Nyheter, Nyhetsbrev

Har vi effektiviserat bort förmågan att innovera?

Under de senaste 30 åren har vi fokuserat på att effektivisera och bygga kompetenser kring produktivitet. I arbetet med effektiviseringar och produktivitetsoptimering tycks vi delvis glömt bort vilka förutsättningar som krävs för att innovera.

Anders Wikström arbetar som senior forskare på RISE och är expert inom innovationsledning. Under de senaste åren har han utfört flera mätningar, analyser och coachning kring innovationsförmåga hos flera företag i och runt processindustrin på uppdrag av PiiA. Vad är det då vi behöver göra?

”Det arbete vi gjort kring innovationsmätningar inom PiiA visar att vi behöver lära oss ledarskap för innovation. Ser vi framåt så kommer vi de närmsta åren med största sannolikhet arbeta mer och mer med en ökad förmåga till innovation utifrån den nya standard som handlar om ledarskap för innovation. Vi måste både leda och organisera oss för det arbetet,” berättar Anders.

Vi är duktiga på att hantera enkla situationer och lösa enkla problem, men när det kommer till utmaningar kring digitalisering och innovation måste vi gräva djupare i problemet för att hitta en ny och bra lösning. Våra hjärnor försöker helt enkelt förenkla och gå i gamla spår och har vi bråttom kommer vi därför inte tänka nytt. Det vi kan se genom vår kartläggning och det arbete vi utfört med bolag i processindustrin är att de när de ska in i en digitaliseringsprocess behöver innovationsledning för att nå lyckade resultat.

Industrin ligger ofta ett steg före i utveckling och nya metoder men just när det gäller innovationsledning ser vi att offentliga verksamheter i vissa fall ligger industrin. En del av förklaringen ligger säkerligen i att man i offentlig verksamhet ofta har en lång tidshorisont. Tar vi oss verkligen tid att definiera utmaningen så kan vi hantera den och bli mer innovativa, i industrin ser vi dock att man ofta har för bråttom och griper efter en snabb lösning av problemet. Det leder ofta till att man minskar symptomen, men man kanske inte kommer åt rotorsaken till varför problemet uppstår från början. Det vi behöver göra är att skapa en strategi för innovationsledning i bolagen och titta på andra typer av KPI’er än de traditionella för industrin. Flera organisationer har börjat experimentera kring detta och lyfta in till exempel lärande som ett viktigt mätetal. När organisationen börjar förstå innovation på djupet och förstå förutsättningarna så hamnar frågorna på ledningsgruppens agenda.

På många teknikdrivna bolag ser vi att nya roller skapas kring innovationsledning, titeln chief innovation officer har börjat bli vanlig, i Silicon Valley ser vi även att titeln chief disruptive officer dyker upp på allt fler bolag. Man nöjer sig alltså inte bara med en ledningsgruppsroll inom innovation utan signalerar att det krävs ett ansvar kring disruptivitet; när förutsättningarna förändras är man beredd att agera. Man bygger upp en kapacitet för att hantera förändring och man bildar allianser både internt inom bolaget och med andra bolag i och utanför sin egen bransch. Det är en viktig signal på att man tar frågan på högsta allvar i andra branscher, det behöver man även göra i processindustrin. Ta innovationsledning på minst lika stort allvar som projektledning där vi är otroligt duktiga idag. Projektledning handlar dock om att minimera risk, när det kommer till innovationsledning vill vi istället maximera möljlighet till värde, det är inget motsatsförhållande men absolut ett annat angreppssätt.

Industrin är världsmästare på produktivitet och effektivitet, om vi kan bli lika starka kring innovationsförmåga har vi en enorm potential!

Här kan du läsa den fullständiga rapporten från arbetet med PiiA Innovation.

 

Anders är med i arbetet med att ta fram standarden för innovationsledning, där vissa delar redan publicerats medan andra kommer under de närmsta åren. Den nya standarden ger ett ramverk för att strukturera upp arbetet och man kan använda den som en checklista och välja ut punkter som är relevanta för sin egen organisation och arbete. Läs mer om standarden här. 

