Uczenie maszynowe wkracza do hut i walcowni jako naturalna odpowiedź na rosnące wymagania rynku wobec jakości stali, stabilności parametrów produkcji oraz optymalizacji kosztów. Tam, gdzie przez dziesięciolecia dominowały empiryczne reguły, doświadczenie pracowników i proste systemy sterowania, coraz większą rolę zaczynają odgrywać algorytmy zdolne do analizowania ogromnych zbiorów danych procesowych. W efekcie kontrola jakości przestaje być wyłącznie etapem końcowym, ograniczonym do badań laboratoryjnych i ręcznej oceny powierzchni, a staje się procesem ciągłym, opartym o prognozowanie, wczesne wykrywanie odchyleń i samouczenie się całego systemu produkcyjnego.
Znaczenie jakości stali i rola danych w nowoczesnych hutach
Stal jest fundamentem współczesnej gospodarki: od konstrukcji mostów i wieżowców, poprzez rurociągi, kolejnictwo i motoryzację, aż po precyzyjne elementy maszyn i narzędzia. W każdej z tych dziedzin oczekuje się nie tylko zgodności z normami, lecz także powtarzalności i ścisłej kontroli kluczowych właściwości, takich jak wytrzymałość na rozciąganie, udarność, odporność na korozję, hartowność czy podatność na obróbkę plastyczną. Nawet niewielkie odstępstwa mogą prowadzić do poważnych konsekwencji: zwiększonej awaryjności, skrócenia trwałości konstrukcji, a w skrajnych przypadkach – do katastrof technicznych.
Tradycyjnie kontrola jakości w przemyśle stalowym opierała się na okresowym pobieraniu próbek z wytopu lub z linii walcowniczej, wykonywaniu serii badań mechanicznych i metalograficznych, a następnie porównywaniu wyników z wymaganiami norm lub zamówienia odbiorcy. Metody te pozostają niezbędne, ale ich głównym ograniczeniem jest charakter wyrywkowy: badana jest niewielka część produkcji, z opóźnieniem wynikającym z czasu potrzebnego na przygotowanie próbek i wykonanie testów. Jeśli pojawi się seria wadliwych partii, bywa już za późno, aby zapobiec generowaniu dużej ilości odpadu lub kosztownego przeznaczenia wsadu do niżej płatnych zastosowań.
Równolegle z tym podejściem w zakładach hutniczych generowane są ogromne ilości danych procesowych, które przez lata pozostawały w dużej mierze niewykorzystane. Kamery inspekcyjne rejestrują obraz powierzchni taśmy stalowej, czujniki temperatur monitorują przebieg nagrzewania w piecach, rejestratory mierzą przepływy tlenu i gazów w konwertorach, a systemy sterowania zapisują parametry walcowania, chłodzenia, prostowania czy obróbki cieplnej. Jednocześnie wzbogacaniu ulega baza wyników badań mechanicznych, chemicznych i strukturalnych. Wszystkie te informacje tworzą bogaty ekosystem danych, w którym kryją się wzorce i zależności trudne do wychwycenia tradycyjnymi metodami analizy.
W tym kontekście uczenie maszynowe staje się naturalnym narzędziem: pozwala łączyć dane z różnych etapów procesu, wykrywać złożone relacje pomiędzy składem chemicznym, parametrami wytopu, przebiegiem walcowania i ostatecznymi właściwościami wyrobu. Dzięki temu kontrola jakości zyskuje wymiar predykcyjny – możliwe staje się przewidywanie jakości jeszcze przed zakończeniem wszystkich operacji technologicznych. To z kolei otwiera drogę do czynnej ingerencji w proces, zanim powstaną partie niespełniające wymogów klienta.
