בפוסט קודם, מומחה תעשיית IBM, סקוט קמפבל, דיבר על האופן שבו יצרנים רודפים אחרי חוסן ואפס D כדי לעצור פגמים ולשפר את איכות המוצרים ואיכות השירות. בחלק השני של הדיון שלנו, הוא דן כיצד עיבוד מחדש מקל יכול לחסוך מיליונים ומציע כמה תובנות לגבי הערך של יצירת מדעני נתונים אזרחיים.
האם אתה יכול להסביר את המושג "זהה ותקן" ואת סוג הטכנולוגיות והתהליכים שאתה צריך ליישם כדי להגיע לסוג כזה של יעילות ואמינות?
הרעיון הוא שאם אתה יכול לזהות בעיה או פגם בנקודת ההתקנה - באמצעות מודלים של ראייה ממוחשבת בינה מלאכותית - אז אתה יכול לתקן את הפגם באופן מיידי מבלי שהוא יהפוך לעיבוד מחדש. הדוגמה שבה אני משתמש תמיד היא לוח מחוונים של רכב: לרכב ממוצע יש למעלה מ-300 מחברים חשמליים, ורבים מהם נמצאים בתוך לוח המחוונים. אלה חייבים להיות מחוברים ידנית, כי הם חוטים ולא מנוהלים בקלות על ידי מכונות. אם מחבר לא יושב נכון, הוא יקצר או שהוא ייכשל. זה אומר שהפונקציה לא תעבוד. אבל אם אתה קולט את השגיאה בנקודת ההתקנה - וכאן מודלים של ראייה ממוחשבת הם כל כך חשובים - אתה יכול לקבוע אם זה מחובר במלואו, מחובר חלקית, או אם טכנאי הקו שכח לחבר אותו לגמרי.
יכולת זיהוי זו יכולה להשתלב גם במערכת איכות כוללת ו/או מערכת ניהול נכסים ארגוניים. במקרה של מקסימו בדיקה חזותית, הוא משולב היטב לתוך Maximo Application Suite לניהול וביצועי נכסים ארגוניים, תוך שילוב בקלות במערכות התראות איכות לקוחות. לכן, כאשר מתגלה פגם, הוא יכול לאותת מיד על התראה ברצפת הייצור כדי להבטיח שהעובד מאמת ומתקן את הבעיה לפני שהוא עובר לתהליך ההרכבה הבא. ההתראה המיידית הזו היא מה שמונע עיבוד חוזר יקר. במקרה של מחברים בתוך לוח המחוונים, אם פגמים לא מתגלים, תיקון העבודה מחדש עבור חיבור פשוט מתייקר באופן אקספוננציאלי, מכיוון שלעתים קרובות הוא דורש הסרה והתקנה מחדש של לוח המחוונים.
שימוש בראיה ממוחשבת ובינה מלאכותית כדי לראות את השגיאות לפני שהן הופכות לעיבוד מחדש ולתקן אותן מיד - ובמקרים מסוימים חברה מוכנה לעצור את קו הייצור כדי לתקן בעיה לפני שהיא תתבסס - היא יכולת משמעותית למדי. במיוחד כי גרוטאות ופגמים עלולים לעלות לחברה יותר מ-10% מההכנסה השנתית.
כשאנשים חושבים על מודלים של בינה מלאכותית, הם חושבים על מדעני נתונים ועל הקושי בגיוס משאבים יקרים שמבינים בטכנולוגיות בינה מלאכותית, רשתות עצביות למידה עמוקה ומודלים מיוחדים של ראייה ממוחשבת בינה מלאכותית. אבל מה ש-IBM עשתה הקל מאוד על מומחי הנושא (SMEs) - האנשים שיודעים מה הם מחפשים מבחינת פגמים - ליצור ולנהל את מודלים של AI. אנו עושים זאת דרך ממשק משתמש שאינו דורש קוד.
