---
title: "AI rješenja za proizvodnju i industriju | Margins"
description: "Rano otkrivanje kvarova i odstupanja, kontrola kvalitete i pristup znanju u proizvodnji, povezano sa strojevima i poslovnim sustavima."
url: https://margins.agency/hr/industrije/proizvodnja
---

AI za proizvodnju

# AI rješenja za proizvodnju

Strojevi, ERP, proizvodni sustavi, evidencije kvalitete, dokumenti i zaposlenici već stvaraju golemu količinu podataka i znanja o vašem poslovanju.

Margins povezuje AI s postojećim sustavima kako bi proizvođači ranije uočili probleme, automatizirali ponavljajuće poslove i zaposlenicima pružili bolje informacije za odlučivanje.

- Istražite mogućnosti primjene AI-ja

- Kontaktirajte nas

Povezani podaci iz pogona i ranije uočavanje promjena.

Gdje AI može pomoći

## Podaci koje vaša proizvodnja već stvara.

Podaci nastaju neprekidno, a važno je na vrijeme prepoznati što od toga traži reakciju.

1. 01 Stroj počne raditi drukčije.

2. 02 Isti se nedostaci počnu ponavljati.

3. 03 Proizvodnja uspori.

4. 04 Isti se problem s održavanjem ponavlja.

5. 05 Promijeni se ulazna sirovina ili komponenta dobavljača.

6. 06 Parametri procesa izađu izvan uobičajenih granica.

7. 07 Rukovatelj primijeti nešto neuobičajeno.

8. 08 Važna iznimka zapisana je samo u nekom dokumentu.

9. 09 Proizvodnja počne kasniti za planom.

AI može pomoći da se na temelju tih informacija pravodobno donesu odluke.

Bolji uvid u rad pogona

## Vaši proizvodni sustavi već prikupljaju brojne podatke o radu pogona.

- ERP

- MES

- SCADA

- Sustavi za upravljanje kvalitetom

- Sustavi za održavanje

- Senzori

- Tablice

- Proizvodni izvještaji

Sustavi stvaraju velike količine informacija, ali netko ih i dalje mora protumačiti.

01

### Bilježenje

Što se dogodilo?

02

### Prepoznavanje odstupanja

Što je neuobičajeno?

03

### Razumijevanje

Što to znači?

04

### Predviđanje

Što bi se moglo dogoditi?

05

### Preporuka

Čemu se posvetiti?

06

### Reakcija

Što sada poduzeti?

Ti se podaci mogu znatno bolje iskoristiti.

Otkrivanje odstupanja

## Mala odstupanja mogu prerasti u skupe probleme.

ML modeli mogu analizirati povijesne i aktualne podatke i prepoznati ponašanje koje odstupa od očekivanog: temperaturu, tlak, trajanje ciklusa, potrošnju energije, vibracije, protok, učestalost pogrešaka, mjerenja kvalitete, rad strojeva i proizvodni učinak.

Vibracije · Linija 2 · ilustrativni primjer **Odstupanje od očekivanog raspona**

Očekivani raspon Sada

- Otkrivanje odstupanja u procesima

- Otkrivanje odstupanja u proizvodnji

- Praćenje ponašanja opreme

- Odstupanja u kvaliteti

- Odstupanja u potrošnji energije

- Promjene protoka i učinka

- Slučajevi koji traže posebnu pozornost

Što ranije uočite promjenu, to više vremena imate za reakciju.

Prediktivno održavanje

## Sprječavanje kvarova prije zastoja proizvodnje.

Uz održavanje po rasporedu i popravak nakon kvara, s dovoljno podataka moguće je i održavanje prema stanju opreme.

01

### Po rasporedu

Servisirajte opremu u unaprijed određenim intervalima.

02

### Nakon kvara

Popravite opremu kad nešto otkaže.

03

### Prema stanju opreme

Pratite stanje opreme i servisirajte je kad je potrebno.

1. 01 Praćenje stanja opreme

2. 02 Prepoznavanje rizika

3. 03 Rano upozorenje

4. 04 Zahvat održavanja

Cilj je dobiti dovoljno vremena da kvar ne zaustavi proizvodnju.

Kvaliteta

## Veći opseg kontrole kvalitete bez dodatnog opterećenja zaposlenika.

- Vidljivi nedostaci

- Komponente koje nedostaju

- Neispravna montaža

- Nepravilnosti na površini

- Problemi s ambalažom

- Pogreške na etiketama

- Odstupanja u mjerenjima

- Odstupanja u procesima

- Neusklađenosti u dokumentaciji

01 **Računalni vid**

Provjera onoga što se vidi okom.

