แพลตฟอร์มที่ขับเคลื่อนด้วย AI พลิกโฉมประสิทธิภาพของอุตสาหกรรมกระบวนการ

เหตุใดการปฏิบัติงานในอุตสาหกรรมกระบวนการจึงต้องใช้รูปแบบการดำเนินงานดิจิทัลใหม่

อุตสาหกรรมกระบวนการได้เข้าสู่ช่วงที่การเปลี่ยนแปลงด้านการปฏิบัติงานเกิดขึ้นอย่างรวดเร็วเป็นพิเศษ ราคาพลังงานผันผวน ห่วงโซ่อุปทานยังคงไม่แน่นอน ตารางการผลิตเปลี่ยนแปลงโดยแทบไม่มีการแจ้งเตือนล่วงหน้า ข้อกำหนดด้านกฎระเบียบยังคงเพิ่มขึ้นอย่างต่อเนื่อง ขณะเดียวกัน ลูกค้าคาดหวังการส่งมอบที่เชื่อถือได้ คุณภาพสม่ำเสมอ และผลกระทบต่อสิ่งแวดล้อมที่ลดลง

แรงกดดันเหล่านี้ส่งผลต่อทุกระดับขององค์กรการผลิต ผู้จัดการโรงงานต้องปกป้องปริมาณการผลิตและความสามารถในการทำกำไร วิศวกรกระบวนการต้องทำให้ระบบการผลิตที่ซับซ้อนยิ่งขึ้นมีเสถียรภาพ ทีมบำรุงรักษาต้องแก้ไขปัญหาอุปกรณ์ภายในเวลาที่จำกัด ผู้ปฏิบัติงานต้องตัดสินใจอย่างปลอดภัยตลอดทุกกะ

ระบบอัตโนมัติแบบดั้งเดิมยังคงมีความสำคัญในสภาพแวดล้อมนี้ ระบบควบคุมแบบกระจายตัว ตัวควบคุมแบบโปรแกรมได้ ระบบความปลอดภัย ระบบจัดเก็บข้อมูลย้อนหลัง และแพลตฟอร์มตรวจติดตามสภาพ ยังคงเป็นรากฐานของการปฏิบัติงานในโรงงาน อย่างไรก็ตาม ระบบเหล่านี้มักจัดระเบียบข้อมูลตามอุปกรณ์ แท็ก สัญญาณเตือน และฟังก์ชันการควบคุม

ระบบเหล่านี้ไม่ได้จัดระเบียบข้อมูลตามคำถามที่ผู้ปฏิบัติงานถามจริงเสมอไป

ผู้ปฏิบัติงานแทบไม่เริ่มต้นด้วยคำค้นฐานข้อมูลที่มีโครงสร้างสมบูรณ์แบบ แต่อาจถามว่าเหตุใดคอมเพรสเซอร์จึงหยุดทำงานซ้ำ ๆ ในช่วงอากาศหนาว ช่างเทคนิคอาจจำได้ว่าเคยเกิดความขัดข้องคล้ายกันเมื่อสองปีก่อน หัวหน้างานอาจทราบว่าสายการผลิตอีกสายหนึ่งแก้ปัญหาเดียวกันได้ด้วยการปรับวิธีการเดินเครื่องที่ไม่ธรรมดา

ความรู้นี้มีคุณค่า แต่บ่อยครั้งกระจัดกระจายอยู่ในบันทึกการเปลี่ยนกะ บันทึกการบำรุงรักษา อีเมล รายงานเหตุการณ์ ใบสั่งงาน สเปรดชีต และประสบการณ์ส่วนบุคคล

แพลตฟอร์มระดับองค์กรที่ขับเคลื่อนด้วย AI ช่วยอุดช่องว่างนี้ โดยเชื่อมโยงข้อมูลเครื่องจักรที่มีโครงสร้างเข้ากับความรู้ด้านการปฏิบัติงานที่ไม่มีโครงสร้าง ช่วยให้ทีมผลิตระบุเหตุการณ์ที่เกี่ยวข้อง เปรียบเทียบเหตุการณ์ก่อนหน้า และเรียกดูแนวทางแก้ไขที่พิสูจน์แล้วได้โดยไม่ต้องค้นหาบันทึกที่แยกกระจัดกระจายด้วยตนเอง

แนวทางนี้ไม่ได้เข้ามาแทนที่สถาปัตยกรรมระบบอัตโนมัติที่มีอยู่ แต่สร้างชั้นข้อมูลอัจฉริยะด้านการปฏิบัติงานขึ้นเหนือระบบดังกล่าว

แพลตฟอร์มที่มีประสิทธิภาพสูงสุดจะผสานข้อมูลจากระบบควบคุม ระบบจัดการสินทรัพย์ แอปพลิเคชันบำรุงรักษา ระบบห้องปฏิบัติการ เครื่องมือวางแผนการผลิต และการสื่อสารของผู้ปฏิบัติงาน จากนั้นจึงนำเสนอข้อมูลดังกล่าวผ่านอินเทอร์เฟซที่ออกแบบมาเพื่อการตัดสินใจในการปฏิบัติงานจริง

องค์กรที่วางแผนการเปลี่ยนผ่านนี้ยังคงต้องรักษารากฐานการควบคุมที่เชื่อถือได้ ชั้นข้อมูลอัจฉริยะสมัยใหม่ไม่สามารถชดเชยเครื่องมือวัดที่ไม่เสถียร สัญญาณเตือนที่ไม่ครบถ้วน การออกแบบเครือข่ายที่ไม่มีประสิทธิภาพ หรือบันทึกการบำรุงรักษาที่ไม่สอดคล้องกันได้ ผู้อ่านที่ประเมินรากฐานการควบคุมเบื้องหลังโครงการเหล่านี้สามารถดูสถาปัตยกรรมและส่วนประกอบระบบควบคุม DCSที่ใช้งานในโรงงานกระบวนการต่าง ๆ ได้

รูปที่ 1. การปฏิบัติงานดิจิทัลที่มีประสิทธิผลเชื่อมโยงพารามิเตอร์ของอุปกรณ์ บริบทของกระบวนการ และความรู้เชิงปฏิบัติของบุคลากรเข้าด้วยกัน

ความผันผวนทำให้ความรู้ด้านการปฏิบัติงานมีคุณค่ามากขึ้น

บริษัทในอุตสาหกรรมกระบวนการผลิตต้องตอบสนองต่อสภาวะทางธุรกิจและการปฏิบัติงานที่เปลี่ยนแปลงอย่างรวดเร็ว ราคาก๊าซธรรมชาติเป็นตัวอย่างที่ชัดเจนหนึ่งประการ การเพิ่มขึ้นของราคาอย่างฉับพลันอาจเปลี่ยนลำดับความสำคัญด้านการผลิต กลยุทธ์ด้านพลังงาน และเป้าหมายการปฏิบัติงานทั่วทั้งโรงงาน

ความต้องการของตลาดก็เปลี่ยนแปลงได้อย่างรวดเร็วเช่นกัน โรงงานอาจต้องผลิตเป็นล็อตเล็กลง เปลี่ยนเกรดผลิตภัณฑ์บ่อยขึ้น หรือเดินเครื่องอุปกรณ์เกินรูปแบบการผลิตแบบเดิม แต่ละการเปลี่ยนแปลงทำให้เกิดปฏิสัมพันธ์เพิ่มเติมภายในกระบวนการ

นวัตกรรมทางเทคโนโลยีเพิ่มความซับซ้อนขึ้นอีกชั้นหนึ่ง ปัจจุบันโรงงานต้องบริหารระบบอัตโนมัติแบบดั้งเดิมควบคู่ไปกับเครือข่ายอุตสาหกรรม บริการคลาวด์ การประมวลผลที่เอดจ์ ระบบควบคุมความปลอดภัยทางไซเบอร์ การวิเคราะห์ขั้นสูง และแอปพลิเคชันสำหรับการสนับสนุนระยะไกล

ความซับซ้อนไม่ได้เกิดจากจำนวนเทคโนโลยีเพียงอย่างเดียว แต่ยังเกิดจากความสัมพันธ์ระหว่างเทคโนโลยีเหล่านั้นด้วย

ความผิดปกติของกระบวนการอาจเริ่มต้นจากปัญหาทางกล จากนั้นอาจส่งผลต่อค่าที่เครื่องมือวัดอ่านได้ วงจรควบคุม คุณภาพผลิตภัณฑ์ และอัตราการผลิตต้นน้ำ สัญญาณเตือนที่มองเห็นได้อาจปรากฏอยู่ห่างจากสาเหตุเดิม

ดังนั้น ทีมงานฝ่ายผลิตจึงต้องการมากกว่าข้อความแจ้งเตือนแต่ละรายการ พวกเขาต้องการบริบท

บริบทช่วยอธิบายสิ่งที่เกิดขึ้นก่อนสัญญาณเตือน ระบุสภาพแวดล้อม กิจกรรมการบำรุงรักษา การเปลี่ยนแปลงผลิตภัณฑ์ การดำเนินการของผู้ควบคุม และพฤติกรรมของอุปกรณ์ นอกจากนี้ยังเชื่อมโยงเหตุการณ์ปัจจุบันกับเหตุการณ์ในอดีตที่เทียบเคียงกันได้

