun kuormista, poikkeamia sisältäneistä punnituksista tai tietyn materiaalin kokonaismäärästä tietyllä aikavälillä, ja järjestelmä kokoaa tiedot suoraan punnitusdatasta.

Täydellistä automaatiota ei kuitenkaan ole näköpiirissä. Teollisessa punnituksessa tekoäly ei ole ihmisen korvaaja, vaan työkalu. Se keventää prosesseja ja vähentää manuaalista työtä, mutta vastuu mittausten oikeellisuudesta säilyy edelleen ihmisellä.

”Manuaalinen työ ei tule täysin katoamaan. Punnitusprosesseja voidaan automatisoida pitkälle, mutta järjestelmien valvonta, poikkeamien käsittely ja tulosten luotettavuuden varmistaminen edellyttävät edelleen ihmisen roolia”, Pakarinen toteaa

 Artikkeli pohjautuu mScalesin ratkaisuarkkitehti Arttu Pakarisen haastatteluun. Hänellä on yli seitsemän vuoden kokemus punnitusratkaisujen kehittämisestä ja sovittamisesta asiakkaiden liiketoimintaan sekä vahva osaaminen tekoälypohjaisten järjestelmien parissa.

Lue lisää:

Tekoäly punnitustietojen hallinnassa

Varaa aika mScales asiantuntijalle: