AI u ZNR-u: provjereni alati i ograničenja primjene

U Coatsovu pogonu Madurai New Mill računalni vid korišten je za praćenje prekoračenja brzine vozila. Prema prikazu koji objavljuje dobavljač Intenseye, nakon prvih edukacija broj detektiranih prekoračenja pao je 20 % u tjedan dana. Uz daljnju komunikaciju i provedbu mjera zabilježen je pad veći od 50 %. To je konkretan primjer primjene, međutim rezultat opisuje prekoračenja brzine, no ne i broj ozljeda.

U toj razlici nalazi se dobar početak razgovora o temi AI u ZNR-u. Naime, alat može pomoći da stručnjak vidi problem koji mu je prije promicao. E sad, sljedeće pitanje glasi što se nakon toga promijenilo u radu i koliko pouzdano znamo da je promjena pomogla.

AI u ZNR-u: što nam govori novo ASSP-ovo istraživanje?

ASSP je 14. listopada ove godine objavio istraživanje među 992 stručnjaka sigurnosti, provedeno s Kalorama Researchom od 6. srpnja do 2. kolovoza. Ispitanici su dosljednije prijavljivali uštedu vremena na ponavljajućim zadacima nego smanjenje ozbiljnih ozljeda i smrtnih slučajeva. Kvaliteta podataka bila je prepreka za 62 % organizacija obuhvaćenih odgovorima.

To su anketni, samoprijavljeni rezultati. Nisu eksperiment koji potvrđuje učinkovitost pojedinog proizvoda ni reprezentativna slika Hrvatske. Ipak, korisno usmjeravaju očekivanja: trenutačno je lakše dokumentirati ubrzanje nekog postupka nego njegov dugoročni učinak na zdravlje.

Ušteda vremena pritom ima smisla. Ako ostavlja više prostora za obilazak radnog mjesta i provedbu mjera, može biti vrijedna. Ako se potroši na pregledavanje pogrešnih upozorenja ili popravljanje nacrta, treba je ponovno izračunati.

Koji alati imaju javno dostupnu provjeru?

Za ovaj pregled odabrani su komercijalni alati s dokumentiranom primjenom ili objavljenim testiranjem te jedan opći generativni alat ispitan na primjerima sigurnosti strojeva. Nisu svi dokazi jednako jaki.

Tablica je pregled dokaza, a ne rang-lista za kupnju. Izbor za AI u ZNR-u treba početi od zadatka koji tvrtka želi riješiti.

TuMeke: korisna dosljednost, uz važna ograničenja

U istraživanju objavljenom 2025. u časopisu PLOS One analizirana je 21 snimka triju veterinarskih radnica tijekom rendgenskog snimanja konja. REBA procjene, odnosno procjene ergonomskog rizika položaja tijela, uspoređene su između TuMekea i triju ljudskih procjenitelja različitog iskustva.

Softver je pri ponovljenoj obradi istih snimki davao identične rezultate. Slaganje sa stručnjakom bilo je bolje za trup, noge i nadlakticu, a slabije za vrat, podlakticu i ručni zglob. Autori traže dodatnu provjeru točnosti te navode da studija nije ispitivala valjanost sustava. Istraživač je ručno unosio i podatke o opterećenju, hvatu i aktivnosti. Slaganje među ljudskim procjeniteljima također je bilo slabo; ni njihove ocjene nisu bile međusobno zamjenjive.

Za AI u ZNR-u to je korisna, usko određena provjera. Pokazuje prednost dosljednog ocjenjivanja, osobito kao pomoći manje iskusnim korisnicima. Ne opravdava prepuštanje cijele ergonomske procjene aplikaciji. Za odluku o promjeni radnog mjesta i dalje su potrebni podaci o poslu koji nadilaze sliku položaja tijela.

Protex AI: M&S je na temelju snimki mijenjao osposobljavanje

U distribucijskom centru M&S-a u Castle Doningtonu Protex AI povezan je s postojećim kamerama. Dobavljačev prikaz opisuje kako je tim na temelju uočenih obrazaca provodio ciljane edukacije. Nakon povećanja broja agencijskih radnika porastao je broj zabilježenih događaja, što je potaknulo preispitivanje njihova uvođenja u posao.

Stranica navodi pad „incidenata” od 80 %. Međutim, ne treba ga pretvoriti u tvrdnju o 80 % manje ozljeda. Usto naslov govori o deset tjedana, a glavni tekst o tri mjeseca, pa ni trajanje rezultata ne treba prenositi bez ograde. Prikaz ne daje kontrolnu skupinu ni podatke dovoljne za odvajanje učinka softvera od edukacija.

Vrijednost ovog primjera za AI u ZNR-u leži u opisanoj odluci: podaci su pomogli prepoznati gdje treba promijeniti osposobljavanje. Postotak je slabija osnova za predviđanje rezultata u drugom skladištu.

Intenseye: promatranje je pomoglo usmjeriti intervenciju

Coatsov primjer s početka članka opisuje rad s postojećim kamerama, prepoznavanje prekoračenja brzine i intervencije usmjerene na vozače. Izvor je dobavljač, a rezultat se odnosi na određeni pogon.