---

Maskininlärning för att förstå och optimera processer

Som en följd av de resultat som uppnåddes inom ramen för projektet Den Digitala Stambanan har en spännande PiiA-aktivitet runt artificiell intelligens (AI) och maskininlärning genomförts i samverkan mellan företagen BillerudKorsnäs, Quva Oy och forskningsinstitutet RISE. Insikterna från arbetet visar på potentialen med ny teknik för att förstå och optimera processer, samtidigt som det visar att det inte finns några enkla vinster att hämta hem.

Tankarna kring detta inleddes hösten 2016 med ett möte mellan Helena Jerregård, RISE (då VD för SICS Swedish ICT Västerås AB) och Olle Steffner, director of IP management vid BillerudKorsnäs. De talade om spjutspetsprojekt som skulle genomföras där Vinnova ville se projekt som bröt mark vad gällde artificiell intelligens, vilket i den här kontexten omfattar maskininlärning och djupinlärning.

– Då vi var intresserade av detta så tackade vi ja på stående fot, vi hade tidigare från ledningen fått uppdraget att undersöka området och vad det kunde innebära för oss, berättar Olle. Då var det här förhållandevis nya begrepp och det var många som funderade kring vad det kunde betyda i förlängningen. Att digitalisering var något väsentligt för industrin var en ganska färsk insikt.

Olle och hans kollegor träffade olika parter i ett ”förkonsortium”, vilket ledde till Vinnova-projektet Deep Process Learning med Peltarion, Pulpeye, RISE och Sandvikens kommun. Parallellt påbörjade BillerudKorsnäs ett arbete där tanken var att se om det gick att förutsäga kappatalet för en pappersmassa, ett mått på hur välkokt den är. De hade ett antal intresserade personer på bruket i Gävle som ville se en genomlysning av en av deras kokare. Efter ett första försök med en djupinlärningsalgoritm tillsammans med Peltarion kontaktades det finska AI-programföretaget Quva som fick gå igenom samma data med sina algoritmer för maskininlärning. Deras upplägg ledde till resultat som var så pass lovande att en implementation testades, dock utan att nå hela vägen fram.

Enkelt uttryckt berodde det på att förutsägningen inte var tillräckligt tillförlitlig för att operatören skulle våga använda resultaten för styrning. De tyckte sig ändå se en affärspotential och ville gärna se en implementation av maskininlärning i en verklig process för att se hur det fungerar i verkligheten. Efter en del diskussioner beslutade de sig för att försöka igen men på ett annat bruk, där de fastnade för batchkokningen vid Karlsborgsverken. Även här fanns det eldsjälar på plats.

– Projektet startade som ett ”Proof of Concept” då vi tittade över fabriken för att se och förstå vad vi kunde göra med ny teknik, berättar Robert Storholm, systemingenjör på BillerudKorsnäs Karlsborgsverken. Diskussionerna fokuserades på tidiga delar av processen där vi kunde samla mycket data.

Här finns mycket taggar – sensorer och mätpunkter – för datainsamling, men det var samtidigt ganska ostrukturerat. Det initiala arbetet var därför att bygga en struktur kring hur taggarna hängde ihop och dess relevans för predikteringen. Enligt Tapio Manninen, IT-chef vid Quva Oy, var ändå datainhämtningen i Karlsborg enkel och det behövdes inte så mycket förbehandling av den för att den skulle vara användbar. Efter en del diskussioner hade alla en tydlig förståelse för IT-infrastrukturen och vilken data som behövdes.

– Arbetet var i linje med annan processindustri, problemet är sällan att få fram själva datan, konstaterar Tapio. Däremot krävde processen i sig med batchproduktion fördelad mellan separata kokare en del extra arbete, framförallt behövdes ordentlig domänkunskap för att identifiera rätt mätpunkter genom produktionslinjen.