โรงงานหลายแห่งมีข้อมูลนี้อยู่แล้ว ปัญหาอยู่ที่การเข้าถึง

วิธีแก้ไขจากเหตุการณ์ก่อนหน้าอาจมีอยู่ในบันทึกการบำรุงรักษา ข้อสังเกตที่เป็นประโยชน์อีกข้ออาจปรากฏในรายงานกะ พนักงานควบคุมการปฏิบัติงานที่เกษียณแล้วอาจบันทึกสาเหตุไว้ในบันทึกอย่างไม่เป็นทางการ แต่ทีมงานกะปัจจุบันอาจไม่พบระเบียนเหล่านั้นเลยระหว่างเกิดเหตุการณ์จริง

ต้นทุนของความล้มเหลวนี้อาจสูงมาก การผลิตอาจยังคงหยุดอยู่ขณะที่พนักงานทำขั้นตอนการแก้ไขปัญหาซ้ำ ซึ่งเคยไม่สำเร็จในเหตุการณ์ก่อนหน้า บุคลากรฝ่ายบำรุงรักษาอาจเปลี่ยนชิ้นส่วนที่ยังใช้งานได้ ผู้ควบคุมการปฏิบัติงานอาจเริ่มเดินเครื่องอุปกรณ์อีกครั้งโดยไม่เข้าใจสภาวะพื้นฐานที่เป็นสาเหตุ

ทุกนาทีที่เพิ่มขึ้นอาจทำให้ความสูญเสียด้านการผลิตเพิ่มขึ้น ใช้ทรัพยากรงานบำรุงรักษามากขึ้น และเพิ่มความเสี่ยงในการปฏิบัติงาน

ระบบที่ขับเคลื่อนด้วย AI ช่วยให้นำความรู้ในอดีตกลับมาใช้ได้ง่ายขึ้น ระบบเหล่านี้สามารถระบุความคล้ายคลึงกันระหว่างบันทึกที่ใช้ถ้อยคำแตกต่างกัน ระบุอุปกรณ์ สภาวะการเดินเครื่อง อาการ และแนวทางแก้ไขที่เกี่ยวข้อง จากนั้นนำเสนอข้อมูลที่เกี่ยวข้องก่อนที่ทีมงานจะใช้เวลาอันมีค่าจนหมดไป

ความสามารถนี้เปลี่ยนคุณค่าของเอกสารเกี่ยวกับโรงงานที่มีอยู่ รายงานเก่าไม่ได้เป็นเพียงคลังเอกสารแบบคงที่อีกต่อไป แต่กลายเป็นทรัพยากรเชิงปฏิบัติการที่ใช้งานได้จริง

จากข้อมูลที่จัดเก็บไว้สู่ความรู้เกี่ยวกับโรงงานที่นำไปใช้ได้

องค์กรอุตสาหกรรมส่วนใหญ่ไม่ได้ประสบปัญหาจากการขาดข้อมูลโดยสิ้นเชิง แต่ประสบปัญหาจากข้อมูลที่กระจัดกระจาย คำศัพท์ที่ไม่สอดคล้องกัน และวิธีการเรียกค้นข้อมูลที่จำกัด

โรงงานขนาดใหญ่อาจบันทึกเหตุการณ์ด้านการปฏิบัติงานหลายพันรายการในแต่ละเดือน ระเบียนเหล่านี้อาจรวมถึงสัญญาณเตือน ใบสั่งงาน ความคิดเห็นของผู้ปฏิบัติงาน ความเบี่ยงเบนของกระบวนการ เหตุการณ์ด้านคุณภาพ และข้อค้นพบจากการบำรุงรักษา

แหล่งข้อมูลแต่ละแห่งใช้โครงสร้างที่แตกต่างกัน

ระบบบันทึกข้อมูลกระบวนการบันทึกค่าอนุกรมเวลา ระบบจัดการงานบำรุงรักษาด้วยคอมพิวเตอร์บันทึกงานของสินทรัพย์ บันทึกประจำกะบันทึกข้อสังเกต ระบบคุณภาพบันทึกความเบี่ยงเบนและผลการตรวจทางห้องปฏิบัติการ ระบบสัญญาณเตือนบันทึกการเปลี่ยนแปลงสถานะและการรับทราบ

ระบบเหล่านี้อธิบายโรงงานเดียวกันจากมุมมองที่แตกต่างกัน

เครื่องมือการรายงานแบบดั้งเดิมมักกำหนดให้ผู้ใช้ทราบว่าข้อมูลที่เกี่ยวข้องถูกจัดเก็บไว้ที่ใด และอาจกำหนดให้ใช้คีย์เวิร์ดที่ตรงกันทุกประการ หมายเลขอุปกรณ์ ช่วงวันที่ หรือหมวดหมู่รายงาน

ข้อกำหนดดังกล่าวก่อให้เกิดข้อจำกัดร้ายแรงระหว่างเหตุการณ์ที่ไม่ได้วางแผนไว้

ผู้ปฏิบัติงานที่กำลังเผชิญกับการหยุดชะงักของการผลิตอาจไม่ทราบคำศัพท์ด้านการบำรุงรักษาที่ถูกต้อง ช่างเทคนิคบำรุงรักษาอาจไม่ทราบชื่อกระบวนการที่ฝ่ายปฏิบัติการใช้ สองกะอาจอธิบายอาการเดียวกันด้วยคำที่แตกต่างกันโดยสิ้นเชิง

ตัวอย่างเช่น ผู้ปฏิบัติงานคนหนึ่งอาจเขียนว่าปั๊มไม่เสถียร อีกคนอาจบันทึกว่าอัตราการไหลแกว่ง และช่างเทคนิคอาจอธิบายว่าแรงดันดูดเกิดขึ้นเป็นช่วง ๆ วิศวกรกระบวนการอาจจัดประเภทเหตุการณ์เดียวกันว่าเป็นคาวิเทชัน

การค้นหาด้วยคีย์เวิร์ดแบบทั่วไปอาจถือว่าระเบียนเหล่านั้นไม่เกี่ยวข้องกัน

ระบบค้นหาอัจฉริยะสามารถวิเคราะห์ความหมายของข้อมูลเหล่านั้นได้ อาจรับรู้ได้ว่าคำอธิบายต่าง ๆ กล่าวถึงรูปแบบการปฏิบัติงานเดียวกัน นอกจากนี้ยังสามารถตรวจสอบแท็กที่เกี่ยวข้อง ความสัมพันธ์ระหว่างอุปกรณ์ ใบสั่งงาน สภาพอากาศ และสถานะการผลิตได้

การดำเนินการนี้เปลี่ยนการค้นหาจากฟังก์ชันเรียกดูเอกสารให้เป็นเครื่องมือช่วยใช้เหตุผลด้านการปฏิบัติงาน

ระบบไม่จำเป็นต้องระบุคำตอบสุดท้ายด้วยตนเอง ความรับผิดชอบประการแรกคือการนำเสนอหลักฐานที่เกี่ยวข้องที่สุด

จากนั้นผู้ปฏิบัติงานสามารถทบทวนเหตุการณ์ก่อนหน้า เปรียบเทียบสภาวะ และตัดสินใจได้ว่าควรใช้แนวทางตอบสนองที่กำหนดไว้แล้วหรือไม่ วิศวกรสามารถตรวจสอบสาเหตุที่คาดไว้โดยใช้ข้อมูลกระบวนการ ทีมบำรุงรักษาสามารถตรวจสอบอุปกรณ์ก่อนดำเนินงานที่ไม่จำเป็น

ผลลัพธ์คือกระบวนการตัดสินใจที่รวดเร็วและมีระเบียบวินัยมากขึ้น

AI ที่ให้ความสำคัญกับมนุษย์ รักษาความรับผิดชอบไว้ในจุดที่ควรอยู่

ปัญญาประดิษฐ์ไม่ควรนำผู้คนออกจากการตัดสินใจที่สำคัญต่อการผลิต แต่ควรปรับปรุงข้อมูลที่มีให้พวกเขา

ความแตกต่างนี้สำคัญอย่างยิ่งในอุตสาหกรรมแปรรูปเคมี การผลิตไฟฟ้า น้ำมันและก๊าซ เภสัชภัณฑ์ โลหะ การผลิตอาหาร และการบำบัดน้ำ การตัดสินใจในสภาพแวดล้อมเหล่านี้อาจส่งผลต่อความปลอดภัยของบุคลากร การปฏิบัติตามข้อกำหนดด้านสิ่งแวดล้อม คุณภาพผลิตภัณฑ์ และอุปกรณ์ราคาแพง

อัลกอริทึมไม่สามารถรับผิดชอบทางกฎหมายหรือด้านการปฏิบัติงานแทนโรงงานได้

ระบบอาจระบุรูปแบบได้ อาจประเมินผลลัพธ์ที่น่าจะเกิดขึ้น และอาจแนะนำให้ตอบสนองเร็วขึ้น อย่างไรก็ตาม บุคลากรที่มีคุณสมบัติเหมาะสมต้องประเมินคำแนะนำนั้นภายใต้บริบทการปฏิบัติงานปัจจุบัน

ดังนั้น AI ที่มีมนุษย์เป็นศูนย์กลางจึงเริ่มต้นจากการแบ่งบทบาทอย่างชัดเจน

ระบบอัตโนมัติดำเนินการควบคุมแบบกำหนดแน่นอน ระบบความปลอดภัยทำหน้าที่ป้องกันตามที่กำหนดไว้ แอปพลิเคชันที่ใช้ AI วิเคราะห์ข้อมูลและแสดงความสัมพันธ์ที่อาจเกิดขึ้น โดยผู้ปฏิบัติงานและวิศวกรยังคงมีอำนาจตัดสินใจ

