Muitos fabricantes de aço ainda não adotaram a IA, mas isso não significa que eles não possam. Tudo o que é necessário é uma abertura à experimentação e uma vontade de mudar.
A wide range of industrial companies are creating value by integrating AI into their
Operações
, mas os fabricantes de aço ainda ficam para trás na adoção da tecnologia. Essa é uma oportunidade perdida que continuará a piorar para o
Metals and Mining Industry
. A BCG Gamma trabalhou recentemente com empresas de siderúrgicas em dois principais mercados globais e descobriu que, conectando ativos através de dados e gerando insights para alterar as instruções de processamento (velocidade da taxa de transferência, tempo no forno, temperaturas e outros fatores) e misturas de entrada de matéria -prima, as empresas podem alcançar resultados significativos. Eles foram capazes de:
- Reduzir os custos de entrada de matéria-prima em mais de 5%.
- Melhorar a taxa de transferência em gargalos em mais de 6%. Em vez disso, eles podem aplicar lições aprendidas em outros setores para superar desafios em áreas como cultura e dados organizacionais. Além disso, as empresas precisam perceber que
- Increase end-to-end product yields by more than 15%.
To capture this opportunity, steel companies do not need to invent a solution on their own. Rather, they can apply lessons learned in other industries to overcome challenges in areas such as organizational culture and data. Moreover, companies need to realize that Implementando ai é uma jornada na qual as capacidades e a experiência são construídas com o tempo. O aço continua sendo uma indústria amplamente analógica, mas as organizações prospectivas podem tomar medidas para mudar isso-e se separar do pacote. O talento em empresas siderúrgicas ainda consiste em operadores de equipamentos e equipes de metalurgistas que desenvolvem receitas com base na experiência, tentativa e erro.
Challenges in Culture and Data
The steel industry’s slow adoption of AI is understandable, given the fact that some mills have been operating for a century or more, leading to deeply entrenched cultures and processes. The talent in steel companies still consists of equipment operators and teams of metallurgists who develop recipes based on experience and trial and error.
Dados também é um desafio. O equipamento de planta mais antigo pode não capturar os dados certos - ou qualquer um. Máquinas mais recentes podem não estar conectadas de maneiras que permitam à organização rastrear dados com precisão e consistência em um processo inteiro. Alguns processos de front-end, como fusão, moagem e recozimento, podem ser analisados e aprimorados sem dados conectados, mas fazê-lo para operações de acabamento de back-end podem ser particularmente complicados. A maioria dos investimentos de capital não se importava na coleta de dados e na maioria das plantas - mesmo novas construções - não capturam de forma abrangente dados estratégicos ou incluem a governança necessária para gerenciá -los e implantá -los de maneira eficaz. Muitos lotes são divididos em peças diferentes, dificultando a rastreamento da linhagem de qualquer parte individual. De fato, a relativa falta de progresso na IA até agora significa que os fabricantes de aço têm uma boa oportunidade de começar a gerar benefícios em termos de custo e rendimento. Tudo o que é necessário é uma mentalidade de experimentação, um compromisso de começar pequeno e uma disposição para mudar.
Both of these issues—culture and data—are exacerbated by the fact that steel manufacturing involves a series of complex steps that are rarely perfectly consistent. Many batches are split off into different pieces, making it hard to track the lineage of any individual part.
Yet those challenges are not insurmountable. In fact, the relative lack of progress in AI so far means that steel manufacturers have a good opportunity to start generating benefits in terms of cost and yield. All that’s required is a mindset of experimentation, a commitment to starting small, and a willingness to change.
Uma nova abordagem para implantar a IA em aço
The ultimate goal of any AI initiative is to have a largely automated and unsupervised process, with fully linked production assets and software that can autonomously adjust variables to generate a specific outcome—and then to improve performance over time. For most manufacturers, that reality remains in the distant future. Given their low level of AI maturity, companies need to walk before they can run. Based on our experience working with steel manufacturers, we believe long-term success requires a three-step transformation journey. (See Exhibit 1.)
1: Conduct Initial Pilots with Supervised AI (Months 1–6)
The first step is to develop basic AI capabilities and a better understanding of the company’s underlying process. A best practice at this stage is to focus on a specific product (or product family) with good data and sufficient sample size (run history) and track its production from end to end, rather than analyze a discrete process. In parallel, pilots in this first step will allow a company to understand how its data is currently being captured and deployed.
From there, you can run supervised AI for the designated product alongside the current metallurgy team. The goal is to look at the variables across the process to better understand which factors have the biggest impact in reaching a target outcome and how well the software can predict that outcome. If the AI software can’t accurately predict outcomes—highly likely at first—you’ll need to determine where you’re missing data and resolve those gaps. (Notably, the software required is not complex; it relies primarily on well-established statistical techniques like multiple regression.)
Nesta primeira etapa, vemos três problemas comuns que os fabricantes de aço experimentam: uma incapacidade de rastrear peças e peças em todo o processo de produção, uma falha na coleta ou armazenar dados sobre variáveis críticas e culturais. (Consulte o Anexo 2.)
However, all three of these challenges can be resolved with the right approach. For example, a US steel manufacturer saw a significant opportunity to improve product yields but was operating a disconnected set of assets and had never before been able to view end-to-end production process data. The company had tried to improve quality through interventions in specific processes, but its approach was slow and unresponsive because it didn’t have visibility into the broader whole. Changing a single process required several months to gather and analyze data and conduct a trial run, and even then it could only assess a small number of factors.
To improve, the company tested a new approach based on AI for several products. It started by creating a first-ever data lake to link as much end-to-end process data as possible for each production run, consolidated in a single data set for analysis. A machine-learning model evaluated parameters across end-to-end production processes and was able to integrate the results from previous runs so that the algorithm could improve over time. The new system was in place in less than eight weeks, and despite significant missing operational data, it was able to create significant insights for the metallurgy team.
Overall, using this first model improved yield by 15% for the targeted product family while also reducing variability, leading to approximately $500,000 in annual value on a single product line after eight weeks of work and three months of validating the model results in production.
While this pilot paid for itself multiple times over, it also drove confidence and excitement across the management team and highlighted key data, infrastructure, and cultural issues that would need to be solved for broader scaling of—and savings generated by—AI.
2: Initiate the “Snowball Effect” to Increase ROI and Fund Future Investments (Months 6–24)
Once you’ve built some basic AI capabilities on a single product and learned about the challenges that will need to be addressed for AI to scale, the next step is to deploy multiple waves of new models —building comfort and capabilities—while investing to address IT and data gaps in parallel. Many companies make the mistake of thinking they need to address all IT gaps before deploying AI across an entire process. But that’s not true. Companies can make faster progress by prioritizing those areas that require a low investment in technology and offer potentially high returns—particularly in critical processes such as melting or milling. Taking that kind of deliberate, sequential approach will lead to rapid momentum and accelerating returns on future AI initiatives, starting a snowball effect. This will drive bigger, bolder investments in major IT gaps and enable higher-ROI applications. (See Exhibit 3.)
A metodologia básica é semelhante à primeira etapa: conduza os pilotos para avaliar os aplicativos mais altos. Além disso, você pode começar a investir em ferramentas e tecnologias para capturar dados entre os ativos de produção, com base nas lições aprendidas na primeira etapa. O objetivo é rastrear as informações do produto com mais detalhes ao longo de uma fábrica enquanto automatizam a captura de dados, com o objetivo eventual de criar uma infraestrutura de TI e dados suficientes que possam anexar dados críticos a uma única peça de aço e armazená -lo em tempo real. Alguns processos ainda não têm dados suficientes para permitir a tomada de decisão precisa, como com produtos que não executam lotes suficientes para testar parâmetros diferentes. Por esse motivo, é importante continuar executando a IA ao lado de metalurgistas e operadores, com as recomendações de fabricação de software e as equipes humanas decidindo se essas recomendações devem ser implementadas. A abordagem paralela também ajuda as empresas a se prepararem para um futuro totalmente animado, quando a tecnologia será executada de maneira mais automática. Esta etapa também constrói o nível de conforto e parceria, as equipes de ciência de metalurgia precisam atingir o objetivo final: IA totalmente integrada. O resultado desta etapa é uma fábrica que está sempre otimizando e refinando suas etapas de processo de ponta a ponta, melhorando organicamente os rendimentos, a taxa de transferência e os custos ao longo do caminho. Para a maioria das tarefas de rotina, o processo de IA pode ser executado de forma autônoma e começar a fazer ajustes operacionais em voo ou promotos para fazê-lo, sugerindo os parâmetros de execução corretos.
