Riferimenti incrociati basati sull'intelligenza artificiale: ottimizzazione dell'approvvigionamento di pezzi di ricambio e della gestione dell'inventario

Introduzione

Le moderne industrie manifatturiere e di processo affrontano sfide persistenti nella gestione dei pezzi di ricambio di manutenzione, riparazione e funzionamento (MRO). L'identificazione inefficiente delle parti, l'inventario duplicato e i tempi di inattività prolungati dovuti a componenti non disponibili influiscono sull'efficienza operativa e sulla redditività. Un tipico impianto di produzione può immagazzinare decine di migliaia di pezzi di ricambio unici, spesso provenienti da più produttori di apparecchiature originali (OEM) e fornitori di terze parti. Questa complessità porta a costi di mantenimento dell'inventario gonfiati, stimati al 15-30% del valore delle parti su base annua, e a un aumento dei tassi di tempo medio di riparazione (MTTR).

L’intelligenza artificiale (AI), in particolare il machine learning (ML) e l’elaborazione del linguaggio naturale (NLP), offre un approccio trasformativo a questo problema. I riferimenti incrociati basati sull'intelligenza artificiale automatizzano l'identificazione di pezzi di ricambio funzionalmente equivalenti da fonti di dati disparate. Questa capacità riduce la dipendenza da fornitori unici, mitiga i rischi della catena di fornitura e consente notevoli risparmi sui costi attraverso l’ottimizzazione degli approvvigionamenti e la riduzione delle scorte. Questo articolo esamina l'applicazione tecnica dell'intelligenza artificiale nei riferimenti incrociati, la sua implementazione e i vantaggi tangibili per le operazioni di produzione negli Stati Uniti e nel Regno Unito.

Come funziona

I riferimenti incrociati basati sull'intelligenza artificiale operano analizzando vasti set di dati di informazioni sulle parti per identificare somiglianze semantiche e strutturali tra i componenti. Il processo prevede in genere diverse fasi chiave:

1. Inserimento e preelaborazione dei dati

• Origini dati: il sistema acquisisce dati da vari sistemi aziendali, tra cui piattaforme ERP (Enterprise Resource Planning) (ad es. SAP, Oracle), sistemi di gestione della manutenzione computerizzata (CMMS) (ad es. Maximo, Infor EAM), sistemi di gestione dei dati di prodotto (PDM), cataloghi dei fornitori, cronologie degli ordini di acquisto e disegni tecnici.
• Estrazione dei dati: i dati non strutturati, come fogli dati PDF o descrizioni di testo, vengono estratti e convertiti in un formato leggibile dalla macchina.
• Pulizia dei dati: i dati grezzi spesso contengono incoerenze, errori di battitura e nomenclatura variabile. La preelaborazione prevede la standardizzazione, la normalizzazione e la deduplicazione per garantire la qualità dei dati. Ad esempio, "motore elettrico" e "motore elettrico" sono standardizzati in un termine comune.

2. Ingegneria delle caratteristiche e vettorizzazione

• Elaborazione del linguaggio naturale (NLP): Per le descrizioni testuali vengono applicate tecniche di PNL. La tokenizzazione suddivide il testo in singole parole e la lemmatizzazione/radice riduce le parole alla loro forma base (ad esempio, "correre" diventa "correre"). Le parole stop (ad esempio "a", "il") vengono rimosse.
• Word Embedding: modelli NLP avanzati, come Word2Vec, GloVe, o modelli basati su trasformatori come BERT, convertono parole e frasi in vettori numerici (embedding). Questi vettori catturano relazioni semantiche; le parole con significati simili si trovano più vicine nello spazio vettoriale. Ad esempio, "cuscinetto" e "boccola" potrebbero avere vettori più vicini di "cuscinetto" e "valvola".
• Estrazione degli attributi: i dati strutturati, come dimensioni (ad es. diametro dell'albero 25,4 mm/1 pollice), materiale (ad es. acciaio inossidabile 316), valori elettrici (ad es. 480 V, 60 Hz) e parametri prestazionali (ad es. 1750 giri/min), vengono estratti come caratteristiche. I valori numerici sono normalizzati.

