Bagaimanakah AI Menukar Pembuatan Pakaian? Daripada Sampel Maya kepada Kilang Lebih Pintar

Kecerdasan buatan (AI) sedang mengubah cara pakaian direka, dibangunkan, dihasilkan dan diperiksa. Untuk pengeluar pakaian dan jenama pakaian, AI menjadi berguna pada beberapa peringkat proses pengeluaran, daripada mencipta sampel maya kepada meramal permintaan dan menyemak kualiti fabrik.

Perubahan terbesar berlaku di kawasan yang melibatkan sejumlah besar data, keputusan berulang atau pemeriksaan visual. AI boleh memproses maklumat dengan cepat, mengenal pasti corak dan membantu pasukan pengeluaran membuat keputusan lebih awal.

Pada masa yang sama, kilang pakaian automatik sepenuhnya masih jauh daripada menjadi standard. Fabrik lembut, fleksibel dan sukar dikendalikan oleh robot secara konsisten, terutamanya apabila pakaian mempunyai pembinaan yang rumit.

Jadi apakah rupa AI sebenarnya dalam pembuatan pakaian hari ini?

AI Bermula Sebelum Sampel Pertama

Pembangunan pakaian tradisional selalunya memerlukan beberapa pusingan sampel fizikal. Pereka bentuk dan pasukan teknikal mencipta pakaian, membuat sampel, memeriksa kesesuaian dan penampilannya, membuat perubahan, dan kemudian menghasilkan sampel lain.

Proses ini boleh mengambil masa berminggu-minggu. Ia juga menggunakan fabrik, kemasan, buruh, pembungkusan dan sumber penghantaran.

Penyelidikan dalam laporan ini menganggarkan bahawa industri fesyen membelanjakan berbilion dolar setiap tahun untuk sampel fizikal, manakala banyak sampel pembangunan tidak pernah mencapai pengeluaran komersial.

AI dan reka bentuk digital 3D sedang mengubah proses ini.

Daripada Sampel Fizikal kepada Pakaian Maya

Pasukan reka bentuk boleh mencipta versi digital pakaian dan melihatnya pada badan maya sebelum membuat sampel fizikal. Pakaian digital boleh menunjukkan butiran seperti bentuk, kesesuaian, warna dan cara kain jatuh pada badan.

AI juga boleh membantu menjana idea reka bentuk yang berbeza daripada penerangan teks, imej rujukan, reka bentuk terdahulu atau maklumat produk sedia ada. Pereka bentuk kemudiannya boleh memilih idea yang berguna dan mengembangkannya lagi dalam sistem reka bentuk 3D.

Perkara penting ialah AI tidak perlu menggantikan pereka bentuk. Ia boleh mengurangkan jumlah kerja berulang yang terlibat dalam meneroka idea.

Persampelan maya juga boleh memudahkan komunikasi. Jenama dan pengilang di negara yang berbeza boleh menyemak pakaian digital yang sama tanpa menunggu sampel fizikal dihantar.

AI Juga Boleh Mempercepatkan Pembangunan Corak

Pembuatan corak adalah satu lagi bidang di mana AI mula membantu.

Sistem khusus boleh mengambil lakaran pakaian rata dan membantu mengubahnya menjadi corak digital. Menurut penyelidikan, beberapa sistem bantuan AI boleh menghasilkan fail corak sedia pengeluaran dalam beberapa minit, berbanding dengan beberapa jam kerja manual dalam beberapa kes.

Pasukan teknikal manusia masih perlu menyemak dan menyesuaikan keputusan. Pembinaan pakaian, tingkah laku fabrik, kesesuaian dan keperluan pengeluaran semuanya perlu dipertimbangkan.

Namun, mengurangkan masa yang dihabiskan untuk kerja corak berulang boleh membantu memendekkan kitaran pembangunan.

AI Membantu Jenama Meramal Perkara Yang Pelanggan Akan Beli

Menghasilkan jumlah pakaian yang betul sentiasa sukar.

