AI-First Leadership: Sztuczna Inteligencja w zarządzaniu produkcją i biznesem

Rola lidera w erze AI, strategia AI-First, transformacja kultury organizacyjnej.

Moduł koncentruje się na fundamentach świadomego przywództwa opartego na danych. Uczestnicy poznają metody budowania strategii AI-First, integracji sztucznej inteligencji z procesami biznesowymi oraz przygotowania organizacji na zmianę technologiczną. Kluczowym elementem jest zdefiniowanie problemu biznesowego, który stanie się bazą do projektu końcowego. Fundamentem podejścia jest synergia kompetencji ludzkich i sztucznej inteligencji (Human + AI). Wierzymy, że AI w przemyśle ma sens tylko wtedy, gdy przestaje być „czarną skrzynką”, a staje się transparentnym partnerem inżyniera. Kładziemy nacisk na Explainable AI (XAI) – rozwiązania, które nie tylko sugerują działanie, ale precyzyjnie wyjaśniają przesłanki i budują ciągi przyczynowo-skutkowe.

Uczestnicy dowiedzą się, jak łączyć dane z systemów SCADA, MES czy CMMS z kontekstem historycznym i doświadczeniem zespołu, aby budować systemy rozumiejące specyfikę operacyjną tak dobrze, jak najbardziej doświadczony ekspert. Cel jest jasny: zamiana surowych danych w wiedzę operacyjną, która tłumaczy „dlaczego” i realnie eliminuje marnotrawstwo.

Warsztaty:

• Wprowadzenie do ekosystemu AI w przemyśle.
• Agenci AI w fabryce i back-office – nowe paradygmaty pracy.
• Design Thinking Workshop: Definiowanie realnego problemu z własnej organizacji i wybór tematu transformacji.

Efekty biznesowe:

• Wzrost dojrzałości cyfrowej kadry zarządzającej.
• Zidentyfikowanie konkretnych Use-Case’ów z mierzalnym potencjałem ROI.
• Gotowy „Roadmap” wdrożenia zmian kulturowych w zespole.

Narzędzia AI:

• ChatGPT (Advanced Data Analysis),
• Claude 3.5 (analiza strategiczna),
• Microsoft Copilot

Mechanizmy Deep Learning, Computer Vision, GenAI oraz systemy Multi-Agentowe.

Moduł techniczny typu R&D. Uczestnicy przechodzą ścieżkę od zrozumienia typów uczenia maszynowego (nadzorowane, nienadzorowane) po zaawansowane architektury. Skupiamy się na „higienie danych” i walce z biasem algorytmicznym. Część praktyczna obejmuje projektowanie autonomicznego agenta AI z uwzględnieniem bezpieczeństwa i integracji z zewnętrznymi bazami wiedzy.

Warsztaty:

• Anatomia algorytmów: Od regresji po sieci neuronowe.
• Computer Vision w kontroli jakości i BHP.
• Budowa własnego Agenta AI: Prompting, pamięć długotrwała i narzędzia (Tools).

Efekty biznesowe:

• Umiejętność krytycznej oceny kosztów i zasobów potrzebnych do wdrożenia (Build vs Buy).
• Szybsze prototypowanie rozwiązań bez angażowania pełnych zasobów IT.
• Zwiększenie bezpieczeństwa operacyjnego dzięki automatycznej detekcji anomalii wizyjnych.

Narzędzia AI:

• Azure AI Studio,
• Hugging Face (modele open-source),
• OpenAI API, v0.dev (szybkie prototypowanie interfejsów)

Optymalizacja produkcji (MES, CMMS, OEE), Predictive Maintenance, analiza IoT.

Koncentracja na twardych danych operacyjnych. Uczestnicy uczą się, jak integrować AI z istniejącymi systemami klasowymi (MES/APS). Analizujemy, jak wykorzystać dane z sensorów IoT do przewidywania awarii (PdM) oraz jak optymalizować harmonogramowanie produkcji w czasie rzeczywistym, aby maksymalizować wskaźnik OEE.