Kolejnym istotnym aspektem jest rosnąca złożoność asortymentu stali. Współczesna huta produkuje setki gatunków różniących się składem i przeznaczeniem: od prostych stali konstrukcyjnych po wysoce wyspecjalizowane stale sprężynowe, narzędziowe czy dwufazowe. Dla każdego z nich właściwy jest inny zestaw parametrów produkcyjnych, inny reżim cieplny i inne kryteria akceptacji. Człowiek jest w stanie zapamiętać jedynie fragment tej wiedzy; pełne uchwycenie wszystkich kombinacji zmiennych wymaga systemu, który potrafi uczyć się na podstawie przykładów – partii udanych i nieudanych, optymalnych i problematycznych. Algorytmy uczenia maszynowego idealnie wpisują się w tę potrzebę, przekształcając zakłady hutnicze w środowisko zorientowane na dane.
Kluczowe obszary zastosowania uczenia maszynowego w kontroli jakości stali
Wdrożenia uczenia maszynowego w przemyśle stalowym obejmują szeroki zakres zastosowań – od analizy obrazu, przez modelowanie parametryczne, aż po systemy rekomendacji ustawień procesowych. Poniżej przedstawiono najważniejsze obszary, w których algorytmy uczące wnoszą wymierną wartość do kontroli jakości.
Inspekcja powierzchni i wykrywanie wad wizualnych
Jednym z najbardziej naturalnych obszarów zastosowania uczenia maszynowego jest automatyczna inspekcja powierzchni blach, taśm, prętów czy kęsów. W tradycyjnym podejściu operatorzy linii produkcyjnej lub kontrolerzy jakości dokonują oględzin produktów, poszukując rys, pęknięć, wtrąceń, wżerów korozyjnych, rąbków walcowniczych czy innych nieciągłości. Zadanie to jest żmudne, podatne na zmęczenie i obarczone ryzykiem subiektywnej oceny. Jednocześnie tempo produkcji – zwłaszcza na liniach ciągłego odlewania i walcowania taśm – jest na tyle wysokie, że pełna ręczna inspekcja staje się praktycznie niewykonalna.
Nowoczesne systemy wizyjne, wzbogacone o modele głębokiego uczenia, potrafią w czasie rzeczywistym analizować obraz powierzchni stali i klasyfikować wykryte nieciągłości. Kamery liniowe i matrycowe rejestrują obraz w świetle widzialnym, a coraz częściej także w podczerwieni czy w innych zakresach, co pozwala uwidocznić defekty niewidoczne dla ludzkiego oka. Modele typu sieci konwolucyjne uczą się na tysiącach przykładów – zdjęciach fragmentów taśmy wraz z etykietami opisującymi rodzaj i rozmiar defektów. W rezultacie system nie tylko stwierdza obecność wady, ale także klasyfikuje ją, powiązując z potencjalnym źródłem w procesie.
Takie podejście ma kilka kluczowych zalet. Po pierwsze zapewnia powtarzalność oceny – algorytm stosuje te same kryteria przez całą dobę, niezależnie od zmęczenia, doświadczenia czy indywidualnych preferencji inspektora. Po drugie umożliwia pełne pokrycie produkcji: każda rolka, każdy pręt czy arkusz mogą zostać ocenione, a wyniki zapisane w bazie danych jako cyfrowy paszport jakości. Po trzecie, dzięki analizie statystycznej lokalizacji i czasu wystąpienia defektów, system może wskazywać na konkretne przyczyny, na przykład niewłaściwą pracę dysz chłodzących, zanieczyszczenia w stacji odlewania ciągłego czy problemy z prowadzeniem taśmy w klatkach walcowniczych.
W praktyce wdrożenie takiego systemu wymaga stworzenia dużego zbioru uczącego: zdjęć z różnymi rodzajami wad oraz materiału referencyjnego przedstawiającego powierzchnię prawidłową. Kluczowym etapem jest tu współpraca specjalistów ds. jakości z zespołem odpowiedzialnym za modele, aby poprawnie zdefiniować klasy defektów i progi akceptacji. Na tej podstawie powstaje model, który po odpowiednim przeszkoleniu może działać w trybie on-line, generując komunikaty alarmowe, raporty oraz dane wejściowe do szerszych systemów zarządzania jakością.
