Från behov till infrastruktur: insikter från AI-kvalitetsinspektion

Utmaningen: kvalitet, produktivitet och spill

Kvalitetsinspektion spelar en central roll i laminatproduktion och påverkar direkt produktionsutfall, kundnöjdhet och materialspill. Hos Skultuna Induflex är ökade kvalitetskrav av strategisk betydelse samtidigt som produktionstakt och minskat spill måste hanteras. I dag är manuell inspektion fortfarande nödvändig, men dess begränsningar är allmänt kända i processen. Den är svår att skala, känslig för mänsklig variation och utmanande att tillämpa konsekvent i miljöer med högt produktionstempo.

r ett forsknings- och utvecklingsperspektiv är denna typ av utmaningar vanliga inom tillverkningsindustrin. Att förbättra inline-inspektion i en produktionsprocess handlar sällan enbart om att införa ny teknik. Det kräver en förståelse för hur kvalitetsbeslut fattas, hur information flödar och hur produktionsförutsättningar formar det dagliga arbetet. Därför formulerades utmaningen inte som ett AI-problem, utan som en bredare fråga om hur kvalitetsinspektion passar in i produktionssystemet och vilken digital infrastruktur som krävs för att möjliggöra framtida förbättringar.

Även om kvalitetsinspektion är ett konkret användningsfall är de underliggande frågorna kring digital infrastruktur relevanta för många industriella tillämpningar.

Varför digitalisering inte var det första steget

Studier visar att teknik inte bör vara det primära fokuset vid industriell digitalisering och att mänskliga faktorer spelar en minst lika avgörande roll i digitala transformationsinitiativ [Lykourentzou et al. 2025]. Erfarenheter från tidigare forskningsprojekt visar att teknikdrivna program ofta får begränsad effekt när de inte är förankrade i faktiska verksamhetsbehov. Även om befintliga ramverk i viss utsträckning adresserar operativa behov, gör deras komplexitet dem svåra och tidskrävande att använda vid planering och utformning av digital infrastruktur.

Denna insikt var en medveten utgångspunkt för STRIDE-projektet. I stället för att börja med AI-modeller och bildsystem lades fokus på att förstå arbetsflöden, roller och informationsbehov. Genom att betrakta kvalitetsinspektion som en socioteknisk process – där människor, beslut och system kontinuerligt samverkar – kunde vi identifiera insikter som en teknikfokuserad ansats annars hade missat. Detta angreppssätt bidrog till att undvika förhastade tekniska val och säkerställde att senare lösningar kunde integreras och skalas på ett effektivt sätt.

STRIDE-metoden: från behov till infrastruktur

Det primära målet med STRIDE-projektet var att utforma och utveckla en metod eller tjänst som skulle fungera som vägledning för beslut om digital infrastruktur. Som ett resultat formades STRIDE Guidance Service som en lättviktig, praktisk och användningsfallsdriven metod som fyller gapet mellan tunga arkitekturramverk och den snabba takten i industriell digitalisering.

Angreppssättet är intressentfokuserat och bygger på insikter från relevanta aktörer kopplade till det aktuella användningsfallet. Dessa insikter översätts sedan systematiskt till krav på system och digital infrastruktur. Genom iterativa förfiningssteg kan antaganden prövas och justeras i takt med att förståelsen fördjupas.

Användningsfallet hos Skultuna Induflex gav en konkret kontext för att tillämpa och validera angreppssättet, genom att koppla tidig behovsanalys till konkreta infrastrukturella krav och senare teknisk validering. Forskarna arbetade tillsammans med operatörer, kvalitetsingenjörer och tekniska specialister för att kartlägga informationsflöden, beslutsmoment och begränsningar.

Proof-of-Concept: att validera det som är viktigt

Proof-of-Concept (PoC) hade en tydligt avgränsad roll i projektet. Syftet var inte att bygga ett komplett produktionssystem, utan att testa och validera centrala antaganden som hade vuxit fram ur det tidigare behovsdrivna arbetet i den befintliga kvalitetskontrollprocessen.

Även om Mitsubishi Electrics linjeskannande bildteknik har visat sig fungera väl i liknande industriella sammanhang, krävdes ytterligare validering för att säkerställa att den kunde hantera de specifika defekttyperna och inspektionsrelaterade egenskaperna hos Skultuna Induflex produkter. Verkliga defektprover samlades därför in och skannades för att fastställa om relevanta egenskaper kunde fångas på ett tillförlitligt sätt.

När detta hade bekräftats tränades en AI-modell med ett begränsat men representativt antal exemplar och utvärderades på nya prover. Trots det lilla antalet träningsdata visade modellen lovande prestanda. Detta tjänar också till att illustrera dagens möjligheter hos AI-modeller vid tillämpning i produktionsnära miljöer med begränsad träningsdata. Minst lika viktigt var att Proof-of-Concept-arbetet tydliggjorde vad som medvetet lämnades utanför projektets omfattning, såsom parametrar för verklig driftsättning och integration i produktionsmiljö, vilket säkerställde att metoden stödjer identifiering av dessa parametrar snarare än att föreslå generiska lösningar.