Warsztaty:

• Analiza danych operacyjnych: Wyciąganie wniosków z „brudnych” danych produkcyjnych.
• Predictive Maintenance w praktyce: Analiza widma maszyn i predykcja anomalii.
• Optymalizacja łańcucha dostaw i planowania (APS) wspomagana przez AI.

Efekty biznesowe:

• Realna redukcja nieplanowanych przestojów ( Downtime).
• Stabilizacja procesów produkcyjnych i poprawa jakości (zmniejszenie liczby braków).
• Optymalizacja kosztów energii i mediów poprzez inteligentne sterowanie zasobami.

Narzędzia AI:

• byteLAKE (Industrial AI),
• systemy klasy CMMS/MES z modułami AI (Queris),
• Python (biblioteki Pandas/Scikit-learn do analizy trendów).

Zarządzanie wydajnością w produkcji

• Definicja i znaczenie KPI w kontekście strategii przedsiębiorstwa.
• Dlaczego pomiar jest kluczowy dla sukcesu produkcyjnego?
• Przegląd najważniejszych wyzwań w zarządzaniu produkcją.
• Podstawowe zasady wyboru i definiowania KPI.
• Typy KPI w produkcji: operacyjne, finansowe, jakościowe.
• Jak unikać pułapek w stosowaniu KPI (np. zbyt wiele wskaźników, brak związku z celami).
• Raportowania z AI

Kluczowe KPI w produkcji i ich wpływ na wyniki

1. KPI wydajności i efektywności

• OEE (Overall Equipment Effectiveness):
  Definicja i elementy składowe (Dostępność, Wydajność, Jakość).
• Metodyka obliczania i interpretacji OEE.
• Studia przypadków i najlepsze praktyki w poprawie OEE.

Wykorzystanie Zdolności Produkcyjnych:

• Pomiar i analiza wykorzystania maszyn i linii produkcyjnych.

• Identyfikacja wąskich gardeł.

   

2. KPI jakościowe

• Wskaźniki wadliwości (DPMO, PPM):
• Definicje i metodyka obliczania.
• Wpływ na koszty i satysfakcję klienta.
• Wskaźniki reklamacji i zwrotów:
• Analiza przyczyn i działań korygujących.
• Wskaźniki zgodności z normami i specyfikacjami.

3. KPI kosztowe i terminowości

Koszt jednostkowy produktu:

• Analiza składowych kosztów (materiały, robocizna, narzuty).
• Wpływ efektywności na koszt jednostkowy.

• Wskaźniki realizacji zamówień na czas (OTIF - On Time In Full):
  Znaczenie dla klienta i łańcucha dostaw.
• Czynniki wpływające na terminowość.

Zapasy (wskaźniki rotacji, dni zapasów):

• Optymalizacja poziomu zapasów a koszty i płynność.

Wpływ Shop Floor Managementu na jakość produkcji

• 1. Podstawy Shop Floor Managementu (SFM)
  Czym jest Shop Floor Management i dlaczego jest kluczowy?
• Rola lidera/brygadzisty na hali produkcyjnej.
• Elementy skutecznego SFM (standardy pracy, wizualizacja, rozwiązywanie problemów).

2. Zarządzanie standardami pracy i wizualizacją

Standardy pracy:

• Tworzenie i wdrożenie jasnych, zrozumiałych standardów.
• Znaczenie standardów dla jakości i powtarzalności.
• Szkolenie pracowników z przestrzegania standardów.

• Wizualizacja na hali produkcyjnej (Visual Management):
• Tablice wyników, wykresy, instrukcje wizualne.
• Jak skutecznie wykorzystać wizualizację do poprawy jakości i efektywności.