Modelowanie właściwości mechanicznych i struktury stali
Kontrola jakości stali nie ogranicza się do wyglądu powierzchni. Kluczowe znaczenie mają także właściwości mechaniczne oraz wewnętrzna mikrostruktura, które tradycyjnie bada się na próbkach pobranych z partii produkcyjnej. Proces ten jest czasochłonny i kosztowny, a uzyskane wyniki dotyczą tylko niewielkiej części wyprodukowanego materiału. Uczenie maszynowe pozwala znacząco rozszerzyć zakres informacji, budując modele predykcyjne, które łączą parametry procesu i składu chemicznego z wynikami badań mechanicznych i strukturalnych.
W takiej konfiguracji każda partia produkcyjna jest reprezentowana przez wektor cech obejmujący między innymi zawartości pierwiastków stopowych, temperatury w kluczowych punktach procesu (piec, konwertor, odlew, walcarka, piece do obróbki cieplnej), prędkości walcowania i chłodzenia, czasy przetrzymania, a także inne miary, jak natężenie przepływu mediów czy parametry mieszania w kadzi. Na podstawie dużego archiwum danych, w którym do tych cech przypisane są rzeczywiste wyniki badań, modele regresyjne uczą się przewidywać na przykład granicę plastyczności, wytrzymałość na rozciąganie, wydłużenie, twardość czy udarność.
Odpowiednio zbudowany model może posłużyć do szybkiego oszacowania właściwości jeszcze przed faktycznym wykonaniem wszystkich badań, co umożliwia wcześniejszą kwalifikację partii do konkretnych zamówień lub klas jakości. W połączeniu z modelowaniem niepewności prognozy system może wskazywać partie wymagające szczególnie uważnej weryfikacji laboratoryjnej, a inne – o wysokiej przewidywalności – poddawać uproszczonemu zestawowi testów. Pozwala to optymalizować obciążenie laboratoriów i skracać cykl od produkcji do wysyłki.
Podobne podejście można zastosować do przewidywania parametrów mikrostruktury, takich jak udział ferrytu, perlitu, bainitu czy martenzytu, wielkość ziarna, rozkład wtrąceń niemetalicznych czy stopień odpuszczenia. W tym celu łączy się dane procesowe z wynikami analiz metalograficznych i skaningowych, tworząc modele opisujące relacje między historią cieplno-mechaniczną a otrzymywaną strukturą. Dzięki temu można budować bardziej świadome ścieżki produkcyjne, dostosowane do konkretnych wymagań użytkownika końcowego, na przykład producenta części samochodowych czy elementów ciśnieniowych.
Prognozowanie i zapobieganie powstawaniu wad wewnętrznych
Wady wewnętrzne – takie jak pęcherze gazowe, mikropęknięcia, segregacja składników, skazy skurczowe czy zanieczyszczenia niemetaliczne – stanowią poważne wyzwanie dla kontroli jakości, ponieważ są niewidoczne na powierzchni gotowego wyrobu. Ich wykrywanie wymaga zwykle metod nieniszczących, takich jak ultradźwięki, prądy wirowe, radiografia czy badania magnetyczne. Mimo rosnących możliwości aparaturowych, badania te również obejmują ograniczony zakres materiału, a ich interpretacja jest skomplikowana.
Uczenie maszynowe umożliwia tworzenie modeli, które przewidują prawdopodobieństwo wystąpienia wad wewnętrznych na podstawie przebiegu procesu. Na przykład, analiza danych z odlewania ciągłego może ujawnić, że określona kombinacja prędkości ciągłego odlewania, nadlewów, strumienia chłodzenia wtórnego i składu chemicznego sprzyja powstawaniu pęknięć poprzecznych lub podłużnych. Z kolei w procesie wytapiania modele mogą wskazać zakresy parametrów, w których ryzyko nadmiernej obecności wtrąceń niemetalicznych znacząco rośnie.
