DI gamyboje prasideda ne nuo modelio, o nuo duomenų ir tinkamos architektūros
Prieš renkantis modelį, patikrinkite, kokio sprendimo reikia, ar proceso duomenys patikimi ir kaip rezultatas pasieks ERP, MES ar operatorių. Ne kiekvienai problemai reikia DI.
Greita santrauka
Sprendimo seka gamyboje: problema, duomenys, procesas, tinkamas metodas, ROI, architektūra, saugumas ir tik tada diegimas. Duomenų netvarka dažnai paslepia tikrąją kliūtį.
DI gamyboje prasideda ne nuo modelio, o nuo duomenų ir tinkamos architektūros
DI projektas gamyboje turėtų prasidėti nuo klausimo, kokį sprendimą norime pagerinti. Tik tada aiškinamasi, kokie duomenys tam reikalingi, ar jie prieinami ir patikimi, kaip vyksta procesas, ar problema apskritai tinka DI, kokią investicijų grąžą galima pagrįsti ir kokia architektūra saugiai sujungs sprendimą su gamyba. Ši seka apsaugo nuo brangaus modelio kūrimo, kai vėliau paaiškėja, kad jutiklio duomenys nefiksuojami, defektų žymėjimas nenuoseklus arba operatorius negali imtis veiksmų pagal prognozę.
Duomenų auditą pradėkite nuo konkretaus use case ir sprendimo laiko. Gedimo prognozei gali reikėti vibracijos, temperatūros, apkrovos, priežiūros darbų ir gedimo įrašų su patikimomis laiko žymomis. Vaizdų kokybės patikrai reikia nuotraukų, apšvietimo sąlygų, produkto varianto ir aiškiai sutartų defektų etikečių. Patikrinkite, ar duomenys atspindi skirtingas pamainas, produktų partijas, įrangos būsenas ir sezonus, o ne vien tvarkingą bandymo pavyzdį. Įvertinkite trūkstamas reikšmes, matavimo vienetus, jutiklių kalibravimą, duomenų kilmę, prieigos teises ir tai, kas atsakingas už klaidingą įrašą. Jei kiekvieną kartą skirtingai atliekamas pats procesas, standartizavimas gali būti pirmas prasmingas darbas.
Tada nuspręskite, ar reikia DI, ar įprastos automatizacijos, optimizavimo arba proceso korekcijos. Kai procesas yra kintantis, sprendimas remiasi daugeliu požymių ir žmogaus vertinimu, modelis gali suteikti papildomą įžvalgą. Kai pakanka deterministinės taisyklės, paprastesnis sprendimas bus skaidresnis ir pigesnis. Pirkti ar kurti rinkitės įvertinę ne tik licencijos kainą: palyginkite tinkamumą konkrečiam procesui, patikimumą, integracijos pastangas, duomenų nuosavybę, tiekėjo palaikymą, atnaujinimų kontrolę, paaiškinamumą, išėjimo galimybę ir vidinių kompetencijų poreikį.
Cloud ir on-premise nėra vien saugumo pasirinkimas. Debesija gali pagreitinti bandymą ir suteikti skaičiavimo pajėgumų, tačiau svarbūs ryšio patikimumas, duomenų perkėlimas, vėlavimas, paslaugos prieinamumas, naudojimo kaina ir sutartinės sąlygos. Vietinis ar edge sprendimas gali būti reikalingas, kai reakcija turi vykti milisekundėmis, ryšys nestabilus ar duomenys negali palikti gamyklos, tačiau įmonė pati atsako už įrangą, priežiūrą ir atnaujinimą. ERP/MES integracijai apibrėžkite duomenų srautų savininkus, API ar kitą sąsają, įvykių dažnį, atgalinio ryšio būdą, klaidų tvarkymą ir rankinį atsarginį procesą. Saugumo vertinime įtraukite tiekėją, tapatybes, prieigas, šifravimą, atsargines kopijas ir incidento atsakomybes. NIST AI RMF ir ISO/IEC 42001 gali padėti struktūruoti AI rizikų bei valdymo sistemą, bet nepakeičia konkretaus gamybos proceso, saugos ir teisinių reikalavimų vertinimo.
Kaip pradėti ir įgyvendinti
-
Apibrėžkite sprendimą ir laiką
Nuspręskite, kokį veiksmą gerinsite, kas jį priima ir kiek laiko yra reakcijai. Tai apibrėš reikalingus duomenis ir priimtiną techninį vėlavimą.
-
Atlikite duomenų auditą
Patikrinkite kilmę, žymas, laiko žymas, vienetus, trūkumus, reprezentatyvumą, prieigas ir savininkus. Įvertinkite, ar duomenų rinkinys atspindi realias gamybos sąlygas.
-
Palyginkite sprendimo būdus
Apsvarstykite proceso standartizavimą, taisyklių automatizaciją, analitiką ir DI. Kurkite ar pirkite tik palyginę bendrą kainą, valdymą ir išėjimo iš sprendimo galimybes.
-
Suprojektuokite integraciją
Apibrėžkite ryšį su ERP/MES, įrangos valdymu ir naudotojo darbo vieta: srautą, prieigos, atsako laiką, klaidų scenarijus ir rankinę alternatyvą.
-
Įtraukite rizikos kontrolę
Įvertinkite gamybos saugą, kibernetinę riziką, tiekėjo priklausomybę, duomenų apsaugą, modelio apribojimus, atsakomybes ir periodinės peržiūros poreikį.
Į ką atkreipti dėmesį
- Ar duomenys surinkti tame pačiame procese, kuriame bus naudojamas sprendimas?
- Ar aišku, kas turi teisę naudoti, taisyti ir eksportuoti duomenis?
- Ar integracija leidžia išlaikyti gamybą, kai DI paslauga nepasiekiama?
- Ar įvertinta ne vien licencija, bet ir viso sprendimo gyvavimo ciklo kaina?
Dažniausiai užduodami klausimai
Kodėl DI projektai prasideda nuo duomenų?
Modelio išvados priklauso nuo duomenų apibrėžimų, reprezentatyvumo, žymėjimo ir kokybės. Vis dėlto pirmas žingsnis yra verslo problema; tik ją apibrėžus galima žinoti, kokių duomenų reikia.
Kada verta rinktis cloud, o kada on-premise?
Vertinkite ryšio ir vėlavimo reikalavimus, duomenų apsaugą, darbo tęstinumą, skaičiavimo poreikį, palaikymo kompetencijas ir visą kainą. Pasirinkimas priklauso nuo konkrečios linijos, o mišrus modelis taip pat galimas.
Ar kiekvienai gamybos problemai reikia dirbtinio intelekto?
Ne. Jei problemą išsprendžia aiškios taisyklės, tvarkingas duomenų registravimas ar proceso standartizavimas, šie sprendimai gali būti patikimesni, pigesni ir lengviau prižiūrimi.
Reikia įvertinti DI galimybę gamyboje?
Padedu įmonėms įvertinti DI scenarijus, pagrįsti verslo vertę ir suplanuoti atsakingą įgyvendinimą.
Susisiekti