02 **Strojno učenje**

Analiza izmjerenih vrijednosti.

03 **Automatizacija uz AI**

Obrada dokumenata i zapisa.

Rutinske provjere mogu se automatizirati, a stručnjaci se bave iznimkama.

Analiza vizualnih podataka

## Kamere kao još jedan izvor podataka iz pogona.

Računalni vid pretvara fotografije i video u strukturirane podatke koje softver može obraditi. Moguće primjene u proizvodnji:

- Otkrivanje nedostataka

- Provjera montaže

- Razvrstavanje proizvoda

- Brojenje predmeta

- Pregled ambalaže

- Prepoznavanje zaštitne opreme

- Provjera izvođenja procesa

- Praćenje zaliha

Ako zaposlenici neki nedostatak redovito prepoznaju golim okom, vrijedi provjeriti može li taj posao preuzeti računalni vid.

[Računalni vid](https://margins.agency/hr/usluge/razvoj-ai-rjesenja)

Linija za pregled · ilustrativni primjer ● uživo

ISPRAVNO

PROVJERITI

1. Kamera

2. Slika

3. Prepoznavanje

4. Razvrstavanje

5. Usporedba

6. Prihvaćanje ili dodatna provjera

AI asistenti

## Tehničko znanje dostupno u svakoj smjeni.

Proizvodne tvrtke imaju golemu količinu tehničkog znanja. AI može pronalaziti relevantne informacije u odobrenim internim izvorima i kombinirati ih s općim znanjem modela.

- Priručnici

- Standardni radni postupci

- Dokumentacija održavanja

- Postupci kontrole kvalitete

- Dokumentacija strojeva

- Prethodni incidenti

- Proizvodne upute

- Specifikacije

- Inženjerska dokumentacija

- E-pošta

- Iskustvo zaposlenika

Znanje mora biti dostupno ondje gdje se koristi: u pogonu.

Asistent za rukovatelje · primjer odobreni izvori

- „Što znači kod pogreške 472?”

- „Koji je postupak za ovaj kvar?”

- „Kad je ovaj problem zadnji put prijavljen?”

- „Koji je zamjenski dio odobren?”

- „Koje su dopuštene granice kvalitete za ovaj proizvod?”

- „Što trebam provjeriti prije ponovnog pokretanja stroja?”

Odgovor na temelju priručnika, radnih postupaka i povijesti incidenata

Capta

## Dio najvažnijeg znanja o pogonu nikad nije zapisan.

- 01 — Iskusan rukovatelj čuje da stroj zvuči drukčije.

- 02 — Tehničar održavanja zna koji kvar obično slijedi nakon kojeg.

- 03 — Voditelj proizvodnje zna zašto se proces drukčije ponaša kod određenog proizvoda.

- 04 — Stručnjak za kvalitetu prepoznaje iznimku koje nema u priručniku.

Takvo se znanje možda gradilo dvadeset godina, a često ga imaju samo pojedini iskusni zaposlenici. Capta pomaže da se to znanje zabilježi i uredi tako da ga mogu koristiti i zaposlenici i AI sustavi.

Strojevi stvaraju podatke, a zaposlenici ih tumače na temelju iskustva. AI je najkorisniji kad može koristiti i jedno i drugo.

[Istražite Captu](https://margins.agency/hr/proizvodi/capta)

Znanje dostupno cijeloj tvrtki

## Brz odgovor iz tisuća stranica dokumentacije.

- Pitanje — „Pokaži mi postupak održavanja za liniju 4.”

- Pitanje — „Koji je propisani moment pritezanja za komponentu X?”

- Pitanje — „Što se promijenilo između ove dvije verzije radnog postupka?”

- Pitanje — „Koji postupak kontrole kvalitete vrijedi za ovaj nedostatak?”

Zaposlenici iz baze znanja dobivaju izravan odgovor s navedenim izvorom.

Danas

1. Traženje sustava

2. Traženje dokumenta

3. Otvaranje PDF-a

4. Traženje stranice

5. Tumačenje sadržaja

Uz AI

1. Pitanje

2. Dohvat odobrenih informacija

3. Odgovor s kontekstom

4. Provjera izvora

5. Sljedeći korak

AI obrada dokumenata

## Velik dio podataka u proizvodnji i dalje je u dokumentima.

- Narudžbenice

- Certifikati

- Izvještaji o pregledima

- Dokumenti dobavljača

- Evidencije kvalitete

- Radni nalozi

- Izvještaji održavanja

- Računi

1. 01 **Dokument**

2. 02 **Razumijevanje sadržaja**

3. 03 **Izdvajanje podataka**

4. 04 **Razvrstavanje**

5. 05 **Provjera**

6. 06 **Ažuriranje sustava**

7. 07 **Provjera iznimke uz zaposlenika**

Podatke iz PDF-a više nije potrebno prepisivati ručno.