3. Rola lidera w zapewnianiu jakości

• Kontrola jakości na linii:
• Role i odpowiedzialności pracowników produkcyjnych w kontroli jakości.
• Systemy samokontroli i kontroli wzajemnej.

Reagowanie na problemy jakościowe:

• Szybka identyfikacja i analiza przyczyn defektów.
• Metody rozwiązywania problemów (np. 5 Why, diagram Ishikawy).
• Kultura ciągłego doskonalenia w kontekście jakości.

Praktyczne aspekty i podsumowanie

1. Integracja KPI i SFM

• Jak KPI mogą wspierać działania SFM i vice versa.
• Wykorzystanie danych z KPI do podejmowania decyzji na hali produkcyjnej.
• Przykłady sukcesów firm, które skutecznie integrują KPI i SFM.

2. Sesja Q&A i Podsumowanie

• Dyskusja i odpowiedzi na pytania uczestników.
• Kluczowe wnioski i zalecenia do wdrożenia.

Zdobyta wiedza:
Uczestnicy zdobędą kompleksową wiedzę na temat najważniejszych wskaźników efektywności (KPI) w produkcji oraz nauczą się, jak skutecznie wykorzystywać je do monitorowania, analizowania i poprawy wyników produkcyjnych. Zrozumieją również kluczową rolę odpowiedniego zarządzania na hali produkcyjnej (Shop Floor Management) w zapewnianiu wysokiej jakości produkcji.

1. Fundamenty efektywności procesowej i Snapshot Study – ilościowa diagnoza pracy w środowisku usługowym, powiązanie KPI procesowych z celami strategicznymi oraz eliminacja błędów interpretacyjnych wynikających z braku standaryzacji i analizy ról.

2. Analiza produktywności na podstawie danych- produktywność per FTE i per interwał czasowy, relacja aktywności do dostępnego czasu pracy, analiza obciążenia oraz benchmarking między zespołami i lokalizacjami.

3.Udział czynności w czasie (Time Structure Analysis), tj. struktura VA / BVA / NVA, analiza godzinowa i zmianowa, identyfikacja nadmiarowej obsługi oraz ocena stabilności i równomierności obciążenia procesu.

4. Analiza ról i ciągłości pracy- mapowanie czynności do stanowisk, identyfikacja dublowania kompetencji, koncentracja zadań w rolach, analiza fragmentacji pracy, przerw operacyjnych i wąskich gardeł.

5. KPI procesowe i kosztowe- produktywność godzinowa, udział czynności wartościowych, koszt jednostkowy procesu, koszt nadmiarowej struktury ról oraz indeks ciągłości i stabilności operacyjnej.

6.Narzędzia do analizy danych min. Power BI, Tableau, Looker Studio oraz narzędzia do wykrywania anomalii, klasteryzacji i automatycznego generowania rekomendacji usprawnień oparte na AI- Julius AI, Excel Power Query/Power Pivot, ChatGPT, Microsoft Copilot 

Opis szczegółowy:

Wprowadzenie do zarządzania efektywnością procesów operacyjnych

• Definicja efektywności procesowej (specjalizacja w środowisku usługowym
• Znaczenie obiektywnych danych operacyjnych w zarządzaniu procesami.
• Snapshot Study jako ilościowa metoda diagnozy pracy.
• Powiązanie wskaźników procesowych (KPI) z celami strategicznymi organizacji.
• Typy wskaźników w procesach operacyjnych: wydajnościowe, strukturalne, jakościowe, kosztowe.
• Najczęstsze błędy w analizie procesów (brak standaryzacji czynności, nadmiar wskaźników, brak analizy ról, błędna interpretacja danych).
• Rola lidera w budowaniu kultury zarządzania opartego na faktach.

 Kluczowe analizy procesowe i ich wpływ na wyniki organizacji

1. Analiza produktywności na podstawie danych operacyjnych

Produktywność operacyjna:

• Definicja produktywności w procesach usługowych.
• Produktywność per etat (FTE).
• Produktywność per interwał czasowy w Snapshot Study.
• Relacja liczby zarejestrowanych aktywności do dostępnego czasu pracy.
• Porównanie produktywności między zespołami i lokalizacjami.