สถาปัตยกรรมนี้ช่วยหลีกเลี่ยงความเข้าใจผิดที่สำคัญ นั่นคือ AI ไม่จำเป็นต้องมีสิทธิ์เข้าถึงระบบควบคุมโดยไม่มีข้อจำกัดเพื่อสร้างคุณค่า

แอปพลิเคชันที่มีประโยชน์จำนวนมากทำงานในบทบาทให้คำปรึกษา โดยวิเคราะห์ข้อมูลแบบอ่านอย่างเดียว บันทึกการผลิต สัญญาณเตือน และการสื่อสารระหว่างกะ แล้วให้ข้อมูลหรือคำแนะนำที่จัดอันดับแล้ว

การจัดวางเช่นนี้ยังสนับสนุนการนำไปใช้เป็นระยะ บริษัทสามารถเริ่มจากการค้นหา การดึงคืนความรู้ และการรายงาน จากนั้นสร้างความไว้วางใจก่อนพิจารณาแอปพลิเคชันเชิงคาดการณ์ที่ก้าวหน้ายิ่งขึ้น

ความไว้วางใจเป็นสิ่งสำคัญ เพราะผู้ปฏิบัติงานจะปฏิเสธระบบอย่างรวดเร็วหากระบบให้คำแนะนำที่ไม่เกี่ยวข้องหรือไม่สามารถอธิบายได้

ผู้ช่วย AI ที่ใช้งานได้จริงควรแสดงเหตุผลที่นำเสนอผลลัพธ์นั้น ระบุเหตุการณ์ที่เกี่ยวข้อง เงื่อนไขที่ตรงกัน ประวัติอุปกรณ์ และการแก้ไขก่อนหน้านี้ ผู้ใช้ต้องสามารถตรวจสอบหลักฐานเบื้องหลังได้

ความสามารถในการอธิบายไม่จำเป็นต้องเปิดเผยรายละเอียดทางคณิตศาสตร์ทุกประการ แต่ต้องมีบริบทด้านการปฏิบัติงานเพียงพอให้ผู้มีคุณสมบัติเหมาะสมประเมินคำแนะนำได้

การนำไปใช้ที่ประสบความสำเร็จสูงสุดมองว่าผู้ปฏิบัติงานเป็นผู้มีส่วนร่วมในการออกแบบระบบ คำศัพท์ กระบวนการทำงาน ความต้องการข้อมูล และข้อเสนอแนะของพวกเขาจะกำหนดรูปแบบของแอปพลิเคชันขั้นสุดท้าย

การมีส่วนร่วมนี้ช่วยเพิ่มความสอดคล้องกับการปฏิบัติงานจริงของระบบ และยังลดความรู้สึกว่าดิจิทัลกำลังถูกนำมาใช้โดยไม่เข้าใจสภาพความเป็นจริงของโรงงาน

รูปที่ 2. AI ที่มีมนุษย์เป็นศูนย์กลางสนับสนุนบุคลากรในโรงงาน ขณะที่ผู้ปฏิบัติงานยังคงควบคุมและรับผิดชอบ

เหตุใดตรรกะ IF-THEN แบบง่ายจึงไม่สามารถรองรับความผิดปกติทุกกรณีได้

ระบบอัตโนมัติในอุตสาหกรรมพึ่งพาตรรกะแบบกำหนดแน่นอนมาเป็นเวลานาน กฎ IF-THEN ยังคงเหมาะสมสำหรับลำดับการควบคุม อินเตอร์ล็อก เงื่อนไขอนุญาต และการดำเนินการเพื่อป้องกัน

อย่างไรก็ตาม ความรู้ด้านการปฏิบัติงานไม่ได้อยู่ในโครงสร้างแบบกำหนดแน่นอนเสมอไป

การหยุดชะงักของการผลิตอาจขึ้นอยู่กับสภาพอากาศ คุณสมบัติของวัตถุดิบ สภาพอุปกรณ์ การดำเนินการของผู้ปฏิบัติงาน และความเบี่ยงเบนของกระบวนการก่อนหน้านี้ ความสัมพันธ์เหล่านี้อาจไม่เกิดขึ้นตามลำดับเดิมทุกครั้ง

การเขียนกฎแยกต่างหากสำหรับทุกชุดความเป็นไปได้คงไม่ใช่เรื่องที่ทำได้จริง ชุดกฎจะดูแลรักษาได้ยาก และอาจล้มเหลวเมื่อเกิดรูปแบบใหม่

AI นำเสนอวิธีการที่แตกต่างออกไป โดยตรวจสอบข้อมูลในอดีตและระบุรูปแบบจากตัวแปรจำนวนมาก สามารถจัดอันดับเหตุการณ์ที่คล้ายกันได้ แม้คำอธิบาย ลำดับเหตุการณ์ และเงื่อนไขจะแตกต่างกัน

ลองพิจารณาสายการแปรรูปของเหลวสมมติที่เดินเครื่องในช่วงฤดูหนาว

สายการผลิตหยุดทำงานหลังจากเกิดความเบี่ยงเบนของอัตราการไหลและความดันหลายครั้ง ทีมกะปฏิบัติตามขั้นตอนการรีเซ็ตมาตรฐาน ตรวจสอบเครื่องมือวัด แล้วเริ่มเดินปั๊มอีกครั้ง แต่กระบวนการก็ขัดข้องซ้ำ

อาการที่มองเห็นได้บ่งชี้สาเหตุที่เป็นไปได้หลายประการ อาจเป็นปัญหาที่วาล์ว การเสื่อมสภาพของปั๊ม ความผิดพลาดของเครื่องมือวัด หรือการไหลที่ถูกจำกัด

ผู้เชี่ยวชาญด้านการผลิตที่มีประสบการณ์มาถึงและจำเหตุการณ์คล้ายกันได้ ในช่วงอากาศหนาวครั้งก่อน ส่วนหนึ่งของท่อภายนอกเกิดการแข็งตัวบางส่วน การอุดตันดังกล่าวเปลี่ยนวัสดุที่ไหลเข้าสู่กระบวนการ และการเปลี่ยนแปลงนั้นทำให้การเดินเครื่องไม่เสถียรในบริเวณอื่นของสายการผลิตในเวลาต่อมา

คำอธิบายสำคัญมีอยู่ในภาษามนุษย์ โดยเชื่อมโยงสภาพอากาศ พฤติกรรมของวัสดุ การตอบสนองของอุปกรณ์ และผลกระทบของกระบวนการที่เกิดขึ้นล่าช้า

ตรรกะสัญญาณเตือนแบบเดิมอาจตรวจจับความเบี่ยงเบนแต่ละรายการได้ แต่อาจไม่สามารถอธิบายความสัมพันธ์ระหว่างความเบี่ยงเบนเหล่านั้น

แพลตฟอร์มที่ใช้ AI สามารถค้นหาบันทึกกะงานก่อนหน้า บันทึกการบำรุงรักษา และข้อมูลสภาพแวดล้อมได้ นอกจากนี้ยังระบุเหตุการณ์ก่อนหน้าที่เกี่ยวข้องกับการแข็งตัวจากความเย็นและนำเสนอให้ทีมปัจจุบันได้

แพลตฟอร์มไม่ได้เข้ามาแทนที่วิศวกร แต่ช่วยให้เข้าถึงความรู้เดิมของวิศวกรได้รวดเร็วยิ่งขึ้น

ความแตกต่างนี้เป็นหัวใจสำคัญของ AI ในอุตสาหกรรม

คุณค่าที่เห็นได้เร็วที่สุดมักมาจากการปรับปรุงการเข้าถึงประสบการณ์ของบุคลากร ไม่ใช่การสร้างโรงงานที่ทำงานได้โดยอัตโนมัติอย่างสมบูรณ์

ตัวอย่างการตอบสนองต่อเหตุการณ์จริงในทางปฏิบัติ

ลองนึกภาพโรงงานเคมีภัณฑ์ชนิดพิเศษที่เดินเครื่องสายการผลิตแบบขนานหลายสาย แต่ละสายประกอบด้วยปั๊ม เครื่องแลกเปลี่ยนความร้อน วาล์วควบคุม เครื่องวิเคราะห์ และอุปกรณ์ถ่ายโอนแบบแบตช์

สายการผลิตหนึ่งเริ่มเกิดสัญญาณเตือนความดันสูงซ้ำ ๆ ระหว่างการผลิตผลิตภัณฑ์เกรดหนึ่ง สัญญาณเตือนหายไปหลังล้างไลน์ และกลับมาอีกครั้งในแคมเปญถัดไป

ข้อสันนิษฐานเบื้องต้นคือวาล์วควบคุมติดขัด ฝ่ายซ่อมบำรุงตรวจสอบแอคชูเอเตอร์และโพซิชันเนอร์ แต่ไม่พบปัญหาทางกล

จากนั้นทีมเปลี่ยนเครื่องส่งสัญญาณความดัน แต่แบตช์ถัดไปยังเกิดสัญญาณเตือนเดิม

หากไม่มีแพลตฟอร์มปัญญาร่วม การสืบสวนอาจดำเนินต่อไปผ่านการประชุม สเปรดชีต และการค้นหาในระบบแยกกัน หลายแผนกอาจทำการวิเคราะห์เดิมซ้ำโดยไม่ทราบว่าผู้อื่นค้นพบอะไรไปแล้ว