3. Corrispondenza per similarità e apprendimento automatico

• Somiglianza dei vettori: una volta rappresentate le parti come vettori numerici, i parametri di somiglianza, come la somiglianza del coseno, vengono utilizzati per quantificare quanto sono simili due parti. Un punteggio di somiglianza del coseno più elevato (vicino a 1,0) indica una maggiore somiglianza.
• Algoritmi di clustering: algoritmi di apprendimento non supervisionato, come K-Means o DBSCAN, raggruppano parti con punteggi di somiglianza elevati in cluster, identificando in modo efficace potenziali equivalenti.
• Apprendimento supervisionato (facoltativo): se è disponibile un set di dati di parti equivalenti note, i modelli di apprendimento supervisionato possono essere addestrati per prevedere l'equivalenza con maggiore precisione, imparando da esempi convalidati dall'uomo.
• Classifica e punteggio di affidabilità: il sistema genera un elenco classificato di potenziali parti equivalenti, ciascuna con un punteggio di affidabilità che indica la probabilità di intercambiabilità funzionale. Questo punteggio aiuta gli ingegneri a dare priorità alla convalida.

Il risultato non è una dichiarazione definitiva ma una raccomandazione basata sui dati, che richiede la convalida da parte di un ingegnere qualificato per confermare l'idoneità a requisiti applicativi specifici e la conformità a standard come ASME B16.5 per le flange dei tubi o NFPA 70 per gli impianti elettrici.

Requisiti dei dati

L'efficacia dei riferimenti incrociati basati sull'intelligenza artificiale è direttamente proporzionale alla qualità, al volume e alla coerenza dei dati di input. Il rispetto degli standard di qualità dei dati è fondamentale.

Attributi dei dati chiave:

• Numero parte/SKU: Identificatori univoci di vari sistemi.
• Nome del produttore: produttore di apparecchiature originali e fornitori di terze parti.
• Descrizione della parte: Descrizione testuale dettagliata, spesso la fonte principale per la PNL.
• Specifiche tecniche: fondamentale per l'equivalenza funzionale. Gli esempi includono:
  • Meccanico: Dimensioni (ad esempio, diametro del foro 50 mm/1,97 pollici, lunghezza 150 mm/5,91 pollici), composizione del materiale (ad esempio, acciaio AISI 4140, ASTM A36), peso (ad esempio, 5 kg/11 libbre), valori di pressione (ad esempio, 200 PSI/ 13,8 bar), limiti di temperatura (ad es. da -20°C a 120°C / da -4°F a 248°F).
  • Elettrici: Voltaggio (ad es. 24 V CC, 480 V CA), corrente (ad es. 10 A), potenza (ad es. 5 kW/6,7 HP), frequenza (ad es. 50 Hz, 60 Hz), classificazione della custodia (ad es. NEMA 4X, IP66).
  • Potenza del fluido: Portate (ad es. 10 GPM / 37,8 LPM), valori di pressione (ad es. 3000 PSI / 207 bar), dimensioni delle porte (ad es. 1/2 pollice NPT).
• Certificazioni: UL, CSA, CE, ATEX, ISO, ecc., che confermano la conformità agli standard regionali e di settore.
• Unità di misura (UoM): unità coerenti per tutte le misurazioni.
• Immagini/Modelli CAD: i dati visivi possono migliorare l'analisi testuale, in particolare per la corrispondenza geometrica.

Qualità e volume dei dati:

• Qualità: dati imprecisi o incompleti (ad esempio dimensioni mancanti, descrizioni vaghe) riducono gravemente le prestazioni del modello AI. Uno studio condotto da IBM ha rilevato che la scarsa qualità dei dati costa all’economia statunitense 3,1 trilioni di dollari all’anno. Il rispetto di standard come ISO 8000 per la qualità dei dati è essenziale.
• Volume: un addestramento efficace del modello AI richiede volumi sostanziali di dati diversi. Un minimo di 10.000 record di parti uniche costituisce spesso una base di riferimento, mentre centinaia di migliaia o milioni producono risultati superiori.
• Coerenza: i protocolli di immissione dati standardizzati sono fondamentali. Discrepanze come "VLV" rispetto a "Valvola" o "SS304" rispetto a "Acciaio inossidabile 304" devono essere armonizzate.

Architettura di implementazione

Un efficace sistema di riferimenti incrociati basato sull'intelligenza artificiale richiede un'architettura solida in grado di gestire l'inserimento, l'elaborazione, l'analisi e l'integrazione dei dati con i flussi di lavoro MRO esistenti.

