Wywiad z dr. Mateuszem Gliszczyńskim – ENOVIA NETVIBES Industry Process Consultant Senior Manager, Dassault Systèmes. Rozmawia Rafał Wasilewski – redaktor naczelny magazynu i portalu „Nowoczesny Przemysł”.
Rafał Wasilewski: Jakie główne trendy obserwuje Pan w dziedzinie sztucznej inteligencji na przestrzeni ostatnich kilku lat?
Mateusz Gliszczyński: Sztuczna inteligencja pozwala na wykonywanie skomplikowanych zadań i procesów, bazując na algorytmach, które uczą się, rozpoznają wzorce i zależności w danych. W obszarze zarządzania cyklem życia produktu (PLM), projektowania 3D i symulacji można wyróżnić kilka istotnych trendów. To m.in. wykorzystanie AI i wirtualnych bliźniaków (ang. Virtual Twins). AI umożliwia zaawansowane symulacje, optymalizację oraz przewidywanie awarii produktów, maszyn i systemów, bazując na Virtual Twin – cyfrowej reprezentacji fizycznego obiektu, systemu lub procesu.
Kolejnym przykładem jest wykorzystanie AI w predictive maintenance, gdzie AI analizuje dane z czujników maszyn, przewidując możliwe awarie i optymalizuje harmonogramy konserwacji, co zmniejsza przestoje i koszty operacyjne. I wreszcie generative design, gdzie AI optymalizuje projekty inżynieryjne, co pozwala inżynierom na szybsze testowanie setek rozwiązań i wybór najbardziej efektywnych pod kątem kosztów, wytrzymałości i materiałów, a także wpływu na środowisko.
Rafał Wasilewski: Które sektory przemysłu Pana zdaniem najaktywniej wdrażają technologie AI i dlaczego?
Mateusz Gliszczyński: W ostatnich latach w obszarze zaawansowanych technologii można wyróżnić trzy sektory przemysłu, w których technologie AI są wdrażane na dużą skalę. To branże, które charakteryzują się szybkim tempem rozwoju i innowacyjnością. Są to: branża automotive, lotnictwo, a także branża medyczna.
Tutaj duże znaczenie ma zarówno wysoki poziom zaawansowania technologicznego, jak i aspekt regulacji. Proszę sobie wyobrazić, jak dużo pracy należy włożyć w adaptację produktu, którego zmiana jest spowodowana nowymi wymaganiami dotyczącymi tysięcy części. Sam proces analizy wpływu nowych wymagań związanych z bezpieczeństwem może trwać tygodnie. Do tego trzeba doliczyć czas na proces projektowania, symulacji i certyfikacji. Tak skomplikowane procesy rozwoju produktu wymuszają optymalizacje na firmach, które w przeciwnym razie stałyby się mniej konkurencyjne – głównie ze względu na dłużący się proces rozwoju produktu i produkcji.
Rafał Wasilewski: Jakie są długoterminowe efekty wdrożenia AI w przemyśle? Jak wpłynie to na globalną konkurencyjność?
Mateusz Gliszczyński: To przede wszystkim poprawa efektywności operacyjnej i jakości produktów, a także obniżenie kosztów. Warto przeanalizować, dlaczego jest to tak istotne.
Zaawansowana automatyzacja rutynowych i czasochłonnych zadań prowadzi do zwiększenia wydajności, redukcji kosztów operacyjnych i zmniejszenia liczby błędów. Przemysł może korzystać z zaawansowanej analizy danych i optymalizacji procesów, co przyczynia się do bardziej efektywnego wykorzystania zasobów i szybszego reagowania na zmieniające się warunki rynkowe. Dodatkowo firmy, które skutecznie wdrażają AI, mogą uzyskać przewagę konkurencyjną poprzez obniżenie kosztów, poprawę jakości produktów i zwiększenie innowacyjności. Może to prowadzić do zmiany układu sił na rynku, gdzie zaawansowane firmy technologicznie będą mogły dominować, a mniej innowacyjne mogą mieć trudności z utrzymaniem konkurencyjności.
Rafał Wasilewski: Jakie kluczowe kroki powinny podjąć firmy, które dopiero zaczynają wdrażać rozwiązania oparte na sztucznej inteligencji? Na jakie błędy powinny uważać?
Mateusz Gliszczyński: Pierwszym krokiem jest zdefiniowanie celu i strategii odnośnie do tego, jaki obszar należy objąć wdrożeniem i co firma chce uzyskać w zamian za poniesione koszty.
Drugim krokiem, niezbędnym do wdrożenia rozwiązań opartych na sztucznej inteligencji, jest digitalizacja zasobów. Dostęp do danych stanowi kluczowy czynnik, odpowiadający za ogromny potencjał sztucznej inteligencji. Jest to szczególnie ważne ze względu na rozpoznawalność zależności, poprawność przewidywania wyników czy budowanie bardziej precyzyjnych i dokładnych modeli.
Trzecim krokiem jest wdrożenie AI, integracja lub adaptacja istniejących systemów i procesów. I to ten krok zwykle bywa najbardziej skomplikowany ze względu na infrastrukturę, doświadczenie pracowników, bezpieczeństwo i aspekty etyczne.
Rafał Wasilewski: Czy widzi Pan różnice w sposobie, w jaki różne sektory przemysłu podchodzą do implementacji AI? Jak sztuczna inteligencja wpływa np. na transformację branży TM oraz AD?