แพลตฟอร์มแบบบูรณาการเปลี่ยนแปลงขั้นตอนการทำงาน

ผู้ปฏิบัติงานค้นหาชื่ออุปกรณ์และอธิบายอาการด้วยภาษาทั่วไป ระบบแสดงระเบียนที่เกี่ยวข้องหลายรายการ ระเบียนหนึ่งเกี่ยวข้องกับสายการผลิตอื่น อีกรายการมาจากรายงานความเบี่ยงเบนด้านคุณภาพที่จัดทำขึ้นเมื่อสิบแปดเดือนก่อน

รายงานก่อนหน้านี้ระบุว่าซัพพลายเออร์วัตถุดิบเปลี่ยนช่วงความหนืด วัตถุดิบยังคงอยู่ภายในข้อกำหนดการจัดซื้อ อย่างไรก็ตาม การเปลี่ยนแปลงนี้ส่งผลต่อการถ่ายเทความร้อนระหว่างการผลิตผลิตภัณฑ์เกรดหนึ่ง

โปรไฟล์อุณหภูมิที่เปลี่ยนแปลงทำให้ความหนืดเพิ่มขึ้นใกล้วาล์วควบคุม ความต้านทานที่สูงขึ้นจึงทำให้เกิดพฤติกรรมความดันที่สังเกตได้

ทีมปัจจุบันเปรียบเทียบล็อตวัตถุดิบ แนวโน้มอุณหภูมิ ตำแหน่งวาล์ว และข้อมูลความดัน หลักฐานสนับสนุนคำอธิบายก่อนหน้านี้

วิศวกรรมปรับลำดับการให้ความร้อนให้อยู่ภายในขีดจำกัดการปฏิบัติงานที่ได้รับอนุมัติ ฝ่ายจัดซื้อยังทบทวนข้อกำหนดวัตถุดิบร่วมกับซัพพลายเออร์ด้วย

ตัวอย่างนี้แสดงให้เห็นข้อได้เปรียบสำคัญหลายประการ

ระบบเชื่อมโยงข้อมูลข้ามชุดการผลิตเข้าด้วยกัน โดยเชื่อมโยงอาการของอุปกรณ์กับบันทึกด้านคุณภาพ และระบุความสัมพันธ์ของกระบวนการที่การแก้ไขปัญหาโดยมุ่งเน้นอุปกรณ์ไม่สามารถตรวจพบได้

นอกจากนี้ยังป้องกันการเปลี่ยนชิ้นส่วนเพิ่มเติมได้

คุณค่าทางการเงินไม่ได้มาจากการลดเวลาหยุดทำงานเพียงอย่างเดียว โรงงานหลีกเลี่ยงการใช้ชิ้นส่วนที่ไม่จำเป็น ลดแรงงานบำรุงรักษา รักษาคุณภาพผลิตภัณฑ์ และปรับปรุงข้อกำหนดการจัดซื้อในอนาคต

รูปที่ 3. AI สามารถนำเสนอตัวเลือกการตอบสนองที่อ้างอิงหลักฐานได้ โดยเชื่อมโยงอาการปัจจุบันเข้ากับประสบการณ์ก่อนหน้านี้ของโรงงาน

การค้นหาอัจฉริยะเปลี่ยนวิธีที่ทีมกะใช้ประสบการณ์

การค้นหาอัจฉริยะเป็นหนึ่งในจุดเริ่มต้นที่ใช้งานได้จริงที่สุดสำหรับ AI ในอุตสาหกรรม เพราะช่วยแก้ปัญหาเร่งด่วนได้โดยไม่ต้องอาศัยการควบคุมแบบอัตโนมัติ

องค์กรการผลิตมีประสบการณ์ด้านการปฏิบัติงานสะสมมาหลายปีอยู่แล้ว ความท้าทายคือการเรียกใช้ประสบการณ์ที่ถูกต้องในเวลาที่จำเป็น

แอปพลิเคชันค้นหาอัจฉริยะสามารถประมวลผลคำค้นหาด้วยภาษาธรรมชาติได้ นอกจากนี้ยังสามารถวิเคราะห์ความสัมพันธ์ของอุปกรณ์ ประทับเวลา พื้นที่กระบวนการ ลำดับสัญญาณเตือน และบริบทของเอกสาร

สิ่งนี้ทำให้ผู้ใช้สามารถค้นหาด้วยความหมายแทนการใช้ถ้อยคำที่ตรงกันทุกประการ

สมมติว่าพนักงานสองคนบรรยายเหตุการณ์เดียวกันแตกต่างกัน คนหนึ่งเขียนว่าท่อหยุดทำงานหลังจากสภาวะการป้อนที่ไม่เสถียร อีกคนเขียนว่ากระบวนการหยุดฉุกเฉินหลังจากแรงดันทางเข้าผันผวน

บุคคลที่สามอาจบันทึกว่าปั๊มถ่ายโอนต้นทางสูญเสียแรงดูด

แพลตฟอร์มอัจฉริยะสามารถเชื่อมโยงคำบรรยายเหล่านี้ผ่านบริบทกระบวนการที่มีร่วมกัน โดยอาจระบุได้ว่าเป็นชุดอุปกรณ์เดียวกัน รูปแบบด้านเวลาเดียวกัน หรือสภาวะการเดินเครื่องเดียวกัน

จากนั้นแพลตฟอร์มจะส่งคืนเหตุการณ์ที่เกี่ยวข้องและจัดอันดับตามความเกี่ยวข้อง

การจัดอันดับมีความสำคัญ เพราะฐานข้อมูลอุตสาหกรรมอาจมีรายการที่ตรงกันได้หลายพันรายการ ผู้ใช้ไม่จำเป็นต้องเห็นทุกรายการที่มีคำคุ้นเคย พวกเขาต้องการรายการที่มีแนวโน้มจะช่วยสนับสนุนการตัดสินใจในปัจจุบันได้มากที่สุด

ปัจจัยที่มีประโยชน์ต่อการจัดอันดับอาจรวมถึงอัตลักษณ์ของอุปกรณ์ หน่วยกระบวนการ โหมดการเดินเครื่อง สภาวะแวดล้อม เกรดผลิตภัณฑ์ ลำดับสัญญาณเตือน ประวัติการบำรุงรักษา และผลลัพธ์ของการดำเนินการแก้ไข

ระบบควรแยกแยะการตอบสนองที่ประสบความสำเร็จออกจากความพยายามที่ไม่สำเร็จด้วย

บันทึกการบำรุงรักษาที่ระบุว่าเปลี่ยนอุปกรณ์แล้ว ไม่ได้พิสูจน์ว่าการเปลี่ยนนั้นแก้ปัญหาได้ แพลตฟอร์มควรตรวจสอบบันทึกในภายหลังและพฤติกรรมของกระบวนการ

สิ่งนี้ช่วยป้องกันไม่ให้ทีมดำเนินการเดิมซ้ำ เพียงเพราะการดำเนินการนั้นปรากฏอยู่ในรายงาน

การค้นหาอัจฉริยะยังช่วยเปิดเผยช่องว่างทางความรู้ได้ด้วย หากเหตุการณ์จำนวนมากมีข้อสรุปไม่ครบถ้วน ฝ่ายบริหารก็สามารถปรับปรุงมาตรฐานการรายงานได้ หากปัญหาเดียวกันได้รับการบรรยายแตกต่างกัน องค์กรก็สามารถเสริมแนวทางการใช้คำศัพท์ให้มีความสอดคล้องกันมากขึ้น

การค้นหาจึงกลายเป็นทั้งเครื่องมือแก้ไขปัญหาและเครื่องมือยกระดับคุณภาพความรู้

แมชชีนเลิร์นนิงและการเขียนโปรแกรมแบบดั้งเดิมมีบทบาทที่แตกต่างกัน

การเขียนโปรแกรมแบบดั้งเดิมเริ่มต้นจากกฎที่มนุษย์กำหนด โปรแกรมเมอร์ระบุอินพุต เงื่อนไข และเอาต์พุตที่ต้องการ

วิธีนี้ยังคงมีความสำคัญต่อฟังก์ชันในภาคอุตสาหกรรมที่คาดการณ์ได้ ลำดับการสตาร์ตมอเตอร์ควรเป็นไปตามตรรกะที่ผ่านการตรวจสอบแล้ว ฟังก์ชันการหยุดเครื่องควรทำงานตามการออกแบบด้านความปลอดภัยที่ผ่านการทดสอบ

แมชชีนเลิร์นนิงมีจุดประสงค์ที่แตกต่างออกไป

แทนที่จะกำหนดความสัมพันธ์ทุกอย่างด้วยตนเอง วิศวกรจะป้อนข้อมูลและวัตถุประสงค์ให้อัลกอริทึม จากนั้นอัลกอริทึมจะระบุรูปแบบที่ช่วยแยกแยะผลลัพธ์ที่เกี่ยวข้อง

ตัวอย่างเช่น โมเดลอาจตรวจสอบการสั่นสะเทือน อุณหภูมิ โหลด สภาวะการหล่อลื่น ประวัติการบำรุงรักษา และชั่วโมงการทำงาน โมเดลอาจระบุชุดค่าผสมที่สัมพันธ์กับการเสื่อมสภาพของอุปกรณ์ในอดีต