Analiza obciążenia:

• Identyfikacja niedowykorzystania zasobów.
• Wykrywanie nadmiernego zaangażowania w czynności niewartościowe.
• Analiza rozkładu obciążenia w czasie.

2. Udział czynności w czasie (Time Structure Analysis)

Struktura czasu pracy:

• Udział procentowy czynności VA / BVA / NVA.
• Analiza rozkładu aktywności w przekroju godzinowym.
• Identyfikacja koncentracji określonych czynności w czasie.

Zmienność i stabilność procesu:

• Porównanie struktury pracy między zmianami.
• Analiza wahań dziennych i tygodniowych.
• Ocena stabilności operacyjnej.

Interpretacja wyników Snapshot Study:

• Identyfikacja nadmiarowej obsługi.
• Wykrywanie nieefektywnej struktury pracy.
• Ocena równomierności obciążenia.

3. Analiza ról i odpowiedzialności procesowych

Mapowanie czynności do ról:

• Przypisanie aktywności do stanowisk.
• Identyfikacja nakładania się kompetencji.
• Analiza koncentracji zadań w wybranych rolach.

Struktura organizacyjna a efektywność:

• Wpływ liczby ról na produktywność.
• Identyfikacja rozproszonej odpowiedzialności.
• Wykrywanie braku właściciela procesu.

Wskaźniki strukturalne:

• Wskaźnik nadmiarowej obsługi czynności.
• Wskaźnik koncentracji zadań.
• Wskaźnik zgodności czynności z zakresem roli.

4. Analiza ciągłości pracy i przepływu operacyjnego

Ciągłość procesu:

• Identyfikacja przerw operacyjnych.
• Analiza czasu oczekiwania.
• Wykrywanie fragmentacji pracy.

Przełączanie zadań:

• Częstotliwość zmiany aktywności.
• Wpływ multitaskingu na efektywność.
• Analiza rozproszenia pracy.

Płynność operacyjna:

• Sekwencyjność wykonywanych czynności
• Identyfikacja wąskich gardeł.
• Ocena stabilności przepływu pracy.

KPI procesowe i ich interpretacja 
1. KPI efektywności strukturalnej

* Udział czynności wartościowych (VA). 
* Produktywność godzinowa. 
* Wskaźnik nadmiarowej obsługi. 
* Indeks ciągłości pracy. 
* Wskaźnik koncentracji ról.

2. KPI jakościowe

* Wskaźnik powtarzalności czynności. 
* Stabilność realizacji standardów. 
* Częstotliwość błędów operacyjnych.

3. KPI kosztowe i wydajnościowe

* Koszt jednostkowy procesu. 
* Koszt nadmiarowej struktury ról. 
* Produktywność w relacji do kosztu pracy.

 Wpływ cyfrowych narzędzi i AI na analizę procesów

1. Mobilne zbieranie danych w ramach Snapshot Study

* Projektowanie struktury badania. 
* Standaryzacja słownika czynności. 
* Walidacja i kontrola jakości danych. 
* Praca offline i synchronizacja. 
* Eliminacja błędów ręcznego raportowania. 
* Skalowanie pomiaru na wiele lokalizacji.

2. AI jako wsparcie analityczne

* Automatyczna analiza struktury czasu. 
* Wykrywanie anomalii w produktywności. 
* Klasteryzacja ról i aktywności. 
* Identyfikacja ukrytych wzorców operacyjnych. 
* Generowanie rekomendacji usprawnień. 
* Wsparcie decyzji menedżerskich na podstawie danych.