Jika jenama menghasilkan terlalu sedikit item popular, ia boleh kehabisan stok sementara permintaan masih kukuh. Jika ia menghasilkan terlalu banyak produk yang terjual dengan perlahan, inventori yang tinggal akhirnya mungkin memerlukan diskaun.

Ramalan tradisional selalunya banyak bergantung pada jualan sebelumnya. Maklumat itu berguna, tetapi ia tidak boleh sentiasa menangkap arah aliran baharu atau perubahan mendadak dalam minat pengguna.

AI boleh menggabungkan lebih banyak sumber maklumat.

Melihat Melangkaui Data Jualan

Sistem ramalan AI boleh menganalisis maklumat seperti:

• Jualan sebelumnya

• Inventori peringkat kedai

• Aktiviti membeli-belah dalam talian

• Tingkah laku carian

• Ulasan produk

• Pulangan

• Imej media sosial

• Trend fesyen yang muncul

Contohnya, penglihatan komputer boleh memeriksa sejumlah besar imej fesyen dan mengenal pasti perubahan dalam warna, siluet, panjang lengan, garis leher dan ciri visual yang lain.

Ini memberi jenama cara lain untuk mengenal pasti arah aliran sebelum ia menjadi jelas dalam data jualan.

Hasilnya boleh menjadi proses pengeluaran yang lebih fleksibel.

Daripada menentukan kuantiti pengeluaran jauh lebih awal dan mengekalkan rancangan yang sama sepanjang musim, jenama boleh menggunakan maklumat yang dikemas kini untuk melaraskan pembelian, pengeluaran dan penambahan semula.

Ramalan Lebih Baik Dapat Mengurangkan Pembaziran

Ramalan permintaan berkait rapat dengan kemampanan.

Apabila pengeluaran kurang dipadankan dengan permintaan, lebihan inventori boleh menyebabkan pengurangan harga, kos penyimpanan dan bahan terbuang. Ramalan yang lebih baik boleh membantu pengeluar dan jenama menghasilkan lebih dekat dengan apa yang sebenarnya diperlukan oleh pasaran.

Penyelidikan memetik anggaran bahawa ramalan AI lanjutan boleh mengurangkan ralat ramalan sebanyak 15% hingga 35%.

Keputusan ini akan berbeza antara syarikat kerana kualiti data yang tersedia dan cara sistem dilaksanakan amat penting.

AI Membuat Pemeriksaan Kualiti Lebih Cepat

Kawalan kualiti adalah satu lagi bidang yang AI mempunyai peranan praktikal.

Fabrik dan pakaian siap secara tradisinya telah diperiksa oleh orang ramai. Pemeriksa manusia boleh mengenal pasti banyak masalah, tetapi pemeriksaan visual yang berterusan memenatkan, terutamanya apabila pekerja mesti memeriksa kuantiti fabrik yang banyak.

Penglihatan komputer yang dikuasakan AI mendekati masalah secara berbeza.

Kamera Menonton Fabrik Semasa Pengeluaran

Kamera resolusi tinggi boleh memantau fabrik semasa dikait, ditenun atau diproses.

Perisian AI menganalisis imej dan mencari corak yang berkaitan dengan kecacatan. Bergantung pada sistem, ini boleh termasuk lubang, benang patah, kesan, kerosakan fabrik dan perubahan penampilan.

Kelebihan utama adalah masa.

Proses pemeriksaan tradisional mungkin menemui masalah selepas sejumlah besar fabrik telah dihasilkan. Sistem automatik boleh mengenal pasti masalah semasa pengeluaran masih dijalankan.

Dalam sesetengah sistem, kecacatan yang serius atau berulang boleh mencetuskan amaran atau menghentikan mesin supaya punca masalah dapat disiasat.

Penyelidikan melaporkan bahawa sistem pemeriksaan berasaskan AI boleh mencapai kadar pengesanan kecacatan yang jauh lebih tinggi daripada penanda aras pemeriksaan manual yang dibincangkan dalam laporan itu.

Mencari Masalah Lebih Awal Lebih Jimat Daripada Fabrik

Pemeriksaan awal mempunyai kelebihan lain.