จากนั้นโมเดลจะสามารถประเมินความน่าจะเป็นที่สภาวะคล้ายกันจะเกิดขึ้นได้

ค่าประมาณเหล่านี้ไม่ใช่ข้อเท็จจริงที่แน่นอน แต่เป็นผลลัพธ์เชิงความน่าจะเป็นที่อิงจากข้อมูลที่มีอยู่

ดังนั้น ทีมงานภาคอุตสาหกรรมต้องเข้าใจระดับความเชื่อมั่น ข้อจำกัดของข้อมูล และขอบเขตการทำงาน โมเดลที่ฝึกด้วยข้อมูลระหว่างการผลิตตามปกติอาจทำงานได้ไม่ดีในช่วงเริ่มเดินเครื่อง โมเดลที่พัฒนาสำหรับคอมเพรสเซอร์เครื่องหนึ่งอาจใช้กับการออกแบบอีกแบบหนึ่งไม่ได้

แมชชีนเลิร์นนิงยังขึ้นอยู่กับป้ายกำกับและผลลัพธ์ในอดีตด้วย หากระเบียนการบำรุงรักษาจำแนกประเภทการขัดข้องไม่ถูกต้อง โมเดลอาจเรียนรู้ความสัมพันธ์ที่ทำให้เข้าใจผิด

ด้วยเหตุนี้ การนำ AI ไปใช้จึงต้องอาศัยความร่วมมือระหว่างผู้เชี่ยวชาญด้านข้อมูลกับผู้เชี่ยวชาญเฉพาะด้าน

ผู้เชี่ยวชาญด้านข้อมูลเข้าใจสถาปัตยกรรมโมเดล การตรวจสอบความถูกต้อง และตัวชี้วัดประสิทธิภาพ วิศวกรกระบวนการเข้าใจโหมดการทำงานและปฏิสัมพันธ์ของกระบวนการ ผู้เชี่ยวชาญด้านการบำรุงรักษาเข้าใจกลไกการขัดข้อง ส่วนผู้ปฏิบัติงานเข้าใจสิ่งที่เกิดขึ้นจริงระหว่างกะ

ไม่มีทีมใดทีมหนึ่งที่มีภาพรวมครบถ้วน

การนำไปใช้อย่างมีประสิทธิผลต้องผสานมุมมองเหล่านี้เข้าด้วยกันตั้งแต่เริ่มต้น

คุณภาพข้อมูลเป็นตัวกำหนดคุณค่าของ AI ในภาคอุตสาหกรรม

ข้อมูลเป็นข้อกำหนดพื้นฐานของปัญญาประดิษฐ์ ปริมาณมีความสำคัญ แต่คุณภาพสำคัญยิ่งกว่า

โรงงานอาจเก็บจุดข้อมูลนับล้านจุด แต่ยังขาดบริบทที่เชื่อถือได้ ค่าจากเซนเซอร์อาจไม่ครบถ้วน การประทับเวลาอาจไม่สอดคล้องกัน ชื่ออุปกรณ์อาจแตกต่างกันในแต่ละระบบ ใบสั่งงานอาจมีคำอธิบายที่คลุมเครือ

แพลตฟอร์ม AI ไม่สามารถแก้ไขจุดอ่อนเชิงโครงสร้างได้โดยอัตโนมัติทุกประการ

คุณภาพข้อมูลเริ่มต้นจากระบบเครื่องมือวัด เซนเซอร์ต้องเหมาะสมกับการใช้งาน ต้องดูแลแนวทางการสอบเทียบอย่างต่อเนื่อง ต้องระบุค่าที่มีคุณภาพต่ำ และต้องรักษาการซิงโครไนซ์เวลาให้สอดคล้องกันในทุกระบบ

ข้อมูลตามบริบทมีความสำคัญไม่แพ้กัน

ค่าของอุณหภูมิมีความหมายจำกัดหากไม่มีข้อมูลระบุอุปกรณ์ หน่วยกระบวนการ โหมดการทำงาน เกรดผลิตภัณฑ์ และเวลาเกิดเหตุ สัญญาณเตือนจะมีประโยชน์มากขึ้นเมื่อเชื่อมโยงกับลำดับความสำคัญ การเปลี่ยนสถานะ การรับทราบ และสภาวะของกระบวนการโดยรอบ

ระเบียนที่กรอกโดยมนุษย์ก็ต้องได้รับการใส่ใจเช่นกัน

บันทึกระหว่างกะควรระบุสินทรัพย์และพื้นที่กระบวนการที่ได้รับผลกระทบ รายงานการบำรุงรักษาควรแยกอาการ การดำเนินการ สิ่งที่ตรวจพบ และสาเหตุที่ยืนยันแล้วออกจากกัน บันทึกเหตุการณ์ควรแสดงว่าการดำเนินการแก้ไขมีประสิทธิผลหรือไม่

องค์กรไม่จำเป็นต้องมีภาษาที่เป็นมาตรฐานอย่างสมบูรณ์ก่อนเริ่มต้น การประมวลผลภาษาธรรมชาติสามารถรองรับความแตกต่างได้ อย่างไรก็ตาม บริบทที่ขาดหายไปโดยสิ้นเชิงไม่สามารถกู้คืนได้อย่างน่าเชื่อถือ

การทบทวนความพร้อมของข้อมูลในทางปฏิบัติควรพิจารณาหลายด้าน

ประการแรก ควรระบุระบบที่มีความรู้ด้านการปฏิบัติงานที่เป็นประโยชน์ ประการที่สอง ควรประเมินการเข้าถึงและผู้รับผิดชอบ ประการที่สาม ควรประเมินความสอดคล้องของการตั้งชื่อและคุณภาพของการประทับเวลา ประการที่สี่ ควรตรวจสอบข้อกำหนดด้านความมั่นคงปลอดภัยไซเบอร์และการเก็บรักษาข้อมูล

การทบทวนควรระบุข้อมูลที่มีความอ่อนไหวด้วย บันทึกการบำรุงรักษาบางรายการอาจมีข้อมูลส่วนบุคคล บันทึกการผลิตอาจมีสูตรที่เป็นความลับ บันทึกการเข้าถึงจากระยะไกลอาจเปิดเผยรายละเอียดด้านความปลอดภัย

การกำกับดูแลข้อมูลต้องกำหนดว่าแอปพลิเคชัน AI สามารถประมวลผลข้อมูลใดได้บ้าง และต้องกำหนดด้วยว่าใครสามารถดูผลลัพธ์แต่ละรายการได้

การกำกับดูแลที่เข้มแข็งไม่ได้ขัดขวางนวัตกรรม แต่สร้างขอบเขตที่ปลอดภัยสำหรับการนำไปใช้อย่างยั่งยืน

การสื่อสารระหว่างกะแบบโต้ตอบช่วยสร้างฐานความรู้ที่มีชีวิต

การปฏิบัติงานระหว่างกะขึ้นอยู่กับการสื่อสาร สภาพอุปกรณ์ ข้อจำกัดการเดินเครื่องชั่วคราว กิจกรรมบำรุงรักษา ข้อกังวลด้านคุณภาพ และลำดับความสำคัญของการผลิตต้องถูกส่งต่อจากทีมหนึ่งไปยังอีกทีมหนึ่ง

บันทึกกระดาษและสเปรดชีตที่แยกกันมักทำให้ข้อมูลสูญหาย ข้อสังเกตสำคัญอาจติดอยู่กับกะที่กำลังส่งต่องาน การสนทนาอย่างไม่เป็นทางการอาจไม่เคยถูกบันทึกไว้เป็นหลักฐานถาวร

แพลตฟอร์มระดับองค์กรสามารถนำเสนอภาพรวมการดำเนินงานร่วมกันได้ โดยอาจแสดงผลการดำเนินงานของโรงงาน ใบสั่งงานที่กำลังดำเนินการ เหตุการณ์ คำสั่งชั่วคราว และความเสี่ยงที่ยังไม่ได้รับการแก้ไข

ทีมกะสามารถบันทึกข้อมูลผ่านเวิร์กโฟลดิจิทัลที่สอดคล้องกัน แต่ละรายการอาจมีเวลา อุปกรณ์ พื้นที่กระบวนการ ลำดับความสำคัญ ไฟล์แนบ และผู้รับผิดชอบติดตามผล

โครงสร้างนี้รองรับข้อกำหนดด้านการตรวจสอบ นอกจากนี้ยังทำให้ค้นหาข้อมูลได้

ฐานความรู้เติบโตขึ้นจากทุกบันทึกที่มีประโยชน์ ปัญหาที่แก้ไขได้ในวันนี้จะกลายเป็นแนวทางสำหรับกะในอนาคต

การใช้งานข้ามไซต์สามารถสร้างคุณค่าเพิ่มเติมได้ บริษัทที่ดำเนินงานโรงงานลักษณะเดียวกันหลายแห่งอาจเปรียบเทียบเหตุการณ์ระหว่างสถานที่ต่าง ๆ ได้ ไซต์หนึ่งอาจแก้ปัญหาที่เพิ่งปรากฏในอีกแห่งได้แล้ว

ความสามารถนี้มีประโยชน์เป็นพิเศษสำหรับกลุ่มอุปกรณ์มาตรฐาน หลายโรงงานอาจใช้คอมเพรสเซอร์ แพลตฟอร์มควบคุม เครื่องวิเคราะห์ หรือระบบความปลอดภัยรุ่นเดียวกัน