Takie predykcyjne podejście daje możliwość wdrożenia strategii prewencyjnych. System, wykrywając niekorzystne zestawienie parametrów w czasie rzeczywistym, może wygenerować ostrzeżenie dla operatora lub automatycznie skorygować ustawienia, na przykład zmienić intensywność chłodzenia, korektę składu czy parametry mieszania. W efekcie prawdopodobieństwo powstania serii wadliwych kęsów lub wlewków maleje, co przekłada się na ograniczenie ilości odpadu, poprawę wykorzystania wsadu i wyższą stabilność jakości.
Modele tego typu wymagają jednak szczególnie starannego przygotowania danych, w tym powiązania wyników badań nieniszczących i destrukcyjnych z pełnym zapisem historii procesu dla każdej partii. Niezbędne jest także uwzględnienie niepewności pomiarów i jakości etykiet, ponieważ nie wszystkie wady da się jednoznacznie sklasyfikować. Mimo tych trudności wdrożone rozwiązania pokazują, że połączenie metod statystycznych, klasycznych modeli fizycznych i uczenia maszynowego pozwala osiągnąć poziom predykcji, który byłby niemożliwy do uzyskania za pomocą pojedynczych narzędzi.
Optymalizacja ustawień procesowych pod kątem jakości
Kontrola jakości w nowoczesnym rozumieniu to nie tylko ocena i klasyfikacja wyrobu końcowego, lecz także aktywne kształtowanie procesu tak, aby minimalizować zmienność i ryzyko odchyleń. Uczenie maszynowe dostarcza narzędzi do tworzenia systemów rekomendacji, które sugerują optymalne ustawienia parametrów technologicznych dla określonego gatunku stali, docelowych właściwości i warunków pracy urządzeń. W tym obszarze szczególne znaczenie mają techniki uczenia nadzorowanego, uczenia ze wzmocnieniem i zaawansowane metody optymalizacji wielokryterialnej.
Przykładowo, model może analizować dane z setek poprzednich wytopów danego gatunku, biorąc pod uwagę skład wsadu, temperaturę ciekłej stali, zużycie materiałów ogniotrwałych, czasy przetrzymania w kadzi, ilość dodawanych stopów, parametry odgazowania próżniowego i inne czynniki. Na tej podstawie system jest w stanie zaproponować takie ustawienia, które zwiększają prawdopodobieństwo uzyskania pożądanych właściwości mechanicznych przy jednoczesnym ograniczeniu zużycia stopów lub energii. W podobny sposób można optymalizować parametry walcowania: temperatury wejściowe, naciski, prędkości, rozkład redukcji w poszczególnych klatkach i intensywność chłodzenia po walcowaniu.
W bardziej zaawansowanych implementacjach stosuje się uczenie ze wzmocnieniem, w którym agent – reprezentujący system sterowania – uczy się poprzez interakcję z procesem lub jego cyfrowym bliźniakiem. Celem jest maksymalizacja funkcji nagrody, odzwierciedlającej zarówno jakość wyrobu, jak i wydajność, zużycie energii i materiałów. Taki agent stopniowo odkrywa politykę sterowania prowadzącą do najlepszych wyników, ucząc się na podstawie wyników wielu symulowanych lub rzeczywistych cykli produkcyjnych. Dzięki temu możliwe jest znalezienie niestandardowych kombinacji parametrów, które trudno byłoby odkryć jedynie na podstawie doświadczenia technologa.