זה ממש תיוג כמה תמונות בתוך תמונה בתור טוב or רע או כל קריטריון החלטה אחר שהם רוצים להגדיר. אז המערכת יכולה לספק תיוג אוטומטי על סמך מה שסומן עד כה, מה שמפחית מאוד את עומס העבודה. לבסוף, ניתן להגדיל את מערך הנתונים הקיים ליצירת מערכי נתונים גדולים מאוד מתוך גודל המדגם המקורי. זה מספק את הנתונים לבניית מודלים הנותנים תוצאות צפויות - ברוב המקרים, הדיוק גבוה בין 95% ל-98%. התוצאה: מומחי נושא משתלטים על המודלים בפועל ללא צורך במדעני נתונים. זה הופך את האימוץ למהיר הרבה יותר מכיוון שחברות משתמשות באנשים שמכירים את מה שהיצרן עושה על פס הייצור. המומחיות הזו היא גם תורמת מרכזית לרמת הדיוק הגבוהה של דגמי הבינה המלאכותית.
מה לגבי המושג לחזות ולתקן? האם זה ממלא תפקיד בהנעת פעולות מתמשכות?
ב-IBM שאלנו, מה אם תוכל להגביר את היעילות, להאריך את מחזורי החיים של הנכסים, להפחית את זמני ההשבתה והעלויות - הכל תוך בניית חוסן וקיימות בעסק שלך?
חיזוי ותיקון הוא היסוד ליכולת לענות על שאלה זו.
הקלנו על דיגיטציה של סביבות הפעלה על ידי הוצאת נתוני החיישנים שמקורם בנכסים, והבנו בנקודת זמן את המצב והסטטוס התפעולי של הנכסים הללו. וזה הרבה נתונים! קו ייצור בודד יכול לייצר יותר מ 70 טרה-בייט של נתונים בכל יום.
על ידי הבנת הבריאות הכוללת של הנכס במונחים של מחזור חיים ומינוף נתוני סדרות זמן היסטוריות, מקסימו יכול לחזות כאשר צפוי להתרחש כשל בעתיד. אם אתה יכול לחזות במדויק כישלון הרבה לפני זה קורה, אתה יכול לתקן את זה. יכולת חיזוי ונכונה זו ממלאת תפקיד מרכזי באספקה והקלה של פעולות מתמשכות.
אתה מתחיל עם מוניטור מקסימו - לכידת נתונים והשגת נראות לגבי מה שהנכסים שלך עושים בפועל. ואז אתה מוסיף מקסימו בריאות, אשר אומר לך מנקודת מבט של מחזור חיים על איזה מבנה תחזוקה אתה צריך להסתכל ומאפשר תצוגה יחידה של נכסים ברחבי הארגון. לבסוף, עם מקסימו חיזוי, אתה יכול לראות את העתיד להיות הרבה יותר מחייב עם ניהול ביצועי הנכסים שלך. זו אבולוציה, אבל Predict הוא המקום שבו דגמי הבינה המלאכותית מתאחדים כדי לאפשר ללקוח לעשות זאת לִרְאוֹת כאשר יש סבירות לכישלון עבור כל הנכסים שלהם ולנקוט בפעולות מתקנות.
דיברנו על תעשיית הרכב אבל אני מניח שכל תעשייה יכולה להרוויח מזה.
בהחלט. וזה מגשר מעבר לייצור. אנחנו מדברים על החתירה ל-Zero D וגמישות בייצור מכיוון שהוא מתאים כל כך ל-Industry 4.0, אבל ניתן להשתמש באותה טכנולוגיה, למשל, בנסיעות ותחבורה. קחו בחשבון את מסילות הברזל ואת היכולת להבין את הנכסים - שהם גם פסי הרכבת וגם הרכבת עצמה - ומחפשים כישלון פוטנציאלי. נתוני חיישנים הם חלק ממנו, אבל אז ניתן להשתמש בבדיקה חזותית של בינה מלאכותית גם לבדיקה ויזואלית של קרונות רכבת, בלאי של צימודים, גלגלים וחיווט כדוגמאות בודדות.