อย่างไรก็ตาม การแบ่งปันข้อมูลข้ามไซต์จำเป็นต้องมีบริบท โซลูชันจากโรงงานแห่งหนึ่งอาจไม่สามารถนำไปใช้โดยตรงกับการกำหนดค่ากระบวนการของอีกแห่ง แพลตฟอร์มควรนำเสนอข้อมูลในฐานะหลักฐาน ไม่ใช่คำสั่งอัตโนมัติ

การส่งต่องานระหว่างกะก็มีประสิทธิภาพมากขึ้นเมื่อปัญหาที่ยังไม่ได้รับการแก้ไขยังคงมองเห็นได้

ทีมที่เข้ารับช่วงต่อสามารถดูได้ว่าเกิดสัญญาณเตือนใดขึ้นบ้าง มีการพยายามดำเนินการใด และงานบำรุงรักษาใดยังค้างอยู่ ทีมสามารถทบทวนแนวโน้มของกระบวนการก่อนรับผิดชอบงานต่อได้

การค้นหาอัจฉริยะช่วยเพิ่มอีกหนึ่งชั้นความสามารถ โดยสามารถระบุการส่งมอบงานก่อนหน้าที่เกี่ยวข้องกับอาการคล้ายกัน และยังแสดงได้ว่ากลยุทธ์การตอบสนองใดให้ผลลัพธ์ที่มีเสถียรภาพ

เป้าหมายโดยรวมคือความต่อเนื่อง

ความรู้ด้านการผลิตควรยังคงเข้าถึงได้เมื่อบุคลากรเปลี่ยนกะ เปลี่ยนแผนก หรือเปลี่ยนนายจ้าง

บริบทแบบเรียลไทม์ช่วยเพิ่มทั้งประสิทธิภาพและความปลอดภัย

ความรู้จากอดีตจะมีประสิทธิภาพมากขึ้นเมื่อเชื่อมโยงกับสภาวะปัจจุบันของโรงงาน

แพลตฟอร์มอาจระบุเหตุการณ์ก่อนหน้าได้ แต่เหตุการณ์ปัจจุบันอาจแตกต่างกันในประเด็นสำคัญ ข้อมูลแบบเรียลไทม์ช่วยให้ทีมเปรียบเทียบความแตกต่างเหล่านั้น

ตัวอย่างเช่น ปั๊มอาจหยุดทำงานก่อนหน้านี้ขณะมีโหลดสูง แต่การหยุดทำงานในปัจจุบันอาจเกิดขึ้นระหว่างการเริ่มต้นระบบ ลำดับสัญญาณเตือนอาจดูคล้ายกัน แต่บริบทการปฏิบัติการทำให้สาเหตุที่เป็นไปได้แตกต่างกัน

การผสานรวมแบบเรียลไทม์สามารถแสดงค่ากระบวนการปัจจุบัน สถานะสัญญาณเตือน ความพร้อมใช้งานของอุปกรณ์ และโหมดการผลิต นอกจากนี้ยังแสดงใบอนุญาตการบำรุงรักษาที่ใช้งานอยู่หรือการเปลี่ยนแปลงการกำหนดค่าล่าสุดได้

บริบทนี้ช่วยลดความเสี่ยงจากการนำวิธีแก้ไขเดิมมาใช้โดยไม่ไตร่ตรอง

ประโยชน์ด้านความปลอดภัยยังอาจเกิดจากการปรับปรุงการไหลของข้อมูล

ผู้ปฏิบัติงานอาจได้รับคำเตือนล่วงหน้าเกี่ยวกับสภาวะที่กำลังก่อตัว ทีมบำรุงรักษาอาจสังเกตเห็นอาการซ้ำ ๆ ก่อนที่อุปกรณ์จะเข้าสู่ภาวะวิกฤต ผู้ควบคุมงานอาจระบุปัญหาที่ยังไม่ได้รับการแก้ไขตลอดหลายกะการทำงานติดต่อกัน

AI ไม่ควรหลีกเลี่ยงขั้นตอนความปลอดภัยที่กำหนดไว้ แต่ควรเสริมการรับรู้สถานการณ์โดยรอบขั้นตอนเหล่านั้น

คำแนะนำใด ๆ ที่ส่งผลต่อการปฏิบัติการต้องสอดคล้องกับขั้นตอนที่ได้รับอนุมัติ ขีดจำกัดการปฏิบัติการ ข้อกำหนดด้านการบริหารการเปลี่ยนแปลง และฟังก์ชันเครื่องมือวัดความปลอดภัย

แพลตฟอร์มควรระบุด้วยว่าข้อมูลมีความไม่แน่นอนเมื่อใด และไม่ควรนำเสนอผลลัพธ์ที่มีความเชื่อมั่นต่ำเสมือนเป็นสาเหตุที่ยืนยันแล้ว

การระบุความไม่แน่นอนอย่างชัดเจนช่วยส่งเสริมการตรวจสอบที่เหมาะสม

รูปที่ 4.บริบทการปฏิบัติการแบบเรียลไทม์ช่วยให้ทีมประเมินคำแนะนำและปกป้องความปลอดภัยของโรงงาน

การสร้างสถาปัตยกรรมสารสนเทศเบื้องหลัง AI

แอปพลิเคชัน AI อาศัยสถาปัตยกรรมที่เชื่อมต่อระบบต่าง ๆ ในโรงงาน สถาปัตยกรรมนั้นต้องรวบรวมข้อมูลโดยไม่รบกวนฟังก์ชันการควบคุมที่สำคัญ

การออกแบบทั่วไปจะแยกสภาพแวดล้อมด้านการควบคุม การปฏิบัติการ และองค์กรออกจากกันผ่านโซนเครือข่ายที่มีการจัดการ ข้อมูลจะเคลื่อนผ่านอินเทอร์เฟซที่ได้รับอนุมัติ ระบบจัดเก็บประวัติ เกตเวย์ หรือแพลตฟอร์มเอดจ์

ระบบควบคุมยังคงรับผิดชอบการทำงานแบบกำหนดแน่นอน แพลตฟอร์ม AI จะรับข้อมูลที่คัดเลือกแล้วเพื่อการวิเคราะห์และการนำเสนอ

การแยกส่วนนี้ช่วยลดความเสี่ยง และยังช่วยให้ทีมความปลอดภัยทางไซเบอร์ใช้การควบคุมการเข้าถึง การตรวจสอบเฝ้าระวัง และข้อจำกัดการไหลของข้อมูลได้

ความน่าเชื่อถือของการสื่อสารในภาคอุตสาหกรรมยังคงมีความสำคัญตลอดทั้งสถาปัตยกรรม ข้อมูลที่ขาดหาย เกตเวย์ไม่เสถียร หรือการซิงโครไนซ์เวลาที่ไม่สอดคล้องกัน อาจลดความแม่นยำของการวิเคราะห์

องค์กรที่ขยายการเชื่อมต่อของโรงงานสามารถตรวจสอบอุปกรณ์สื่อสารและเครือข่ายอุตสาหกรรมที่มีอยู่ ซึ่งใช้เชื่อมต่อคอนโทรลเลอร์ รีโมต I/O เกตเวย์ และแพลตฟอร์มกำกับดูแล

สถาปัตยกรรมควรกำหนดเส้นทางข้อมูลหลายเส้นทาง

เส้นทางหนึ่งใช้สำหรับข้อมูลกระบวนการแบบอนุกรมเวลา อีกเส้นทางใช้สำหรับสัญญาณเตือนและเหตุการณ์ เส้นทางเพิ่มเติมอาจใช้สำหรับบันทึกการบำรุงรักษา ใบสั่งผลิต ผลการตรวจทางห้องปฏิบัติการ และการสื่อสารระหว่างกะ

ระบบต้องรักษาแหล่งที่มาของข้อมูล ผู้ใช้ควรทราบว่าคำแนะนำมาจากข้อมูลฮิสทอเรียน ใบสั่งงาน บันทึกของผู้ปฏิบัติงาน หรือเอกสารวิศวกรรม

สายธารข้อมูลช่วยสนับสนุนความน่าเชื่อถือและการตรวจสอบ นอกจากนี้ยังช่วยให้วิศวกรตรวจสอบผลลัพธ์ที่ไม่ถูกต้องได้

การประมวลผลที่เอดจ์อาจมีประโยชน์เมื่อแบนด์วิดท์จำกัดหรือไม่สามารถนำข้อมูลออกจากไซต์งานได้ การประมวลผลบนคลาวด์อาจให้ทรัพยากรคอมพิวเตอร์ที่ปรับขนาดได้และการวิเคราะห์จากหลายไซต์แบบรวมศูนย์

หลายองค์กรใช้โมเดลแบบไฮบริด

การรวบรวมและประมวลผลข้อมูลเบื้องต้นแบบทันทีเกิดขึ้นใกล้โรงงาน จากนั้นข้อมูลที่ได้รับอนุมัติจะถูกส่งไปยังแพลตฟอร์มส่วนกลางเพื่อการวิเคราะห์ที่ครอบคลุมยิ่งขึ้น

การออกแบบที่เหมาะสมขึ้นอยู่กับนโยบายความมั่นคงปลอดภัยทางไซเบอร์ ข้อกำหนดด้านเวลาแฝง ปริมาณข้อมูล ภาระผูกพันตามกฎระเบียบ และการเชื่อมต่อของไซต์งาน