During this process, it’s important to understand the limits of AI in terms of predictability. Some processes still won’t have sufficient data to allow for accurate decision making, such as with products that haven’t run enough batches to test different parameters. For this reason, it’s important to continue to run the AI alongside metallurgists and operators, with the software making recommendations and the human teams deciding whether those recommendations should be implemented. The parallel approach also helps companies prepare for a fully AI-augmented future, when the technology will run in a more-automated manner. This step also builds the level of comfort and partnership data science and metallurgy teams need to achieve the ultimate goal: fully integrated AI.
3: Embed Fully Integrated AI to Support Autonomous Decision Making (Months 24 and Beyond)
The final step—and the real objective of the three-step approach—is fully integrated AI that can run autonomously and is integrated into operational systems. The outcome of this step is a factory that is always optimizing and refining its end-to-end process steps, organically improving yields, throughput, and costs along the way. For most routine tasks, the AI process can run autonomously and start to either make operational adjustments in-flight or prompt operators to do so, suggesting the correct running parameters.
Over time, and as more data is collected, machine-learning algorithms will build so that the system becomes smarter.
Para chegar a esse ponto, você precisa combinar os resultados das etapas anteriores: uma compreensão mais noturna de quais variáveis-chave conduzem o rendimento e a taxa de transferência, um banco de dados que coleta essas variáveis críticas e as atribui a uma peça e conforto da equipe técnica com a abordagem e as ferramentas. Quando esses elementos estiverem em vigor, as empresas poderão usar a IA integrada para sentir e otimizar os parâmetros de processamento em voo. Com o tempo, e à medida que mais dados são coletados nas entradas de processamento das chaves, os algoritmos de aprendizado de máquina se basearão na experiência de cada lote para que o sistema se torne mais inteligente. É importante ressaltar que os metalurgistas e operadores sempre serão necessários, para lidar com exceções e situações externas em que os algoritmos ficam aquém (por exemplo, se uma máquina diminuir).
BCG desenvolveu uma solução chamada chamada Fosa Isso já está fornecendo esse nível de IA autônoma em outras indústrias de processo. O software é incorporado aos sistemas de controle de supervisão e aquisição de dados (SCADA), permitindo que as empresas controlem com precisão o processo de produção em resposta ao material que entra e tome medidas específicas para otimizá -lo em tempo real. A PHOSA já ofereceu melhorias consideráveis em uma variedade de empresas e possui um forte histórico de permitir operadores com IA incorporada para otimizar os resultados do processo. A implementação da IA requer superar alguns desafios claros em termos de dados e cultura organizacional, mas não exige a partir do zero. O investimento necessário para lançar pilotos e começar a desenvolver recursos é relativamente baixo - e muitas vezes pode ser recuperado através de aumentos de rendimento. AI é uma ferramenta prontamente disponível. As empresas siderúrgicas precisam começar a usá -lo. Justin Rodriguez
AI is advancing rapidly, but most steel manufacturers have yet to take advantage of it. Implementing AI requires overcoming some clear challenges in terms of data and organizational culture, but it does not require starting from scratch. The investment needed to launch pilots and to begin developing capabilities is relatively low—and it can often be recovered through yield increases. AI is a readily available tool. Steel companies need to start using it.