Mateusz Gliszczyński: Oczywiście, każda branża jest motywowana innymi czynnikami. Przykładowo, w branży automotive standardy technologiczne i regulacje prawne często ulegają zmianom, czyniąc kluczową każdą decyzję projektową. Projektanci muszą balansować między ceną, wagą, emisją CO2, bezpieczeństwem i innymi kluczowymi kryteriami. Dzięki wirtualnym bliźniakom, wspieranym przez sztuczną inteligencję, projektanci mogą łatwo przeanalizować wpływ swoich decyzji na późniejsze etapy powstania aut lub ich części. Te rozwiązania z zakresu symulacji i projektowania umożliwiają zespołom współpracę, zapewniając spełnienie wskaźników KPI związanych z projektowaniem, inżynierią i jakością, jednocześnie maksymalizując rentowność pojazdów.
Z kolei w lotnictwie AI jest szybko wdrażana z innych powodów – tu kluczowe są redukcja kosztów utrzymania floty oraz maksymalizacja jej dostępności dla końcowych klientów. AI poprawia także satysfakcję klientów, zachowanie wiedzy, rentowność oraz wspiera cele zrównoważonego rozwoju w całym cyklu życia produktu.
Rafał Wasilewski: W jaki sposób Dassault Systèmes wspiera klientów w procesie adopcji AI?
Mateusz Gliszczyński: Firma Dassault Systèmes posiada sieć centrów badawczych, laboratoriów innowacji, a także jest zaangażowana w wiele projektów badawczych (np. Living Heart w obszarze branży medycznej, mający na celu symulację zachowania elektromechanicznego bijącego ludzkiego serca). Dostęp do rozbudowanej infrastruktury, dużej puli wyspecjalizowanych ekspertów z zakresu rozwoju produktu, projektowania, symulacji i produkcji umożliwia rozwiązywanie najbardziej zaawansowanych problemów i optymalizację rozwiązań z użyciem AI. Dodatkowo, bazując na doświadczeniu zdobytym podczas pracy z ogromną liczbą klientów, znamy zestaw kompleksowych rozwiązań branżowych dostosowanych do całego cyklu życia produktu.
Rafał Wasilewski: Jakie korzyści dla firm niesie ze sobą integracja AI z virtual twin experience od Dassault Systèmes?
Mateusz Gliszczyński: Virtual twin experience to zaawansowana cyfrowa replika fizycznych obiektów, procesów, systemów lub całych środowisk, która łączy w sobie dane, symulacje i technologie analityczne. To ewolucja koncepcji digital twin (cyfrowego bliźniaka), rozszerzona o bardziej interaktywne, zintegrowane i współpracujące środowisko, w którym użytkownicy mogą doświadczać i testować różne scenariusze, przed podjęciem decyzji w rzeczywistości (np. poprzez virtual lub augmented reality).
Integracja AI z virtual twin experience pozwala na analizowanie ogromnych ilości danych pochodzących z czujników, systemów produkcyjnych i operacyjnych. AI optymalizuje te dane, identyfikując wzorce i anomalie, co umożliwia automatyczne dostosowywanie procesów w celu ich poprawy.
Virtual twin experience umożliwia także zaawansowane symulacje teraźniejszych i przyszłych scenariuszy. Dodatkowo integruje także technologie VR i AR, oferując interaktywne doświadczenia i wspierając innowacje poprzez wirtualne prototypowanie, a nie tylko optymalizację istniejących produktów.
Rafał Wasilewski: Czy może Pan opowiedzieć o najbardziej zaawansowanych projektach, w których wykorzystano virtual twin experience powered by AI?
Mateusz Gliszczyński: Zaawansowane projekty z wykorzystaniem virtual twin experience wspierane przez AI są realizowane w różnorodnych branżach. Zaczynając od lotnictwa, gdzie algorytmy AI pozwalają na zaawansowaną symulację wydajności, przewidywanie potencjalnych awarii oraz optymalizację produkcji statków powietrznych w czasie rzeczywistym. Innym przykładem jest sektor produkcyjny, gdzie monitorowanie w czasie rzeczywistym, przewidywanie potencjalnych problemów oraz optymalizacja zużycia energii i surowców umożliwiają bardziej zrównoważoną produkcję, redukcję odpadów i emisji CO2.
Zupełnie innym przykładem jest model ludzkiego organu, wykorzystywany w medycynie do testowania nowych leków, procedur chirurgicznych oraz personalizowanych terapii. Takich innowacyjnych projektów będzie przybywać, bo technologia wirtualnych bliźniaków w połączeniu ze sztuczną inteligencją wprowadziła poważną zmianę paradygmatu w zakresie sposobu, w jaki rozwiązujemy aktualne i przyszłe problemy. Zdecydowanie przekształcają też model funkcjonowania przedsiębiorstw na co dzień.
Rafał Wasilewski: Dziękuję za rozmowę.
 Mateusz Gliszczyński prowadzi projekty transformacji cyfrowej w dużych organizacjach w Europie Zachodniej i Środkowej, obejmujące regiony DACH i CEE. Kieruje zespołami odpowiedzialnym za zarządzanie cyklem życia produktu i data science. Posiada 10-letnie doświadczenie w zarządzaniu cyklem życia produktu, od ponad siedmiu lat pracuje w Dassault Systèmes. Wcześniej zdobywał doświadczenie w IMS Consutling Group, Philips Healthcare, McKinsey & Company oraz Boston Consulting Group. Uzyskał tytuł magistra na Politechnice Warszawskiej, jest absolwentem Uniwersytetu w Ulsan w Korei Południowej, posiada certyfikat PMP oraz tytuł doktora w dziedzinie zarządzania innowacjami. |
źródło: Nowoczesny Przemysł / Dassault Systèmes