Jika fabrik yang rosak ditemui sebelum pencelupan, kemasan, pemotongan atau jahitan, pengilang boleh mengelak daripada membelanjakan sumber tambahan untuk bahan yang akhirnya mungkin ditolak.

Itu boleh mengurangkan fabrik terbuang serta penggunaan air, tenaga, bahan pemprosesan dan buruh yang tidak perlu.

Satu contoh kilang yang didokumenkan dalam penyelidikan melaporkan pengurangan besar dalam fabrik yang rosak selepas memperkenalkan pemeriksaan AI masa nyata pada mesin mengait.

Bagi pengeluar, ini menjadikan pemeriksaan kualiti AI menarik untuk kawalan kos dan pengurangan sisa.

AI Boleh Membantu Kilang Merancang Pengeluaran

Sebuah kilang pakaian mungkin mempunyai berpuluh-puluh langkah pengeluaran yang berlaku di banyak mesin dan pekerja.

Masalah kecil dalam satu operasi boleh menjejaskan semua yang datang selepasnya. Mesin mungkin berhenti berfungsi, operator mungkin tidak tersedia, bahan mungkin tiba lewat, atau satu langkah pengeluaran mungkin menjadi lebih perlahan daripada yang lain.

Jadual pengeluaran tradisional selalunya bergantung pada hamparan dan rancangan tetap. Jadual ini boleh menjadi lapuk dengan cepat apabila keadaan di lantai kilang berubah.

Sistem perancangan yang disokong AI boleh bertindak balas terhadap perubahan ini dengan lebih dinamik.

Perancangan Pengeluaran Dinamik

Sistem perancangan pengeluaran moden boleh mengumpulkan maklumat tentang:

• Pesanan

• Bahan

• Kapasiti pengeluaran

• Status mesin

• Ketersediaan pekerja

• Kelajuan pengeluaran

• Tarikh akhir penghantaran

Apabila sesuatu berubah, sistem boleh membantu pengurus pengeluaran mengenal pasti di mana kesesakan itu dan melaraskan rancangan.

Contohnya, jika satu operasi jahitan tiba-tiba menjadi lebih perlahan, sistem boleh membantu penyelia mempertimbangkan cara pekerja atau tugas pengeluaran harus diagihkan semula.

Penyelidikan termasuk beberapa contoh kilang di mana perisian perancangan pengeluaran dikaitkan dengan peningkatan dalam kecekapan pengeluaran, penggunaan kapasiti, produktiviti atau penghantaran tepat pada masanya.

Nilai di sini adalah kurang tentang menggantikan pengurus kilang dan lebih banyak tentang memberi mereka maklumat yang lebih baik semasa membuat keputusan.

Mengapa Kilang Pakaian Belum Automatik Sepenuhnya?

Dengan semua kemajuan ini, nampaknya kilang pakaian automatik sepenuhnya sepatutnya sudah menjadi perkara biasa.

Terdapat satu masalah utama: fabrik sukar dikendalikan oleh robot.

Lembaran logam mengekalkan bentuknya. Sehelai kain tidak.

Fabrik boleh meregang, melipat, menggulung, menyelinap, menyatukan atau melekat pada lapisan lain. Fabrik yang berbeza juga berkelakuan berbeza bergantung pada berat, keanjalan, permukaan dan pembinaannya.

Ini menjadikannya lebih sukar bagi robot untuk mengambil sehelai kain dan meletakkannya dengan tepat setiap kali.

Robot Berfungsi Lebih Baik Dengan Produk Mudah dan Piawaian

Penyelidik dan syarikat automasi telah membangunkan pendekatan yang berbeza untuk masalah ini.

Sesetengah sistem membuat sementara fabrik lebih mudah dikendalikan. Yang lain menggunakan kamera untuk mengesan tepi kain dan membuat pelarasan berterusan semasa menjahit.

Pendekatan ini boleh berfungsi untuk produk dengan pembinaan mudah dan jangka masa pengeluaran yang lama.