ต้องออกแบบความมั่นคงปลอดภัยทางไซเบอร์ไว้ในแพลตฟอร์ม

AI ภาคอุตสาหกรรมเพิ่มการเชื่อมต่อและการใช้ข้อมูล ดังนั้นจึงก่อให้เกิดข้อพิจารณาด้านความมั่นคงปลอดภัยทางไซเบอร์เพิ่มเติม

หลักการแรกคือการให้สิทธิ์เท่าที่จำเป็น แอปพลิเคชันวิเคราะห์ควรได้รับเฉพาะสิทธิ์การเข้าถึงที่จำเป็นต่อการทำงานของตน

แพลตฟอร์มค้นหาอัจฉริยะอาจต้องมีสิทธิ์อ่านบันทึกกะงาน ใบสั่งงาน และข้อมูลกระบวนการที่เลือกไว้ โดยปกติไม่จำเป็นต้องมีสิทธิ์แก้ไขตรรกะของคอนโทรลเลอร์

การจัดการข้อมูลระบุตัวตนควรกำหนดว่าใครสามารถค้นหา ดู ส่งออก และดูแลข้อมูลได้ สิทธิ์การเข้าถึงอาจแตกต่างกันระหว่างผู้ปฏิบัติงาน วิศวกร ผู้รับเหมา และนักวิเคราะห์องค์กร

การแบ่งส่วนเครือข่ายควรปกป้องโซนควบคุมที่สำคัญ การถ่ายโอนข้อมูลควรใช้ส่วนเชื่อมต่อที่ควบคุมได้ การเชื่อมต่อระยะไกลควรปฏิบัติตามแนวทางการยืนยันตัวตนและการเฝ้าติดตามที่ได้รับอนุมัติ

ความปลอดภัยของโมเดลก็ต้องได้รับการใส่ใจเช่นกัน

ผู้โจมตีอาจพยายามบิดเบือนข้อมูล เปลี่ยนแปลงข้อมูลการฝึก หรือส่งเนื้อหาที่ทำให้เข้าใจผิด เอกสารที่ควบคุมอย่างไม่เหมาะสมอาจส่งผลต่อผลการค้นหาและคำแนะนำ

องค์กรควรตรวจสอบความถูกต้องของระบบต้นทางและเฝ้าติดตามการเปลี่ยนแปลงที่ผิดปกติ นอกจากนี้ควรรักษาการควบคุมเวอร์ชันสำหรับโมเดล พรอมต์ ดัชนี และฐานความรู้

บันทึกการตรวจสอบควรบันทึกการดำเนินการสำคัญของผู้ดูแลระบบ ทีมงานควรทราบว่าโมเดลเปลี่ยนแปลงเมื่อใด ใช้ข้อมูลใด และใครเป็นผู้อนุมัติการนำไปใช้งาน

การทบทวนความมั่นคงปลอดภัยทางไซเบอร์ควรดำเนินต่อไปหลังการใช้งานจริง การผสานรวมใหม่ แหล่งข้อมูลใหม่ และกลุ่มผู้ใช้ใหม่อาจเปลี่ยนแปลงระดับความเสี่ยง

ดังนั้น ความปลอดภัยจึงต้องเป็นส่วนหนึ่งของวงจรการใช้งานแพลตฟอร์ม

การกำกับดูแลความรู้ช่วยป้องกันความสับสนทางดิจิทัล

AI สามารถค้นคืนข้อมูลได้อย่างรวดเร็ว แต่ความเร็วเพียงอย่างเดียวไม่ได้รับประกันความถูกต้อง

ระเบียนภาคอุตสาหกรรมอาจมีขั้นตอนที่ล้าสมัย ข้อสรุปที่ไม่สมบูรณ์ หรือวิธีแก้ปัญหาชั่วคราว ระบบคำแนะนำต้องแยกแยะระหว่างแหล่งข้อมูลที่เป็นทางการกับแหล่งข้อมูลที่ไม่เป็นทางการ

การกำกับดูแลความรู้เป็นสิ่งที่กำหนดความแตกต่างเหล่านี้

ขั้นตอนการปฏิบัติงานที่ได้รับอนุมัติควรมีสถานะแตกต่างจากความคิดเห็นที่ไม่เป็นทางการ รายงานสาเหตุรากที่ผ่านการตรวจสอบควรมีน้ำหนักมากกว่าบันทึกการแก้ไขปัญหาเบื้องต้น

แพลตฟอร์มสามารถแสดงประเภทแหล่งที่มา สถานะการอนุมัติ วันที่ ฉบับแก้ไข และผู้รับผิดชอบ นอกจากนี้ยังสามารถแจ้งเตือนผู้ใช้เมื่อเอกสารหมดอายุ

องค์กรควรกำหนดว่าความรู้ใหม่จะกลายเป็นความรู้ที่เชื่อถือได้อย่างไร

ผู้ปฏิบัติงานอาจบันทึกข้อสังเกต ฝ่ายวิศวกรรมอาจตรวจสอบ ฝ่ายบำรุงรักษาอาจยืนยันสภาพอุปกรณ์ และหัวหน้างานอาจอนุมัติการดำเนินการแก้ไขขั้นสุดท้าย

แพลตฟอร์มควรรักษาลำดับพัฒนาการดังกล่าวไว้

วิธีนี้ช่วยหลีกเลี่ยงการถือว่าข้อความทุกข้อความมีความน่าเชื่อถือเท่าเทียมกัน

ข้อมูลป้อนกลับก็มีความสำคัญเช่นกัน ผู้ใช้ควรสามารถระบุได้ว่าผลลัพธ์นั้นเกี่ยวข้อง ล้าสมัย หรือไม่ถูกต้อง จากนั้นผู้เชี่ยวชาญเฉพาะด้านจึงสามารถตรวจสอบเนื้อหาที่มีข้อโต้แย้งได้

เมื่อเวลาผ่านไป ข้อมูลป้อนกลับนี้จะช่วยปรับปรุงคุณภาพการค้นคืนข้อมูล และยังช่วยระบุส่วนที่เอกสารจำเป็นต้องได้รับการปรับปรุง

ควรกำหนดผู้รับผิดชอบด้านความรู้ให้ชัดเจน แต่ละพื้นที่กระบวนการ ประเภทอุปกรณ์ หรือหมวดหมู่ขั้นตอนการปฏิบัติงานควรมีทีมที่รับผิดชอบ

หากไม่มีผู้รับผิดชอบ เนื้อหาดิจิทัลจะสะสมโดยไม่มีการทบทวน และผลลัพธ์จะกลายเป็นคลังข้อมูลที่จัดการได้ยากอีกแห่งหนึ่ง

การวัดคุณค่าด้านการดำเนินงานที่มากกว่าความแม่นยำของ AI

โครงการ AI ภาคอุตสาหกรรมควรวัดผลผ่านผลลัพธ์ด้านการดำเนินงาน โมเดลที่มีความแม่นยำทางเทคนิคมีคุณค่าอย่างจำกัด หากไม่ช่วยปรับปรุงการทำงานในโรงงาน

การวัดผลที่เป็นประโยชน์ขึ้นอยู่กับการประยุกต์ใช้งาน

สำหรับการตอบสนองต่อเหตุการณ์ องค์กรอาจติดตามเวลาเฉลี่ยในการระบุสาเหตุ เวลาเฉลี่ยในการซ่อมแซม ความถี่ของความขัดข้องซ้ำ และระยะเวลาการสูญเสียการผลิต

สำหรับการสื่อสารระหว่างกะ อาจติดตามรายการส่งต่องานที่ยังไม่ได้รับการแก้ไข การดำเนินการที่เกินกำหนด ข้อมูลในบันทึกประจำวันที่ขาดหาย และกิจกรรมการแก้ไขปัญหาที่เกิดซ้ำ

สำหรับการสนับสนุนงานบำรุงรักษา อาจติดตามการเปลี่ยนชิ้นส่วนโดยไม่จำเป็น งานฉุกเฉิน ใบสั่งงานซ้ำ และเวลาที่ใช้ในการวินิจฉัย

ประสิทธิภาพการค้นหาก็มีความสำคัญเช่นกัน ทีมงานสามารถวัดได้ว่าผู้ใช้ค้นหาระเบียนที่เกี่ยวข้องพบหรือไม่ เข้าถึงข้อมูลที่เป็นประโยชน์ได้เร็วเพียงใด และคำแนะนำสนับสนุนการแก้ไขปัญหาขั้นสุดท้ายหรือไม่

การยอมรับของผู้ใช้ก็เป็นตัวชี้วัดสำคัญอีกประการหนึ่ง

หากผู้ปฏิบัติงานหยุดใช้ระบบ องค์กรควรตรวจสอบสาเหตุ ผลลัพธ์อาจกว้างเกินไป อินเทอร์เฟซอาจรบกวนขั้นตอนการทำงาน ข้อมูลอาจล้าสมัย หรือผู้ใช้อาจไม่เข้าใจตรรกะการจัดอันดับ

การยอมรับในระดับต่ำไม่ควรถูกมองว่าเป็นการต่อต้านการเปลี่ยนแปลงโดยอัตโนมัติ แต่อาจสะท้อนถึงปัญหาด้านการออกแบบ