Održavanje

## Cjelovita slika problema za tehničare.

Nakon zahvata tehničar zabilježi što je utvrdio i napravio, a taj zapis postaje dio baze znanja za buduće intervencije.

Današnje upozorenje **Stroj 04 — Kvar 472**

S dodatnim informacijama · ilustrativni primjer **Stroj 04**

- Kvar 472

- Nedavna povijest Isti se kvar pojavio dvaput u 60 dana.

- Dokumentacija Pronađen odgovarajući servisni postupak.

- Prethodno rješenje Zamijenjen sklop ventila.

- Dio Zamjena dostupna na zalihi.

- AI prijedlog Pregledati sklop ventila prije ponovnog pokretanja.

Svaki riješeni problem pomaže da se sljedeći riješi brže i bolje.

Planiranje proizvodnje

## Dobar plan proizvodnje mora biti otporan na promjene.

AI i optimizacijski algoritmi mogu planerima pomoći da usporede više scenarija i sagledaju posljedice promjena, uzimajući u obzir:

- Narudžbe

- Kapacitet strojeva

- Zaposlenike

- Materijale

- Izmjene alata i pripremu strojeva

- Održavanje

- Ugovorene rokove isporuke

- Ovisnosti među proizvodima

- Smjenski rad

- Zalihe

- Prioritete

Softver uspoređuje scenarije, a planeri odlučuju koji su kompromisi prihvatljivi.

Izmjena plana · ilustrativni primjer 10:24

1. Stiže hitna narudžba **upozorenje**

2. Proizvodni raspored **treba prilagoditi**

3. Dostupnost materijala **provjerena**

4. Kapacitet strojeva **procijenjen**

5. Rokovi isporuke **uspoređeni**

6. Alternativni planovi **pripremljeni**

7. Planer **odlučuje**

AI u pogonu

## AI mora biti dostupan i zaposlenicima u proizvodnji.

Upravo oni koji su najbliže proizvodnji često najteže dolaze do informacija koje im trebaju.

- Rukovatelji strojevima

- Tehničari

- Timovi za kvalitetu

- Skladišni djelatnici

- Voditelji smjena

AI im može biti dostupan putem:

- Mobilne aplikacije

- Tablete

- Radne stanice

- Glasovna sučelja

- Asistente unutar postojećih aplikacija

- Sučelja uz strojeve

Pristup znanju ondje gdje se donose odluke.

Glasovna primjena AI-ja

## U pogonu nije uvijek praktično tipkati.

Znanje iz pogona bilježi se glasom, bez ručnog unosa podataka.

- Oprema **Linija 3**

- Događaj **Neplanirani zastoj**

- Uzrok **Istrošen pogonski remen**

- Zahvat **Remen zamijenjen**

- Trajanje zastoja **36 minuta**

- Sljedeći korak **Provjeriti poravnanje**

- Evidencija održavanja **Ažurirana**

Povezivanje sustava

## AI treba informacije iz svih dijelova pogona.

Korisno AI rješenje u proizvodnji može trebati podatke iz ERP-a, MES-a, SCADA-e, CMMS-a, QMS-a, WMS-a, PLC-ova i drugih industrijskih sustava, baza podataka, senzora, dokumenata i softvera po mjeri. Margins AI povezuje s tim izvorima, uz postojeće sustave na kojima proizvodnja već počiva.

Pogonu treba AI koji je povezan s njegovim sustavima i prilagođen načinu na koji se u njemu radi.

[Povezivanje s poslovnim sustavima](https://margins.agency/hr/tehnologija/povezivanje-sustava)

Postojeća tehnologija

## AI u pogonu koji se gradio desetljećima.

AI rješenje mora se prilagoditi zatečenom stanju. Ovisno o sustavu, Margins koristi API-je, baze podataka, tokove prijenosa i obrade podataka, prilagođene konektore, automatizaciju i dodatni softver kako bi postojeća tehnologija postala dio rješenja.

- Suvremene platforme u oblaku.

- Stariji ERP sustavi.

- Industrijski softver.

- Aplikacije po mjeri.

- Lokalne baze podataka.

- Strojevi različitih generacija.

- Tablice.

- Ručni postupci.

1. **Modernizacija** gdje donosi korist.

2. **Povezivanje** gdje je moguće.