När detta hade bekräftats tränades en AI-modell av RISE-teamet med ett begränsat men representativt antal exemplar och utvärderades på nya prover. Trots det begränsade antalet träningsdata visade modellen lovande prestanda. Detta illustrerar också den aktuella nivån på AI-modellers kapacitet vid tillämpning i produktionsnära miljöer med begränsat träningsunderlag. Minst lika viktigt var att PoC-arbetet tydliggjorde vad som medvetet lämnades utanför projektets omfattning, såsom parametrar för verklig driftsättning och integration i produktionsmiljö. Detta säkerställde att angreppssättet fokuserade på att identifiera dessa förutsättningar, snarare än att falla tillbaka på generiska eller förhastade lösningar.

Varför infrastruktur är viktigare än AI-modellen

I industriella AI-projekt hamnar fokus ofta på modellprestanda. Erfarenheter från både forskning och praktik visar dock att detta sällan är den avgörande framgångsfaktorn. I stället beror framgång oftare på om rätt digital infrastruktur och organisatoriska förutsättningar finns på plats. Utan dessa tenderar AI-lösningar att fastna i en pilotfas.

I användningsfallet hos Skultuna Induflex inleddes diskussionerna med frågor om datahantering, systemintegration, cybersäkerhet och operativt ansvar och därefter mot implementering av AI-modeller. Detta arbetssätt, informerat av STRIDE Guidance Service, visade sig vara avgörande för att förstå vad som krävdes för att ta steget mot och bortom en pilot. Utan infrastruktur som möjliggör transparens, spårbarhet och säker datahantering är även tekniskt välfungerande AI-lösningar svåra att införa och upprätthålla.

Ur detta perspektiv blir användningen av en AI-modell en komponent i ett större system. Det är infrastrukturen som avgör om lösningar kan skalas, anpassas och återanvändas över tid. Resultatet av projektet utgör en viktig grund för Guidance Service, som uttryckligen fokuserar på de övergripande förutsättningar som möjliggör en ansvarsfull och robust användning av AI-teknik i industrin.

Vad industrin fick ut: bortom ett enskilt användningsfall

Även om användningsfallet för kvalitetsinspektion var förankrat i Skultuna Induflex produktionsmiljö sträcker sig insikterna långt bortom ett enskilt företag. De infrastruktur frågor som adresserades inom STRIDE är gemensamma för många initiativ inom industriell digitalisering.

För Skultuna Induflex resulterade projektet i tydligare och validerade krav för ett framtida inspektionssystem samt ökad trygghet inför kommande investeringssteg. Samtidigt möjliggör detta för partners som Hitachi Energy att adressera liknande utmaningar i andra användningsfall, såsom tillståndsövervakning och datadrivet beslutsstöd. Ur detta perspektiv erbjuder Guidance Service en återanvändbar metod för att utforska behov av digital infrastruktur inom olika industriella tillämpningar.

Ur ett industriellt automationsperspektiv tydliggjorde Mitsubishi Electrics medverkan vikten av att även beprövad teknik behöver valideras i specifika operativa sammanhang. Produktvarianter, defekttyper och integrationsförutsättningar varierar mellan olika processer och miljöer, vilket förstärker behovet av strukturerad samverkan mellan teknikleverantörer och slutanvändare.

Samlat bidrog arbetet inom konsortiet till en mer holistisk förståelse av hur digital infrastruktur, cybersäkerhet, regelverk och organisatorisk beredskap behöver hanteras tillsammans. Även om användningsfallen varierar är det underliggande angreppssättet brett tillämpbart inom industrin.

Från ett enskilt användningsfall till en bredare metod

Användningsfallet hos Skultuna Induflex visar hur en konkret industriell utmaning kan användas för att utforska bredare frågor kring digital infrastruktur och AI-användning. Även om de tekniska detaljerna är specifika delas de underliggande utmaningarna av många tillverkningsföretag.

STRIDE-projektet adresserade dessa utmaningar genom STRIDE Guidance Service, en lättviktig och strukturerad metod för att definiera behov av digital infrastruktur baserat på faktiska verksamhetskrav. Metoden hjälper organisationer att ställa rätt frågor tidigt i processen och fatta välgrundade beslut innan större investeringar genomförs.

I takt med att AI och digital teknik fortsätter att utvecklas ger ett fokus på människor, arbetsflöden och infrastruktur en starkare grund för ansvarsfull, robust, effektiv och skalbar digitalisering. Resultaten från STRIDE är avsedda att fungera som en utgångspunkt för fortsatt samverkan och tillämpning i olika industriella sammanhang.

Avslutningsvis, om er organisation utforskar nya digitaliseringsinitiativ eller AI-baserade förbättringar, välkomnar vi en dialog kring ert användningsfall. STRIDE-metoden är utformad för att hjälpa industrin att tidigt tydliggöra infrastrukturbehov och minska osäkerhet inför större investeringar.

STRIDE-projektet finansierades av Vinnova, Sveriges innovationsmyndighet, inom programmet Avancerad digitalisering.