Kemeja-T asas, tuala, poket denim dan produk piawai lain adalah calon yang lebih mudah untuk automasi daripada pakaian dengan jahitan rumit, zip, fabrik halus atau perubahan reka bentuk yang kerap.

Atas sebab ini, pemasangan pakaian robotik kekal lebih terhad daripada aplikasi perisian AI seperti peramalan, pensampelan digital dan perancangan pengeluaran.

Apakah Maksud AI untuk Pengeluar Pakaian?

Penerimaan AI tidak perlu bermula dengan robot mahal.

Malah, penyelidikan mencadangkan pendekatan yang lebih beransur-ansur.

Mulakan Dengan Alat Digital

Persampelan digital, ramalan permintaan dan perancangan pengeluaran boleh memberikan nilai tanpa memerlukan kilang menggantikan keseluruhan sistem pengeluarannya.

Aplikasi ini boleh mengurangkan masa pembangunan, menambah baik perancangan dan membantu pasukan bekerja dengan maklumat dengan lebih cekap.

Tambah Pemeriksaan Automatik

Visi komputer kemudiannya boleh diperkenalkan di mana pemeriksaan kualiti mewujudkan peluang yang jelas untuk penjimatan.

Untuk pengeluaran tekstil, pemeriksaan fabrik lebih awal dalam proses pembuatan boleh menghalang kecacatan daripada berpindah ke peringkat kemudian yang lebih mahal.

Automatik Berhati-hati

Automasi fizikal memerlukan pendekatan yang berbeza.

Robot paling masuk akal apabila pengeluarannya stabil, volum tinggi dan produk diseragamkan. Pembuatan pakaian fleksibel masih mendapat manfaat daripada pekerja manusia mahir yang boleh mengendalikan variasi dalam keperluan fabrik, pembinaan dan pengeluaran.

Oleh itu, penyelidikan menerangkan pendekatan berperingkat: bermula dengan perisian dan analitik, berkembang ke dalam pemeriksaan kualiti automatik, dan menggunakan automasi fizikal secara selektif di mana keadaan pengeluaran masuk akal.

Masa Depan AI dalam Pembuatan Pakaian

AI tidak mungkin menukar pembuatan pakaian melalui satu teknologi.

Perubahan yang lebih besar datang daripada menyambung bahagian proses yang berlainan.

Aliran kerja pakaian masa hadapan boleh kelihatan seperti ini:

AI menganalisis permintaan → pereka bentuk membangunkan produk digital → sampel maya disemak → kuantiti pengeluaran dirancang → fabrik diperiksa semasa pembuatan → jadual kilang menyesuaikan diri dengan keadaan masa nyata → produk siap beralih ke pengeluaran dan pengedaran.

Setiap langkah boleh memberikan maklumat kepada langkah seterusnya.

Ini mewujudkan proses pengeluaran yang lebih berkaitan, di mana pengeluar boleh bertindak balas terhadap perubahan lebih awal daripada menunggu sehingga masalah menjadi mahal.

Pada masa yang sama, kepakaran manusia akan kekal penting. Pereka bentuk masih perlu memutuskan produk yang sesuai untuk pelanggan mereka. Pasukan teknikal perlu mengesahkan corak dan kesesuaian. Pengurus pengeluaran perlu memahami keadaan kilang. Pekerja mahir kekal penting untuk operasi yang sukar untuk diautomasikan.

Bagi syarikat pakaian, persoalan praktikal bukan semata-mata sama ada untuk 'menggunakan AI.' Di sinilah AI boleh menyelesaikan masalah pengeluaran sebenar.

Bagi sesetengah syarikat, ini mungkin bermakna mengurangkan sampel fizikal. Bagi yang lain, ini mungkin bermakna meningkatkan ramalan permintaan, mencari kecacatan fabrik lebih awal, atau membuat jadual pengeluaran lebih fleksibel.

AI sudah pun menukar bahagian pembuatan pakaian ini. Peringkat seterusnya adalah mengenai menghubungkan mereka ke dalam sistem pengeluaran yang lebih responsif dan dipacu data.