Integracja z systemami śledzenia produkcji i identyfikowalności
Uczenie maszynowe w kontroli jakości nabiera pełnego znaczenia dopiero wtedy, gdy zostanie ściśle powiązane z systemami śledzenia produkcji i identyfikowalności partii. Współczesna huta generuje rozbudowaną dokumentację cyfrową, w której każda cewka, belka czy pręt mają przypisany unikatowy identyfikator, powiązany z historią procesu, wynikami badań, informacjami o odbiorcy i zastosowaniu. Połączenie tych danych w jedną spójną bazę, a następnie zastosowanie algorytmów uczenia maszynowego, pozwala odkrywać zależności, które wcześniej pozostawały niewidoczne.
Przykładem jest analiza reklamacji i zwrotów od klientów. Modele mogą wskazywać, że określone źródło wsadu, kombinacja urządzeń lub przedział czasowy w ciągu doby wiążą się z podwyższonym ryzykiem niezgodności. Z kolei analiza długoterminowa łączy informacje o eksploatacji konstrukcji stalowych z parametrami produkcji, co umożliwia lepsze dopasowanie właściwości materiału do rzeczywistych warunków pracy. Takie sprzężenie zwrotne jest kluczowe dla ciągłego doskonalenia jakości i rozwoju nowych, bardziej niezawodnych gatunków stali.
Wyzwania, dobre praktyki i przyszłe kierunki rozwoju
Choć potencjał uczenia maszynowego w kontroli jakości stali jest ogromny, praktyczne wdrożenia napotykają na szereg wyzwań technicznych, organizacyjnych i kompetencyjnych. Sukces zależy od świadomego podejścia do danych, właściwego doboru modeli oraz ścisłej współpracy między specjalistami IT, automatykami, technologami i działem jakości.
Jakość danych i integracja systemów
Podstawowym warunkiem stosowania uczenia maszynowego jest wysoka jakość danych. Oznacza to nie tylko dokładność pomiarów, ale także ich spójność, pełność i właściwe powiązanie w czasie. W hutach funkcjonuje zazwyczaj wiele niezależnych systemów: sterowania procesem, rejestracji parametrów, laboratoriów, utrzymania ruchu, zarządzania produkcją i relacjami z klientami. Każdy z nich przechowuje informacje w innym formacie i granularity, co utrudnia tworzenie jednolitej bazy danych potrzebnej do trenowania modeli.
Aby temu zaradzić, konieczne jest wdrożenie strategii integracji danych obejmującej standardy identyfikacji partii, synchronizację czasową rejestratorów, procedury walidacji i czyszczenia zapisów oraz budowę centralnego repozytorium. Istotną rolę odgrywa tu koncepcja przemysłowego internetu rzeczy, w ramach której dane z czujników, sterowników i systemów nadrzędnych trafiają do wspólnej platformy analitycznej. Dopiero na tej podstawie można budować wiarygodne modele, które nie będą zniekształcane przez luki, sprzeczne oznaczenia czy błędy pomiarowe.
Dodatkową trudność stanowi reprezentatywność zbiorów uczących. Nie wystarczy zgromadzić dużej liczby przykładów; muszą one obejmować pełne spektrum zmienności procesu: różne gatunki stali, sezony, konfiguracje urządzeń i warunki pracy. Zbyt jednostronny zbiór danych prowadzi do uprzedzeń modelu, który dobrze sprawdza się w sytuacjach typowych, ale zawodzi w nietypowych warunkach, właśnie wtedy, gdy wsparcie analityczne jest najbardziej potrzebne.
Dobór modeli i interpretowalność wyników
W przemyśle stalowym szczególnie ważna jest interpretowalność modeli. Decyzje dotyczące korekt procesu, akceptacji lub odrzutu partii wiążą się z poważnymi konsekwencjami finansowymi i bezpieczeństwa. Z tego względu rozwiązania oparte na uczeniu maszynowym muszą być w stanie nie tylko wygenerować prognozę lub klasyfikację, ale także wyjaśnić, dlaczego dana decyzja została podjęta. Nadmiernie złożone modele, takie jak głębokie sieci neuronowe działające jako czarne skrzynki, mogą budzić nieufność technologów i personelu produkcyjnego.