Lean Leadership w erze technologii i AI

 1. Kompetencje przyszłości lidera Lean

* Integracja metodologii Lean z technologią. 
* Łączenie Snapshot Study z systemami mobilnymi i analityką AI. 
* Data literacy jako kluczowa kompetencja menedżerska. 
* Myślenie systemowe i procesowe w środowisku cyfrowym. 
* Podejmowanie decyzji w oparciu o dane, nie intuicję.

2. Leadership jako obszar doskonalenia

* Doskonalenie przywództwa jako element Kaizen. 
* Rola lidera w budowaniu kultury transparentności. 
* Zarządzanie zmianą opartą na danych. 
* Komunikowanie wyników analiz zespołom. 
* Redukcja oporu wobec technologii i pomiaru.

3. Metodologia + technologia + AI jako model rozwoju organizacji

* Standaryzacja procesu diagnozy. 
* Automatyzacja analizy. 
* Skalowalność usprawnień. 
* Transformacja roli lidera z kontrolera w analityka i architekta procesu. 
* Budowanie organizacji uczącej się.

Praktyczne aspekty i podsumowanie

Integracja analiz procesowych z działaniami usprawniającymi

* Wykorzystanie danych ze Snapshot Study do podejmowania decyzji operacyjnych. 
* Przekład wskaźników na działania usprawniające. 
* Monitorowanie efektów wdrożeń. 
* Budowanie kultury ciągłego doskonalenia opartej na danych.

Sesja Q&A i Podsumowanie

• Dyskusja i odpowiedzi na pytania uczestników.
• Najważniejsze wnioski analityczne.
• Rekomendacje implementacyjne.

Zdobyta wiedza

Uczestnicy zdobędą kompleksową wiedzę na temat projektowania i prowadzenia Snapshot Study, analizy produktywności na podstawie danych operacyjnych, interpretacji udziału czynności w czasie, diagnozy struktury ról organizacyjnych oraz analizy ciągłości i płynności pracy. Zrozumieją, że połączenie metodologii Lean z technologią mobilną i sztuczną inteligencją stanowi kluczową kompetencję przyszłości lidera Lean. Nauczą się rozwijać zarówno procesy operacyjne, jak i własne kompetencje przywódcze w kierunku zarządzania opartego na danych i ciągłego doskonalenia.

Moduł koncentruje się na praktycznym wykorzystaniu sztucznej inteligencji w trzech kluczowych obszarach operacyjnych: doskonaleniu procesów, rozwiązywaniu problemów oraz standaryzacji pracy. Uczestnicy poznają, jak łączyć podejście Lean Management, Kaizen oraz TWI z możliwościami AI, aby poprawiać efektywność, jakość i stabilność procesów. Szczególny nacisk położony jest na rozwój umiejętności podejmowania decyzji operacyjnych w oparciu o dane, obserwacje oraz wsparcie AI. Uczestnicy uczą się, jak wykorzystywać sztuczną inteligencję do strukturyzowania problemów, analizy procesów, budowania standardów pracy oraz projektowania usprawnień w sposób uporządkowany i powtarzalny. Zajęcia realizowane są w formie warsztatowej. Uczestnicy pracują na symulowanych procesach oraz materiałach wideo z rzeczywistych środowisk produkcyjnych i operacyjnych, które są analizowane w celu wyciągania wniosków i budowania rekomendacji działań.

Warsztaty:

Część warsztatowa została podzielona na trzy główne obszary pracy, odpowiadające rzeczywistym wyzwaniom operacyjnym.

1. Doskonalenie procesów (Kaizen + AI)

Uczestnicy poznają podejście do ciągłego doskonalenia procesów w oparciu o Lean i Kaizen. Uczą się identyfikować marnotrawstwo, analizować wartość dodaną oraz rozumieć przepływ pracy w procesie. Na tej podstawie pracują nad generowaniem usprawnień.

AI wykorzystywana jest do:

• generowania pomysłów usprawniających
• porządkowania obserwacji z procesu
• identyfikacji potencjalnych obszarów optymalizacji

Kluczowym elementem jest przejście od intuicyjnych pomysłów do bardziej uporządkowanego, systemowego podejścia do doskonalenia.