L'architettura tipica segue una struttura di pipeline di dati:

1. Origini dati: CMMS, ERP, PDM, database dei fornitori e catalogo elettronico di UNITEC-D.
2. Livello di inserimento dati: connettori e API sicuri raccolgono dati. Questo livello può essere on-premise o basato su cloud.
3. Data Lake/Warehouse: un repository centralizzato (ad esempio, AWS S3, Azure Data Lake, Snowflake) archivia i dati grezzi ed elaborati in vari formati.
4. Modulo di preelaborazione dei dati e ingegneria delle caratteristiche: servizi o script dedicati per la pulizia, la standardizzazione e la vettorizzazione dei dati delle parti. Questo componente prepara i dati per i modelli AI.
5. Motore AI/ML: l'unità di elaborazione principale, spesso distribuita su piattaforme cloud (ad esempio AWS SageMaker, Google AI Platform) per risorse di elaborazione scalabili. Ospita i modelli PNL, gli algoritmi di somiglianza e i modelli di apprendimento automatico.
6. Grafico della conoscenza (facoltativo ma consigliato): per relazioni complesse, un grafico della conoscenza può memorizzare connessioni esplicite tra parti, produttori e applicazioni, migliorando la precisione dell'intelligenza artificiale.
7. Gateway API/Livello di integrazione: fornisce interfacce sicure per i sistemi esterni per interrogare il motore AI. Ciò consente l'integrazione con i sistemi CMMS, ERP e di procurement esistenti.
8. Interfaccia utente (UI): un'applicazione basata sul Web per ingegneri di manutenzione e specialisti di approvvigionamento per cercare parti, rivedere i consigli dell'intelligenza artificiale, convalidare equivalenze e fornire feedback per migliorare la precisione del modello.
9. Ciclo di azioni e feedback: le parti equivalenti convalidate vengono aggiornate nel CMMS/ERP. Il feedback degli utenti sull'accuratezza delle raccomandazioni riqualifica e perfeziona continuamente i modelli di intelligenza artificiale.

La sicurezza dei dati e il controllo degli accessi sono fondamentali in ogni fase, in particolare quando si gestiscono dati di parti proprietarie e si integrano con i sistemi aziendali. È necessario mantenere la conformità alle normative sulla privacy dei dati (ad esempio GDPR, CCPA).

Risultati del mondo reale

L’implementazione dei riferimenti incrociati basati sull’intelligenza artificiale produce miglioramenti misurabili nell’efficienza dell’MRO e nelle prestazioni finanziarie. Casi di studio in vari settori manifatturieri confermano un significativo ritorno sull’investimento (ROI).

Caso di studio 1: Impianto di assemblaggio automobilistico negli Stati Uniti

Un grande stabilimento di assemblaggio automobilistico nel Midwest, che opera secondo rigorosi principi di produzione snella, ha dovuto affrontare elevati livelli di inventario di pezzi di ricambio ridondanti. Il loro CMMS conteneva oltre 80.000 SKU univoci, molti dei quali funzionalmente identici ma provenienti da fornitori diversi o sistemi legacy.

• Implementazione: una soluzione commerciale di riferimenti incrociati AI è stata integrata con SAP ERP e Maximo CMMS nell'arco di 18 mesi, per un costo approssimativo di $ 350.000.
• Risultati (oltre 24 mesi):
  • Riduzione dell'inventario: identificati 14.500 SKU duplicati, con conseguente riduzione del 18% del valore dell'inventario MRO. Ciò ha liberato 2,1 milioni di dollari di capitale circolante.
  • Risparmi sugli appalti: Negoziazione di prezzi migliori consolidando gli acquisti di parti equivalenti, con una conseguente riduzione media del 12,5% della spesa annuale per gli appalti MRO, per un totale di $ 750.000 all'anno.
  • Riduzione dei tempi di inattività: riduzione del lead time medio per le parti critiche non in stock del 22%, evitando 4 interruzioni della produzione stimate a $ 150.000 ciascuna.
  • ROI: Raggiunto un periodo di recupero dell'investimento di 15 mesi.