Odpowiedzią na to wyzwanie są metody wyjaśniania decyzji modeli, takie jak analiza istotności cech czy lokalne aproksymacje liniowe, pozwalające określić, które zmienne w największym stopniu wpłynęły na wynik dla konkretnej partii. W wielu przypadkach korzystne jest łączenie bardziej złożonych modeli z prostszymi, regułowymi opisami, które dają inżynierom intuicyjne zrozumienie kierunku zmian w procesie. Alternatywą jest wykorzystanie hybrydowych modeli, łączących klasyczne równania fizyczne opisujące zjawiska metalurgiczne z warstwą korekcyjną opartą na uczeniu maszynowym.
Istotną kwestią jest również unikanie nadmiernego dopasowania, czyli sytuacji, w której model bardzo dobrze odwzorowuje dane historyczne, ale słabo radzi sobie z nowymi, nieznanymi przypadkami. W warunkach hutniczych, gdzie proces podlega ciągłym zmianom (modernizacje urządzeń, nowe surowce, inne wymagania klientów), modele muszą być regularnie aktualizowane i walidowane na bieżących danych. Zbyt rzadkie przeglądy prowadzą do stopniowej utraty trafności prognoz, co z kolei osłabia zaufanie użytkowników.
Kompetencje zespołów i zmiana kultury organizacyjnej
Wprowadzenie uczenia maszynowego do kontroli jakości stali wymaga nie tylko technologii, lecz także odpowiednich kompetencji i zmiany sposobu myślenia. Kadra techniczna, przyzwyczajona do klasycznych metod metalurgii i statystyki, musi nauczyć się współpracować z zespołami specjalizującymi się w analityce danych i algorytmach. Z kolei analitycy danych muszą zrozumieć specyfikę procesów hutniczych, ich ograniczenia fizyczne i praktyczne uwarunkowania pracy zakładów.
Najlepsze rezultaty przynosi tworzenie interdyscyplinarnych zespołów, w których technolog, automatyk, specjalista od utrzymania ruchu i inżynier danych wspólnie definiują problemy, projektują rozwiązania i oceniają wyniki. Tylko w takim układzie możliwe jest przełożenie abstrakcyjnych wskaźników jakości modelu na konkretne efekty produkcyjne: zmniejszenie liczby reklamacji, redukcję złomu, poprawę stabilności parametrów czy skrócenie czasu reakcji na odchylenia.
Zmiana kultury organizacyjnej polega także na przejściu od podejmowania decyzji wyłącznie na podstawie doświadczenia do podejścia opartego na dowodach ilościowych. Modele uczenia maszynowego stają się jednym z głównych źródeł informacji, ale nie zastępują wiedzy ekspertów; raczej ją uzupełniają, wskazując obszary wymagające uwagi lub sygnalizując zjawiska trudne do uchwycenia intuicyjnie. Warunkiem powodzenia jest zaufanie do systemu, budowane stopniowo poprzez pilotażowe wdrożenia, transparentne raportowanie i pokazanie wymiernych korzyści.
Bezpieczeństwo, niezawodność i aspekt regulacyjny
W zastosowaniach przemysłowych kluczowe znaczenie ma niezawodność systemów wspomagających kontrolę jakości. Błędy modelu mogą prowadzić do nieuzasadnionego odrzucenia partii (generując koszty) lub, co gorsza, do dopuszczenia materiału niespełniającego kryteriów bezpieczeństwa. Dlatego w praktyce algorytmy uczące są zwykle wykorzystywane jako warstwa wspomagająca, a nie jedyne źródło decyzji – szczególnie w obszarach krytycznych, takich jak wyroby dla przemysłu jądrowego, lotniczego czy ciśnieniowego.