2. Rozwiązywanie problemów operacyjnych (Problem Solving + AI)

Ten blok koncentruje się na pracy z problemami operacyjnymi w sposób strukturalny i oparty na przyczynach źródłowych. 

Uczestnicy:

• poznają skuteczne metody rozwiązywania problemów
• uczą się odróżniać objawy od przyczyn
• rozwijają umiejętność logicznego rozbijania problemu na elementy

AI wspiera:

• strukturyzowanie problemów
• analizę możliwych przyczyn
• generowanie hipotez i wariantów działań

Szczególny nacisk położony jest na unikanie powierzchownych wniosków i budowanie decyzji opartych na faktach.

3. Standaryzacja pracy (TWI + AI)

Uczestnicy poznają rolę standaryzacji pracy jako fundamentu stabilności procesów oraz punktu wyjścia do dalszego doskonalenia.

W ramach tej części:

• analizują istniejące metody pracy
• uczą się identyfikować najlepszy obecny sposób wykonania pracy
• pracują nad tworzeniem i doskonaleniem standardów pracy

AI wykorzystywana jest do:

• wspierania tworzenia standardów pracy
• porządkowania kroków procesu
• identyfikacji ryzyk jakościowych i operacyjnych 

Uczestnicy rozumieją, jak standaryzacja łączy się bezpośrednio z jakością, bezpieczeństwem i efektywnością.

4. Wsparcie decyzji operacyjnych z wykorzystaniem AI

Uczestnicy uczą się, jak efektywnie wykorzystywać AI w codziennej pracy managerskiej – jako narzędzie wspierające analizę, myślenie i podejmowanie decyzji operacyjnych.

Poznają zasady prowadzenia interakcji z AI, w tym:

• jak zadawać trafne pytania i budować skuteczne prompty
• jak prowadzić dialog z AI w celu pogłębiania analizy
• jak weryfikować i krytycznie oceniać odpowiedzi AI
• jak wykorzystywać AI do porządkowania myślenia i strukturyzowania decyzji

Pracują nad:

• analizą różnych wariantów działań
• oceną wpływu decyzji na proces
• wyborem optymalnych rozwiązań w warunkach niepewności

AI pełni rolę wsparcia w analizie i generowaniu opcji, natomiast odpowiedzialność za decyzję pozostaje po stronie lidera.

Efekty biznesowe

Po ukończeniu modułu uczestnicy:

• potrafią oddzielać doskonalenie procesów od rozwiązywania problemów i stosować oba podejścia świadomie
• analizują procesy operacyjne w sposób uporządkowany i oparty na danych
• skuteczniej identyfikują przyczyny źródłowe problemów
• wykorzystują AI do wspierania analizy, generowania rozwiązań i podejmowania decyzji
• tworzą i rozwijają standardy pracy wspierające stabilność procesów
• podejmują bardziej trafne decyzje operacyjne w oparciu o fakty i dane
• są przygotowani do praktycznego wdrażania AI w obszarach operacyjnych
•  

Narzędzia AI

Claude, ChatGPT, KaizenUp

Zajęcia w Akademii FANUK _partner biznesowy

• Rola robotyzacji w przemyśle (Przemysł 4.0 / Smart Factory)
• Typy robotów przemysłowych (6-osiowe, SCARA, coboty)
• Integracja robotów z AI:
• wizyjne systemy kontroli jakości (AI Vision),
• predykcyjne utrzymanie ruchu,
• adaptacyjne sterowanie procesem,
• optymalizacja trajektorii i czasu cyklu.
• Różnica między klasyczną automatyką a systemem wspieranym przez AI.