Caso di studio 2: Impianto di trattamento chimico nel Regno Unito

Uno stabilimento chimico nel nord-est dell'Inghilterra ha dovuto affrontare sfide legate a tempi di consegna lunghi e singoli punti deboli nella catena di fornitura di valvole, pompe e strumentazione specializzate, che richiedevano tutte certificazioni ATEX e CE.

• Implementazione: un'implementazione graduale incentrata su componenti critici delle apparecchiature di processo nell'arco di 12 mesi, con un costo stimato di £ 280.000 (circa $ 370.000 USD).
• Risultati (oltre 18 mesi):
  • Diversificazione dei fornitori: identificato una media di 3 fornitori certificati alternativi per il 65% dei componenti critici.
  • Riduzione dei tempi di consegna: il tempo di consegna medio per l'approvvigionamento di articoli critici non in stock è diminuito del 25%, da 16 giorni a 12 giorni.
  • Efficienza della manutenzione: tempi di ricerca di parti equivalenti ridotti del 70% per i tecnici della manutenzione.
  • Riduzione dei costi: evitate due importanti interruzioni della produzione dovute all'indisponibilità dei componenti, con un risparmio stimato di £ 400.000 ($ 530.000 USD) in costi di produzione e recupero persi.

Questi esempi dimostrano che i riferimenti incrociati guidati dall’intelligenza artificiale non sono semplicemente un concetto teorico ma uno strumento pratico per promuovere l’eccellenza operativa e ottenere ritorni finanziari sostanziali.

Limitazioni e insidie

Sebbene i riferimenti incrociati basati sull’intelligenza artificiale offrano vantaggi sostanziali, non sono privi di limitazioni. Riconoscere queste insidie ​​è essenziale per un’implementazione di successo.

• Dipendenza dalla qualità dei dati: la limitazione principale è il principio "garbage in, garbage out". Se i dati di input sono incoerenti, incompleti o imprecisi, il modello di intelligenza artificiale produrrà raccomandazioni inaffidabili. La pulizia e la standardizzazione dei dati sono passaggi iniziali critici e ad alta intensità di lavoro.
• Necessità di convalida umana: l'intelligenza artificiale identifica *potenziali* equivalenti funzionali. Non sostituisce la necessità di un giudizio tecnico qualificato. I componenti critici, in particolare quelli che incidono sulla sicurezza (ad esempio, valvole limitatrici di pressione conformi al codice ASME per caldaie e recipienti a pressione, Sezione VIII) o sulle prestazioni, richiedono la convalida umana per confermare l'idoneità, la compatibilità dei materiali e la conformità con tutti gli standard pertinenti (ad esempio, ANSI B16.34 per le valvole, IEEE 802.3 per gli switch Ethernet industriali).
• Sfumature contestuali: i modelli di intelligenza artificiale possono avere difficoltà con contesti applicativi altamente specifici in cui sottili differenze nella microstruttura dei materiali, nella finitura superficiale o nel processo di produzione (non esplicitamente documentati) sono fondamentali per le prestazioni o la conformità a lungo termine. Ad esempio, due cuscinetti con dimensioni identiche potrebbero avere giochi interni o materiali della gabbia diversi che influiscono sul loro MTBF in ambienti ad alte vibrazioni.
• Complessità dell'integrazione: l'integrazione di soluzioni AI con diversi sistemi CMMS, ERP e PDM legacy può essere complessa e richiedere notevoli risorse IT e lo sviluppo di API personalizzate.
• Dati e costi di formazione iniziali: la creazione e l'addestramento di solidi modelli di intelligenza artificiale richiedono un sostanziale investimento iniziale in data scientist, risorse computazionali e, spesso, set di dati etichettati manualmente di equivalenti noti per l'apprendimento supervisionato.
• Falsi positivi/negativi: il sistema può occasionalmente contrassegnare parti non equivalenti come equivalenti (falsi positivi) o non rilevare gli equivalenti effettivi (falsi negativi), richiedendo un perfezionamento continuo e un feedback umano.
• Variabilità dei dati dei fornitori: la mancanza di standardizzazione universale nei cataloghi dei fornitori complica l'inserimento e il confronto dei dati. Ciascun fornitore può utilizzare convenzioni di denominazione e strutture dati proprietarie.

Queste limitazioni evidenziano l'importanza di un approccio di implementazione graduale, di un monitoraggio continuo e della collaborazione continua tra i team MRO, IT e tecnici.