3. **Zamjena** samo kad je nužna.

AI u privatnom okruženju

## AI može obrađivati proizvodne podatke i unutar vaše tvornice.

Rješenje se može prilagoditi okruženju pod vašim nadzorom: privatnom oblaku, lokalnoj infrastrukturi ili radu na vlastitim poslužiteljima. To vrijedi za privatne jezične modele, pretraživanje internog znanja uz RAG, računalni vid, prediktivne modele, lokalnu automatizaciju, AI agente i obradu uz sam izvor podataka.

[AI u vašem okruženju](https://margins.agency/hr/tehnologija/privatni-ai)

Zahtjevi koje uzimamo u obzir

- Proizvodni podaci

- Intelektualno vlasništvo

- Nacrti proizvoda

- Procesi

- Podaci o kupcima

- Podaci sa strojeva

- Mrežna povezanost

- Infrastruktura

- Lokacija pohrane i obrade podataka

AI u oblaku samo je jedna od mogućnosti.

AI uz izvor podataka

## Obrada podataka ondje gdje nastaju.

Neke industrijske primjene AI-ja bolje rade uz samu kameru, liniju, stroj, lokalni poslužitelj ili industrijsko računalo. Takav je pristup prikladan kad je važno:

- Brzo vrijeme odziva

- Lokalna obrada

- Otpornost na prekide

- Rad uz ograničenu povezanost

- Obrada velikih količina podataka

- Strože ograničavanje pristupa podacima

Za mnoge odluke u pogonu podatke ne treba slati u oblak.

1. 01 **Kamera, stroj ili senzor**

2. 02 **AI obrada na lokalnom uređaju**

3. 03 **Lokalna odluka**

4. 04 **Reakcija**

5. 05 **Središnji sustav i evidencija**

AI agenti u poslovnim procesima

## Osim što pronalazi informacije, AI može i koordinirati posao.

AI agent mogao bi provesti sljedeći niz koraka, uz jasno ograničen pristup i razinu samostalnosti.

1. 01 Prepoznati iznimku u radu pogona.

2. 02 Dohvatiti relevantne proizvodne podatke.

3. 03 Provjeriti dokumentaciju.

4. 04 Utvrditi na koje narudžbe problem utječe.

5. 05 Otvoriti zadatak održavanja.

6. 06 Pripremiti sažetak za voditelja.

7. 07 Obavijestiti odgovornu osobu.

8. 08 Pratiti je li problem riješen.

Što AI više može poduzeti, to preciznije treba odrediti što smije raditi.

Mogućnosti primjene AI-ja u proizvodnji

## Gdje bi AI mogao unaprijediti rad vašeg pogona?

Prijeđite pokazivačem ili dodirnite dio pogona da biste vidjeli koje bi primjene AI-ja tu vrijedilo istražiti.

Upravljanje poslovanjem

- Uvid u rad pogona

- Određivanje prioriteta za iznimke

- Prognoze

Dobavljači

- Prepoznavanje slučajeva koji traže pozornost

Materijali

- Informacije o materijalima

Proizvodnja

- Analiza podataka iz proizvodnje

- Podrška planiranju

- Računalni vid

- Otkrivanje odstupanja

- Obrada dokumentacije o kvaliteti

Skladište

- Analiza zaliha

- Vizualno prepoznavanje

- Automatizacija poslova

Strojevi

- Rani znakovi problema

- Asistenti za pristup znanju

- Automatizacija zadataka održavanja

Ljudi

- AI asistenti

- Pristup znanju

- Glasovno izvještavanje

Podaci

- Povezani MES, ERP i QMS

- Planiranje: rasporedi, kapaciteti i promjene potražnje

AI

- Prepoznavanje, predviđanje i podrška

- Ljudska provjera i odobravanje

Strateška AI radionica

## Najprije utvrdimo što u pogonu treba unaprijediti.

Krenimo od ovih pitanja:

- Gdje gubimo proizvodno vrijeme?

- Koji se problemi s kvalitetom ponavljaju?

- Za koje odluke treba previše vremena?

- Gdje ključno znanje ima samo jedan iskusan zaposlenik?

- Koji proces traži stalno ručno usklađivanje?

- Gdje se podaci ručno prenose između sustava?

- Što redovito otkrivamo prekasno?

- Na koje ponavljajuće poslove trošimo vrijeme kvalificiranih radnika?

[Strateška AI radionica](https://margins.agency/hr/usluge/strateska-ai-radionica)

1. 01 **Poslovni problem**

2. 02 **Proces**

3. 03 **Dostupni podaci**

4. 04 **Moguća primjena AI-ja**

5. 05 **Korist × izvedivost**

6. 06 **Prva primjena**

Za prvi projekt odaberite primjenu s mjerljivom koristi koja ujedno olakšava sljedeće korake.