Takav sustav može imati praktičnu vrijednost ondje gdje povremeni obilasci ne daju dovoljno podataka o prometu. No opisani uspjeh uključuje i rad ljudi koji su nalaze pretvorili u mjere.

Za poslodavca koji razmatra AI u ZNR-u zato je korisnije tražiti prikaz cijelog postupka nego samo završni postotak: kako je događaj definiran, kako je nalaz provjeren i što je nakon njega poduzeto. Bez toga dvije tvrtke mogu pod istim nazivom pokazatelja brojiti različite stvari.

ChatGPT: ispitan pomoćnik, uz zabilježene pogreške

Rad Clever Hans in the Loop?, objavljen 2025. u časopisu Eng, ispitao je ChatGPT u analizi četiriju opisanih industrijskih primjera iz IFA-ina izvještaja: motornih vrata, autonomnih transportnih vozila, tkalačkih strojeva i rotacijskih tiskarskih strojeva. To nije bila studija uvođenja alata u četiri pogona.

U primjeru motornih vrata početni prijedlog tražene razine svojstava sigurnosne funkcije, PLr, odstupao je od referentnog rješenja: predložena je razina d umjesto c. Stručnjaci su kroz iteracije korigirali odgovore. Rad bilježi korist u pripremi analize, ali konačno slaganje postignuto je uz njihov doprinos. Visoke ocjene vremenske učinkovitosti dane su na ljestvici procjene; nisu postotak izmjerene uštede vremena.

Ovaj primjer pokazuje zašto AI u ZNR-u može biti pomoć pri pripremi prijedloga, ali i zašto odgovor treba provjeriti prema dokumentaciji. Rezultati tog testa ne mogu se automatski pripisati današnjim verzijama modela ili tumačenju hrvatskih propisa.

Kritike AI-ja u ZNR-u koje imaju dokumentirano uporište

Prva je već vidljiva u ergonomskom testu: sustav može biti dosljedan bez potvrde da je točan. Različiti pokazatelji odgovaraju na različita pitanja. Ponovljiv rezultat nije dovoljan razlog da prestanemo provjeravati njegov sadržaj.

Druga se odnosi na radnike. M&S-ov prikaz bilježi početnu percepciju da ih kamere promatraju, uz kasnije poboljšanje prihvaćanja kroz edukaciju i podršku. To je iskustvo opisano u dobavljačevu prikazu, a ne neovisno mjerenje psihosocijalnog učinka. Ne treba ga ni prešutjeti ni pretvoriti u dokaz da svaka kamera izaziva štetu.

Studija slučaja naručena od EU-OSHA-e također opisuje zabrinutost zbog stalnog nadzora i važnost uključivanja radnika. Upozorava na moguće preopterećenje stručnjaka informacijama i preveliko usmjeravanje na rizike koje sustav može registrirati. To su identificirane prepreke i rizici primjene, ne dokazi da je svaki opisani štetni učinak nastupio kod svakog korisnika.

Za AI u ZNR-u granice korištenja podataka zato treba dogovoriti prije pilota. Radnicima treba biti jasno što se prati, tko vidi podatke, za koju svrhu se koriste i kako mogu osporiti pogrešan nalaz. Stručnjaku mora ostati vrijeme i za rizike koji nisu na nadzornoj ploči.

Kako provjeriti ima li alat smisla u vlastitoj tvrtki?

Za malu ili srednju tvrtku razuman početak bio bi jedan ograničen zadatak, uz unaprijed dogovorene kriterije. Sljedeća pitanja naš su prijedlog za provjeru pilota, a ne rezultat zasebnog istraživanja:

• Što točno provjeravamo: prepoznavanje položaja, događaja ili kvalitetu nacrta dokumenta?
• Koliko je nalaza ispravno, koliko pogrešno i što je sustav propustio?
• Koliko vremena traže provjera, podešavanje i ispravci?
• Koju smo mjeru na temelju nalaza proveli i kako provjeravamo njezin učinak?
• Je li promjena pokazatelja posljedica manje opasnosti ili drukčijeg brojanja?
• Kako su radnici uključeni i jesu li svrha te pristup podacima jasno uređeni?

Ne postoji jedan test koji vrijedi za sve ove proizvode. Kameru treba provjeriti u uvjetima u kojima će raditi; ergonomski alat na konkretnim zadacima; generativni alat usporedbom s provjerenim izvorima. Pokazatelje treba odabrati tako da mogu pokazati i neuspjeh pilota.

Vrijednost AI-ja u ZNR-u pokazuje se nakon upozorenja

Dostupni primjeri opravdavaju interes za ove alate. Postoje objavljena testiranja, imenovani korisnici i opisane promjene u praksi. Dokazi istodobno ne opravdavaju obećanje da će svaka nova aplikacija smanjiti ozljede za postotak iz tuđeg prikaza.

AI u ZNR-u treba procjenjivati prema poslu koji stvarno obavi, pogreškama koje napravi i promjeni koju omogući. U Coatsovu primjeru to nije završilo na detektiranom prekoračenju brzine. Netko je morao organizirati edukaciju, provesti mjere i pratiti rezultat. Upravo taj dio posla odlučuje hoće li dodatni podatak pomoći radniku.