Costruisci contro Acquista

Le organizzazioni che prendono in considerazione i riferimenti incrociati basati sull'intelligenza artificiale devono decidere tra lo sviluppo di una soluzione interna ("build") o l'acquisto di un prodotto commerciale off-the-shelf (COTS) ("buy"). Ciascun approccio presenta vantaggi e svantaggi distinti.

Costruire una soluzione interna:

• Vantaggi:
  • Personalizzazione: Adattato esattamente alle esigenze organizzative uniche, alle strutture dei dati e alle sfumature specifiche del settore.
  • Proprietà intellettuale: mantiene la piena proprietà della tecnologia e degli algoritmi sviluppati.
  • Controllo: controllo completo sulla roadmap di sviluppo, sulla sicurezza dei dati e sull'integrazione.
• Svantaggi:
  • Investimento iniziale elevato: richiede una spesa in conto capitale significativa per data scientist, ingegneri ML, infrastrutture e licenze software. I costi di sviluppo possono variare da $ 200.000 a oltre $ 1.000.000.
  • Time-to-Value più lungo: lo sviluppo e l'implementazione possono richiedere da 12 a 36 mesi, ritardando la realizzazione del ROI.
  • Ad alta intensità di risorse: richiede manutenzione continua, aggiornamenti e competenze specializzate.
  • Rischio: rischio più elevato di fallimento del progetto se le competenze interne sono insufficienti o i requisiti non sono definiti correttamente.

Acquistare una soluzione commerciale:

• Vantaggi:
  • Implementazione più rapida: Tipicamente operativa entro 3-9 mesi, con time-to-value più rapido.
  • Costi iniziali inferiori: spesso basato su abbonamento (SaaS), che riduce l'esborso di capitale iniziale. Le tariffe annuali di licenza e di servizio possono variare da $ 50.000 a $ 500.000, a seconda delle dimensioni e delle caratteristiche.
  • Competenza del fornitore: trai vantaggio dalla conoscenza specializzata del dominio, dai modelli preaddestrati e dallo sviluppo continuo del prodotto del fornitore.
  • Rischio ridotto: soluzioni collaudate con supporto e manutenzione consolidati.
  • Scalabilità: le soluzioni cloud-native spesso offrono scalabilità intrinseca.
• Svantaggi:
  • Minore personalizzazione: Potrebbe richiedere l'adattamento dei processi interni per adattarli alle capacità del software.
  • Blocco del fornitore: dipendenza da un unico fornitore per aggiornamenti e supporto.
  • Sfide di integrazione dei dati: richiede ancora l'integrazione con i sistemi aziendali esistenti, che può essere complessa.

Per la maggior parte delle organizzazioni manifatturiere, in particolare quelle che non dispongono di ampie capacità interne di data science, una soluzione commerciale di “acquisto” spesso rappresenta un percorso più pratico ed economicamente vantaggioso per adottare riferimenti incrociati basati sull’intelligenza artificiale. UNITEC-D GmbH supporta entrambi i modelli di integrazione fornendo pezzi di ricambio certificati di alta qualità che possono essere facilmente integrati in qualsiasi sistema di approvvigionamento digitale o di gestione dell'inventario.

Come iniziare

L’implementazione dei riferimenti incrociati basati sull’intelligenza artificiale richiede un approccio strutturato e graduale per gestire la complessità e garantire un’adozione di successo.

Fase 1: verifica e pulizia dei dati (3-6 mesi)

1. Forma un team interfunzionale: includi rappresentanti di MRO, approvvigionamento, ingegneria e IT. Questo team definirà l'ambito, gli obiettivi e le metriche di successo del progetto (ad esempio, riduzione delle scorte del 15%, risparmio sui costi di approvvigionamento del 10%).
2. Condurre un inventario dei dati: identificare tutte le fonti di dati sui pezzi di ricambio (CMMS, ERP, PDM, fogli Excel, cataloghi dei fornitori).
3. Valutazione della qualità dei dati: valuta la completezza, l'accuratezza e la coerenza dei dati esistenti. Dai la priorità agli attributi dei dati critici (ad esempio, numero di parte, produttore, specifiche chiave).
4. Pulizia e standardizzazione dei dati: questo è il passaggio più laborioso. Utilizzare strumenti automatizzati ove possibile, ma spesso è richiesto un notevole impegno manuale. Standardizzare le unità (ad esempio, utilizzare sempre mm e pollici), la terminologia e le descrizioni.