Obliczanie ROI dla robotyzacji z AI (część analityczna – ok. 45 min)

Kluczowe dane wejściowe:

• Koszt robota + integracji (CAPEX)
• Koszty serwisu i utrzymania (OPEX)
• Obecne koszty pracy
• Koszty braków/reworku
• Wzrost wydajności (%)
• Redukcja błędów (%)

Finalizacja projektów wdrożeniowych, Peer-Review, prezentacja biznesowa (Business Case).

Opis: Finałowy zjazd o charakterze warsztatowo-konsultacyjnym. Uczestnicy pracują w grupach nad szlifowaniem swoich projektów transformacji, które rozwijali przez cały cykl. Kluczowym elementem jest wzajemna wymiana doświadczeń (cross-learning) – uczestnicy nie tylko dopracowują własny projekt, ale stają się „konsultantami” dla innych grup, poznając kulisy wdrożeń w różnych branżach.

Warsztaty:

• Niedziela: Intensywny „Sprint Projektowy” – analiza ryzyk, wyliczanie ROI i dopracowanie architektury rozwiązań.
• Sobota (Moduł VIII) : Wielki Finał – prezentacje projektów przed grupą i panelem eksperckim.

Efekty biznesowe:

• Gotowy do wdrożenia projekt transformacji AI dla własnej firmy (Business Case Ready).
• Pozyskanie bazy wiedzy (repository) case studies z innych organizacji.
• Certyfikacja kompetencji „AI Transformation Leader”.

Narzędzia AI:

• Narzędzia do wizualizacji danych i prezentacji,
• arkusze kalkulacyjne ROI,
• szablony dokumentacji wdrożeniowej AI, inne wybrane przez uczestników.

Finalizacja projektów wdrożeniowych, Peer-Review, prezentacja biznesowa (Business Case).

Opis: Finałowy zjazd o charakterze warsztatowo-konsultacyjnym. Uczestnicy pracują w grupach nad szlifowaniem swoich projektów transformacji, które rozwijali przez cały cykl. Kluczowym elementem jest wzajemna wymiana doświadczeń (cross-learning) – uczestnicy nie tylko dopracowują własny projekt, ale stają się „konsultantami” dla innych grup, poznając kulisy wdrożeń w różnych branżach.

Warsztaty:

• Niedziela (Moduł VII): Intensywny „Sprint Projektowy” – analiza ryzyk, wyliczanie ROI i dopracowanie architektury rozwiązań.
• Sobota (Moduł VIII) : Wielki Finał – prezentacje projektów przed grupą i panelem eksperckim.

Forma: warsztat z demonstracjami

1. AI w przemyśle – podstawy (45 min)

• Rola generatywnej AI w procesach technicznych
• Tworzenie procedur i instrukcji z dokumentacji
• Podstawy prompt engineering

2. Generowanie szkoleń przemysłowych z AI (2 h)

• Deklaratywny opis procedur (kroki, warunki)
• Tworzenie szkolenia stanowiskowego z promptu
• Automatyczna generacja checklist i scenariuszy awaryjnych
• Aktualizacja i standaryzacja procedur

3. AI jako asystent operatora (1 h)

• Adaptacyjne instrukcje krok po kroku
• Reakcja na błędy użytkownika
• Skrócenie czasu wdrożenia pracownika

4. XR i Computer Vision w przemyśle (1 h 30 min)

• Spatial computing w hali produkcyjnej
• Rozpoznawanie elementów maszyn
• Integracja AI z systemami XR

5. Projekt koncepcyjny AI + XR (1 h 30 min)

• Opracowanie scenariusza szkolenia XR dla wybranego procesu
• Uwzględnienie aspektów BHP i analizy ryzyka
• Wstępna ocena korzyści wdrożeniowych

6. Kierunki rozwoju (45 min)

• Digital Twin
• Integracja z IoT
• Wsparcie zdalne w XR

Efekt szkolenia

Student rozumie zastosowania AI i XR w przemyśle oraz potrafi zaprojektować koncepcję szkolenia technicznego wspieranego przez te technologie.