Wymaga to rozwoju procedur walidacji i certyfikacji modeli, analogicznych do tych stosowanych w odniesieniu do aparatury pomiarowej i metod badawczych. Niezbędne jest określenie zakresu, w którym model może być stosowany, monitorowanie jego działania w czasie oraz definiowanie scenariuszy awaryjnych, w których decyzja jest przekazywana z powrotem do człowieka. Równolegle należy zadbać o cyberbezpieczeństwo infrastruktury, ponieważ naruszenie integralności danych wejściowych lub parametrów modelu mogłoby mieć poważne konsekwencje dla jakości i bezpieczeństwa produkcji.
W miarę rozwoju przepisów i norm technicznych można spodziewać się pojawienia wymagań odnoszących się bezpośrednio do wykorzystania uczenia maszynowego w systemach zapewnienia jakości. Już obecnie niektóre branże, jak motoryzacyjna czy kolejowa, zaczynają formułować wytyczne dotyczące transparentności, audytowalności i możliwości odtworzenia działania systemów opartych na sztucznej inteligencji. Huty dostarczające stal do tych sektorów będą musiały uwzględnić te wymagania, integrując modele z istniejącymi systemami zarządzania jakością.
Kierunki rozwoju: cyfrowe bliźniaki, uczenie ciągłe i współpraca między zakładami
Przyszłość uczenia maszynowego w kontroli jakości stali wiąże się z koncepcją cyfrowego bliźniaka – wirtualnej reprezentacji procesu hutniczego, która odzwierciedla jego aktualny stan, parametry i zachowanie. Taki bliźniak łączy klasyczne modele fizyczne opisujące przepływ ciepła, odkształcenia plastyczne i przemiany fazowe z warstwą danych rzeczywistych oraz modelami uczącymi, które korygują i uzupełniają opis tam, gdzie wiedza fizyczna jest niepełna. Dzięki temu możliwe jest przeprowadzanie symulacji wpływu zmian parametrów na jakość wyrobu, bez ryzyka zakłócania rzeczywistej produkcji.
Ważnym trendem jest także uczenie ciągłe, w którym modele nie są tworzone jednorazowo, lecz rozwijają się wraz z procesem. Systemy te potrafią automatycznie wykrywać zmiany w charakterystyce danych, inicjować proces ponownego treningu na podstawie najnowszych pomiarów i zachowywać historię wcześniejszych wersji. W połączeniu z mechanizmami kontroli jakości danych i nadzoru człowieka, podejście to pozwala utrzymać wysoką trafność prognoz nawet w silnie zmieniających się warunkach produkcyjnych.
Perspektywiczny jest również wymiar współpracy między zakładami. Wiele hut boryka się z podobnymi problemami jakościowymi, ale ze względu na konkurencję i poufność danych niechętnie dzieli się szczegółowymi informacjami o procesie. Rozwiązaniem mogą być techniki prywatnego i federacyjnego uczenia, w których modele są trenowane lokalnie na danych poszczególnych przedsiębiorstw, a do wspólnej przestrzeni trafiają jedynie zanonimizowane parametry, pozwalające na poprawę ogólnej jakości modeli bez ujawniania wrażliwych szczegółów. Dzięki temu możliwe staje się tworzenie wysoko wyspecjalizowanych, branżowych rozwiązań, podnoszących poziom jakości w całym sektorze stalowym.
Wraz z rosnącą mocą obliczeniową i dostępnością wyspecjalizowanego sprzętu pojawia się również możliwość wykorzystania bardziej zaawansowanych technik, takich jak modele generatywne do symulacji rzadkich typów defektów czy zaawansowane architektury grafowe do modelowania powiązań między elementami infrastruktury produkcyjnej. Połączenie tych narzędzi z praktyczną wiedzą metalurgiczną tworzy środowisko, w którym kontrola jakości staje się procesem aktywnie współtworzonym przez algorytmy i ludzi, a stal – materiałem projektowanym i wytwarzanym w oparciu o bogate, wielowymiarowe dane.