Fase 2: implementazione del progetto pilota (6-12 mesi)

1. Seleziona un ambito pilota: scegli un'area specifica dell'impianto, una classe di asset (ad esempio pompe, motori elettrici, valvole) o un insieme limitato di parti critiche per l'implementazione iniziale. Ciò limita i rischi e consente un apprendimento mirato.
2. Selezione del fornitore (se 'buying'): valuta le soluzioni commerciali in base a funzionalità, capacità di integrazione, supporto del fornitore e rapporto costo-efficacia.
3. Integrazione del sistema: collega la soluzione AI alle origini dati selezionate (CMMS, ERP).
4. Addestramento e calibrazione del modello: inserisci i dati pilota puliti nel sistema AI. Addestrare i modelli PNL e ML.
5. Ciclo di feedback e convalida: i tecnici della manutenzione e gli specialisti dell'approvvigionamento esaminano i consigli con riferimenti incrociati generati dall'intelligenza artificiale. Fornire feedback per perfezionare la precisione del modello. Stabilire protocolli chiari per la convalida umana, in particolare per i componenti critici per la sicurezza che richiedono il rispetto di standard come NFPA 79 per la sicurezza elettrica dei macchinari industriali.

Fase 3: implementazione su vasta scala e miglioramento continuo

1. Espansione dell'ambito: estendi gradualmente il sistema per coprire più classi di asset, stabilimenti o l'intera azienda in base alle lezioni apprese dal progetto pilota.
2. Formazione e adozione: fornisce una formazione completa ai team di MRO, approvvigionamento e ingegneria su come utilizzare in modo efficace il nuovo sistema.
3. Monitoraggio delle prestazioni: monitora continuamente gli indicatori chiave di prestazione (KPI) rispetto alle metriche di successo definite (ad esempio, rotazione dell'inventario, varianza dei costi di acquisto, MTTR).
4. Perfezionamento del modello: il modello AI richiede un monitoraggio continuo e una riqualificazione periodica con nuovi dati e feedback per mantenere la precisione e adattarsi alle specifiche delle parti in evoluzione e al panorama dei fornitori.

UNITEC-D GmbH supporta le organizzazioni in questa trasformazione fornendo un catalogo elettronico completo e verificato di pezzi di ricambio industriali, conforme agli standard UL, CSA e CE. Le nostre parti possono fungere da fonte di dati affidabile per la formazione sull'intelligenza artificiale e come alternative affidabili identificate da sistemi di riferimenti incrociati.

Conclusione

I riferimenti incrociati basati sull'intelligenza artificiale rappresentano un progresso sostanziale nella gestione dei pezzi di ricambio MRO. Applicando tecniche avanzate di machine learning e di elaborazione del linguaggio naturale, i produttori possono automatizzare l’identificazione di equivalenti funzionali, riducendo significativamente l’inventario duplicato, ottimizzando i costi di approvvigionamento e migliorando la disponibilità delle risorse. Pur richiedendo un'attenta preparazione dei dati e una validazione umana, il ROI dimostrato dai primi utilizzatori conferma la sua proposta di valore.

L’adozione di questa tecnologia consente ai produttori di andare oltre l’MRO reattivo verso un modello predittivo basato sui dati, migliorando la resilienza della supply chain e l’efficienza operativa. Il viaggio inizia con un impegno per la qualità dei dati e una strategia di implementazione graduale, sfruttando sia le competenze interne che partner esterni affidabili.

Per pezzi di ricambio industriali certificati, conformi e facilmente disponibili che si integrano con le tue iniziative di MRO digitale, consulta il Catalogo elettronico UNITEC-D.

Riferimenti

• ANSI/ASME B16.5-2020, Flange per tubi e raccordi flangiati.
• ANSI/NFPA 70-2023, Codice elettrico nazionale (NEC).
• ANSI/NFPA 79-2021, Standard elettrico per macchinari industriali.
• IEEE 802.3-2022, standard per Ethernet.
• ISO 8000-110:2008, Qualità dei dati - Parte 110: Dati principali: scambio di identificatori di qualità: sintassi, codifica semantica e conformità alla specifica dei dati.
• IBM Institute for Business Value.