De tankade ur data om hur processen hade körts under en längre tid och med hjälp av denna byggde Quva en modell för att förutsäga kappatalet. Tanken med predikteringen är att styra parametrarna för att få ett jämnare kappatal, men för att introducera systemet måste det hålla måttet större delen av tiden och det måste finnas en tilltro till att styrningen fungerar. Om det fungerat som de önskade så hade de lyckats gå från styrning med ganska grov feedback till ett mer realtidsstyrt kokarförlopp.

– Tyvärr blev det inte riktigt bra nog för att låta styrsystemet dra nytta av det, säger Robert. Vid simulering såg vi en förbättring men inte stor nog för en implementering.

Ur databehandlingssynpunkt var problemet att betydelsen av enskilda sensorers mätningar ändrades över tid på grund av den pågående processen. Exempelvis har koktemperaturen helt olika betydelse i tillagningsfasen och kylningsfas. Detta är karaktäristiskt för kontinuerliga processer, men även om komplexiteten adderade en del extra arbete så var det ingen större utmaning. Det var dock ett arbete som måste göras.

– Den största utmaningen var nog snarare att utvärdera analysens affärspotential, oavsett hur avancerade analysmetoder som utvecklas att förutsäga massakvaliteten så spelar det ingen roll förrän du kan bevisa att du uppnår en betydande processförbättring, säger Tapio. Projektet var banbrytande med tanke på att den aspekten var med från början. Även om det endast var möjligt att göra grova uppskattningar av affärsfördelarna så gav simuleringarna ändå en större insikt och kunde styra projektet i rätt riktning.

Den absolut största fördelen som Robert ser är att när de nu driver olika projekt och pratar om att samla data så vet de var de ska tagga och när, det vill säga när i processen olika parametrar är aktuella. Historiskt har de loggat sådant som varit relevant för människan, som då förstått var i processen det var. Det kan inte en maskin lära sig, algoritmerna kan nog fungera bra men de måste ha tillgång till mätningar som är relevanta.

– Vi har vänt på många stenar, naturligtvis kan vi processen men vi har lärt oss andra saker,säger Robert. Jag tror att vi kommer göra fler projekt inom samma kategori, men kanske inte satsvis utan i en kontinuerlig process.

Som Tapio nämnde är en viktig erfarenhet att förmedla att det förutom ”maskininlärnings-kunskap” såsom statistik, datainsamling och databearbetning behövs domänkunskap. Om en process ska förbättras, stabiliseras eller optimeras så måste det redan från början finnas en djup kunskap om processen på plats.

– Jag har lärt mig en hel del nytt om regleringen av batchkokning och en insikt är att de som utvecklade kokarstyrning på 60- och 70-talet var riktigt smarta och de kunde verkligen använda den teknik som fanns, säger Olle.

Budskapet är ändå att det går att använda maskininlärning för att förstå och optimera processer. Erfarenheten hittills säger samtidigt att det inte finns några stora och enkla vinster att hämta hem. Precis som vid all automation så är det ett envist arbete med att förstå processen och förstå varifrån variationerna kommer för att kunna optimera utfallet.

– Maskininlärning liknar mer ett automationsarbete än något nytt ”djur” som trollar fram nya insikter utan krav på processförståelse, avslutar Olle. Häpnadsväckande disruptioner drivna av AI kanske kommer även i vår bransch men erfarenheten härifrån är att utvecklingen närmaste åren snarare kommer att handla om problemlösningar liknande automationsutmaningar än stora upptäckter och överraskande resultat.

På bild:
Olle Steffner, director of IP management vid BillerudKorsnäs.
Robert Storholm, systemingenjör på BillerudKorsnäs Karlsborgsverken.
Tapio Manninen, IT-chef vid Quva Oy.

---

PiiA på ProcessTeknik & Scanautomatic, 6-8 oktober, Göteborg

Som nybliven samarbetspartner till ProcessTeknik ser vi på PiiA fram emot att möta nya företag och aktörer på västkusten. I denna region är processindustrin mycket stark och på mässgolvet kommer vi få se inspirerande exempel på smarta lösningar och tjänster. Den 7:e oktober arrangerar PiiA seminarier på egen scen där arbetet inom PiiA och projekt från programmet presenteras.

Läs mer här.