באופן מסורתי, עם רכבות מטען, יש מגרשי תחזוקה, והרכבת תיכנס ואז אנשי תחזוקה בודקים את הרכבת באופן ידני. הם מבטיחים חזותית שהכל בסדר לפני שהם נותנים לזה לחזור למסלול. אבל התעשייה הזו מתפתחת במהירות כדי לספק בדיקה בזמן שהרכבת במעבר. מצלמות מעל הפסים מצטלמות את הרכבת ומספקות את התוצאות מיד באמצעות מודלים של ראייה ממוחשבת בינה מלאכותית. אם יש חששות בטיחותיים דחופים למשל, מפעיל הרכבת יכול לעצור רכבת. אם לא, זה יכול להמשיך, אבל הטכנאים עשויים לומר, אוקיי, את חלון התחזוקה הבא נצטרך לבצע את התיקונים האלה. לא רק שהבדיקה הרבה יותר מלאה - ויכולה לקרות בתדירות גבוהה יותר - אלא שהיא גם הרבה יותר מדויקת בחיזוי, מכיוון שהיא משתמשת בנתוני חיישנים כמו גם בנתונים חזותיים לניהול הנכסים. אנחנו גם רואים את זה ב תשתית אזרחית ועם גשרים וכבישים. יש רק הרבה מקומות שבהם נתונים חזותיים ונתוני חיישנים מתחברים יחד.
מהן כמה מהבעיות והתפיסות השגויות שעשויות להיות לארגון בכל הנוגע לשימוש ב-AI כדי לחזות את בריאות הנכסים ולבנות ארגון עמיד יותר?
מנקודת מבט של אתגרים, הראשונה היא חברה שאינה משתמשת ב-IBM Maximo EAM (ניהול נכסים ארגוניים) כמערכת הזמנת העבודה שלה. לעתים קרובות חברות מאמינות שהן לא יכולות לנצל את יתר חבילת היישומים שלנו אם הן לא משתמשות ב- Maximo EAM בכל הארגונים שלהן. אבל פתרונות הניטור, הבריאות והניבוי של IBM יכולים להתחבר למערכות EAM אחרות, כך שחברות יוכלו לנצל את הנתונים התפעוליים שלהן. אנחנו יכולים גם להתחבר למערכות אחרות שאוספות את נתוני החיישנים ואנחנו יכולים להזין את הנתונים האלה לתוך Maximo Monitor. זה חשוב כי שני שלישים מהנתונים התפעוליים אינם בשימוש. זה גם מבטל מכשול שחברה עשויה להצטרך לקפוץ עם ספק אחר, פשוט בגלל שמערכת הזמנת העבודה שלהם נמצאת באפליקציה של ספק אחר. אנחנו יכולים לנהל בתוך זה ועדיין להניע ערך עם יכולת חיזוי על ידי הצגת ניטור, בריאות וחיזוי.
בעיה טיפוסית נוספת היא שלכל נכס יש נתונים למאגר משלו. השגת נתונים על כל הנכסים שנאספו במאגר יחיד עשויה להיות קשה מאוד וגוזלת זמן. אבל אנחנו יכולים להביא מחברים דרך ממשקי API או פתרונות כמו IBM App Connect ולעזור ללקוחות לאחד נתונים למאגר אחד. מאגר זה יכול ללכוד נתוני סדרות זמן, ואז יש לך נקודת מוצא לבניית חוסן וקיימות בעסק שלך על ידי הארכת מחזורי חיים של נכסים והפחתת זמני השבתה ועלויות. ברגע שאתה ממוקם עבור ניהול נכסים חכם - ובניית חוסן וקיימות בעסק שלך - אתה יכול להפחית עלויות תפעול עד 25% ולהגדיל את זמן הפעולה והזמינות ב-20%. אלו תוצאות שאף אחד לא מתנגד להן.
למד כיצד תוכל לשפר את גמישות התפעול שלך עם AI.
למידע נוסף על חבילת היישום Maximo.
ההודעה ניהול נכסים מושכל והמירוץ לאפס D הופיע לראשונה ב בלוג התפעול העסקי של יבמ.