AI transformacija poslovanja

## AI možete uvoditi postupno.

Krenite od jednog važnog problema. Svaka primjena donosi podatke, integracije i iskustvo koji olakšavaju sljedeću.

1. 01 **Kvaliteta** *Ranije prepoznavanje nedostataka.*

2. 02 **Održavanje** *Lakši pristup znanju za otklanjanje kvarova.*

3. 03 **Dokumenti** *Automatizacija ponavljajuće obrade.*

4. 04 **Proizvodnja** *Prepoznavanje odstupanja u radu.*

5. 05 **Planiranje** *Bolja podrška odlučivanju.*

6. 06 **Znanje** *Bilježenje iskustva zaposlenika.*

7. 07 **Povezivanje procesa** *Povezivanje podataka i odluka iz različitih dijelova pogona.*

Način rada

## AI se treba oslanjati na znanje koje ste godinama stjecali u pogonu.

Podaci sa strojeva **Što se događa?**

Poslovni podaci **Na što to utječe?**

Dokumentirano znanje **Što bi se trebalo dogoditi?**

Iskustvo zaposlenika **Što smo naučili u praksi?**

= **Bolje razumijevanje rada pogona**

AI je najkorisniji kad poznaje način na koji vaše poslovanje funkcionira u praksi.

Zašto Margins za proizvodnju

## Za AI u industriji treba cjelovit sustav.

01

### Poslovna potreba na prvom mjestu

Krećemo od problema u radu i rezultata koji se može izmjeriti.

02

### AI i softver

Razvijamo AI i prateći softver spreman za svakodnevno korištenje.

03

### Računalni vid, strojno učenje i jezični modeli

Za svaki problem biramo odgovarajuću tehnologiju; generativni AI nije uvijek potreban.

04

### Povezivanje poslovnih sustava

Povezujemo postojeći ERP, podatke, dokumente i sustave pogona.

05

### Rad u privatnom okruženju

Kad treba, rješenje projektiramo za okruženje pod vašim nadzorom i vlastitu infrastrukturu.

06

### Forward Deployed Engineers

Inženjeri prate rad sustava u pogonu i prilagođavaju ga složenim uvjetima proizvodnje.

07

### Upravljanje i održavanje AI sustava

Rad AI sustava pratimo i poboljšavamo i nakon implementacije.

Iskustvo na kojem gradimo

## Tehnologiju smo već provjerili u praksi, a rezultat se potvrđuje u vašem pogonu.

Iskustvo iz drugih industrija ne predstavljamo kao reference iz proizvodnje. S nama dobivate tim koji je AI i softver već uveo u svakodnevni rad složenih poslovnih sustava.

**40+** stručnjaka

**60+** završenih projekata

**100+ mil. USD** izmjerene poslovne vrijednosti kod naših klijenata

**11.** Deloitte Technology Fast 50 za srednju Europu

## Povezane usluge i tehnologije

### [Računalni vid](https://margins.agency/hr/usluge/razvoj-ai-rjesenja)

Pretvorite vizualne informacije u strukturirane podatke korisne za rad pogona.

Računalni vid →

### [Prediktivni AI](https://margins.agency/hr/usluge/razvoj-ai-rjesenja)

Prepoznajte obrasce i promjene prije nego što postanu očiti.

Prediktivni AI →

### [Interno znanje i RAG](https://margins.agency/hr/usluge/razvoj-ai-rjesenja)

Omogućite zaposlenicima brz pristup tehničkoj dokumentaciji i znanju tvrtke.

AI za pristup internom znanju →

### [AI u vašem okruženju](https://margins.agency/hr/tehnologija/privatni-ai)

Pokrenite AI unutar industrijskog okruženja pod vašim nadzorom.

AI u vašem okruženju →

### [Povezivanje s poslovnim sustavima](https://margins.agency/hr/tehnologija/povezivanje-sustava)

Povežite AI sa sustavima na kojima pogon već radi.

Povezivanje s poslovnim sustavima →

## Gdje danas gubite vrijeme, znanje ili uvid u rad pogona?

S vašom upravom i operativnim timovima proći ćemo procese, podatke i sustave povezane s problemom i utvrditi može li AI donijeti mjerljivo poboljšanje.

[Istražite mogućnosti primjene AI-ja](https://margins.agency/hr/kontakt)

Kontaktirajte nas →

Upoznajmo rad pogona i zajedno odredimo odakle krenuti.