การประเมินทางการเงินควรรวมถึงความสูญเสียที่หลีกเลี่ยงได้ แรงงานที่ลดลง ผลผลิตที่ดีขึ้น และการใช้ทรัพยากรเพื่อการบำรุงรักษาที่ลดลง อย่างไรก็ตาม ผลประโยชน์ไม่ใช่ทุกประการที่จำเป็นต้องแปลงเป็นมูลค่าเงินทันที

การรักษาความรู้ที่ดีขึ้น การส่งต่องานที่มีประสิทธิภาพมากขึ้น และการตัดสินใจที่ปลอดภัยยิ่งขึ้น ล้วนสร้างคุณค่าในระยะยาวเช่นกัน

ตารางคะแนนแบบสมดุลควรรวมปัจจัยด้านเทคนิค การปฏิบัติงาน การเงิน และบุคลากร

การเริ่มต้นด้วยกรณีการใช้งานอุตสาหกรรมที่มุ่งเน้น

โครงการ AI จำนวนมากล้มเหลวเพราะเริ่มต้นจากแพลตฟอร์มแทนที่จะเริ่มจากปัญหา

บริษัทซื้อซอฟต์แวร์ขั้นสูงแล้วจึงค้นหาการใช้งานที่เป็นไปได้ แนวทางนี้มักก่อให้เกิดการสาธิตโดยไม่มีคุณค่าต่อการปฏิบัติงานอย่างยั่งยืน

แนวทางที่ดีกว่าคือเริ่มจากปัญหาที่เกิดซ้ำในโรงงาน

ปัญหาควรมีความสำคัญมากพอที่จะทำให้การดำเนินการคุ้มค่า และควรมีข้อมูลในอดีตที่เข้าถึงได้ รวมถึงผู้รับผิดชอบด้านการปฏิบัติการที่ชัดเจน

ตัวอย่างที่เหมาะสม ได้แก่ การหยุดทำงานซ้ำของอุปกรณ์ การส่งต่องานระหว่างกะที่ทำได้ยาก การสืบสวนเหตุการณ์ที่ล่าช้า และความรู้ด้านการบำรุงรักษาที่กระจัดกระจาย

โครงการแรกควรมีขอบเขตที่กำหนดไว้อย่างชัดเจน หน่วยผลิตหนึ่งหน่วย ประเภทอุปกรณ์หนึ่งประเภท หรือเหตุขัดข้องที่เกิดซ้ำรูปแบบหนึ่งอาจเพียงพอ

ขอบเขตที่มุ่งเน้นช่วยให้การเตรียมข้อมูลและการมีส่วนร่วมของผู้ใช้ง่ายขึ้น อีกทั้งยังทำให้วัดคุณค่าได้ง่ายขึ้น

ทีมโครงการควรจัดทำเอกสารขั้นตอนการทำงานปัจจุบันก่อนนำ AI มาใช้

พนักงานรับรู้ปัญหาได้อย่างไร พวกเขาค้นหาในระบบใด ใครเข้ามามีส่วนร่วม ใช้เวลาวินิจฉัยนานเท่าใด และโดยปกติระเบียนข้อมูลใดมักขาดหายไป

พื้นฐานนี้ช่วยป้องกันการกล่าวอ้างถึงการปรับปรุงที่คลุมเครือ

จากนั้นทีมสามารถออกแบบขั้นตอนการทำงานที่มี AI สนับสนุนได้ ผู้ใช้ควรทราบว่าคำแนะนำจะแสดงที่ใด จะตรวจสอบหลักฐานอย่างไร และจะบันทึกผลลัพธ์อย่างไร

โครงการนำร่องควรดำเนินการร่วมกับผู้ใช้จริงระหว่างการทำงานตามปกติ การทดสอบในห้องปฏิบัติการเพียงอย่างเดียวไม่สามารถจำลองแรงกดดันระหว่างกะ ข้อมูลที่ไม่ครบถ้วน หรือภารกิจที่ต้องทำพร้อมกันได้

ข้อเสนอแนะควรนำไปสู่การปรับเปลี่ยนอย่างรวดเร็ว ตัวกรองการค้นหา คำศัพท์ การจัดอันดับ และการออกแบบหน้าจออาจต้องปรับแก้หลายครั้ง

เป้าหมายไม่ใช่การพิสูจน์ว่า AI ใช้งานได้ในหลักการ แต่คือการปรับปรุงกระบวนการอุตสาหกรรมเฉพาะด้าน

แผนงานแบบเป็นระยะสำหรับการนำไปใช้ในโรงงาน

การนำไปใช้จริงสามารถพัฒนาไปตามระยะวุฒิภาวะหลายระยะ

ระยะแรกจัดทำระเบียนข้อมูลดิจิทัล บันทึกการเปลี่ยนกะ เหตุการณ์ และใบสั่งงานสามารถเข้าถึงได้ผ่านอินเทอร์เฟซที่สอดคล้องกัน

ระยะที่สองเชื่อมโยงระเบียนข้อมูลระหว่างระบบ อัตลักษณ์ของอุปกรณ์ การประทับเวลา และพื้นที่กระบวนการช่วยให้ผู้ใช้เข้าถึงข้อมูลที่เกี่ยวข้องกันได้

ระยะที่สามนำการค้นหาอัจฉริยะมาใช้ การประมวลผลภาษาธรรมชาติและการจัดอันดับเชิงความหมายช่วยให้ผู้ใช้ค้นหาเหตุการณ์ที่คล้ายกันได้

ระยะที่สี่เพิ่มคำแนะนำตามบริบท แพลตฟอร์มจะเปรียบเทียบสภาวะการดำเนินงานปัจจุบันกับผลลัพธ์ในอดีต

ระยะที่ห้านำแอปพลิเคชันเชิงคาดการณ์มาใช้ โมเดลจะระบุสภาวะที่กำลังก่อตัวและแจ้งเตือนได้ล่วงหน้า

ระยะที่หกอาจรองรับการเพิ่มประสิทธิภาพแบบวงจรปิดภายในขอบเขตที่ได้รับอนุมัติอย่างรอบคอบ

ไม่ใช่ทุกองค์กรจำเป็นต้องไปถึงระยะสุดท้าย คุณค่าอย่างมากอาจมีอยู่แล้วในแอปพลิเคชันด้านการค้นหา การสื่อสาร และการให้คำปรึกษา

แต่ละระยะควรรวมถึงการกำกับดูแล ความมั่นคงปลอดภัยทางไซเบอร์ การตรวจสอบยืนยัน และการฝึกอบรมผู้ใช้

ควรขยายการใช้งานต่อเมื่อระยะก่อนหน้าดำเนินงานได้อย่างน่าเชื่อถือแล้วเท่านั้น

แนวทางแบบแบ่งระยะนี้ช่วยลดความเสี่ยงทางเทคนิค และยังเปิดโอกาสให้บุคลากรค่อย ๆ สร้างความมั่นใจ

ผู้นำโรงงานควรสื่อสารว่าการนำ AI มาใช้เป็นโครงการปรับปรุงการดำเนินงาน ไม่ใช่เพียงการติดตั้งเทคโนโลยีสารสนเทศ

ฝ่ายปฏิบัติการ ฝ่ายบำรุงรักษา วิศวกรรม ความปลอดภัย คุณภาพ ความมั่นคงปลอดภัยทางไซเบอร์ และฝ่ายบริหารต้องร่วมกันรับผิดชอบ

การฝึกอบรมผู้ปฏิบัติงานให้ประเมินคำแนะนำจาก AI

พนักงานต้องการมากกว่าคำแนะนำการใช้ซอฟต์แวร์ พวกเขาต้องเข้าใจในทางปฏิบัติว่าคำแนะนำถูกสร้างขึ้นอย่างไร และอาจผิดพลาดได้ที่จุดใด

การฝึกอบรมควรอธิบายว่า AI ระบุรูปแบบได้ แต่ไม่ได้มีความตระหนักรู้เกี่ยวกับโรงงานอย่างครบถ้วน

ผู้ใช้ควรเรียนรู้การตรวจสอบแหล่งที่มา เวลาและวันที่ อบริบทของอุปกรณ์ และตัวบ่งชี้ระดับความเชื่อมั่น รวมทั้งเปรียบเทียบคำแนะนำกับสภาวะของกระบวนการในปัจจุบัน

สถานการณ์ฝึกอบรมสามารถใช้เหตุการณ์จริงในอดีตได้ ทีมงานสามารถทบทวนผลลัพธ์ของแพลตฟอร์มและอภิปรายว่าหลักฐานที่แนะนำจะสนับสนุนการตัดสินใจก่อนหน้านี้หรือไม่

แบบฝึกหัดนี้ช่วยพัฒนาทักษะการประเมินเชิงวิพากษ์

พนักงานควรรู้ด้วยว่าต้องรายงานผลลัพธ์ที่ไม่ถูกต้องอย่างไร กระบวนการป้อนกลับที่เรียบง่ายช่วยส่งเสริมการปรับปรุงอย่างต่อเนื่อง

ผู้จัดการต้องหลีกเลี่ยงการลงโทษผู้ใช้ที่ตั้งคำถามต่อระบบ ความสงสัยอย่างมีเหตุผลช่วยเพิ่มความปลอดภัย

ขณะเดียวกัน ทีมงานควรหลีกเลี่ยงการปัดตกคำแนะนำโดยไม่ตรวจสอบ แพลตฟอร์มอาจระบุความสัมพันธ์ที่ยังไม่เห็นได้ชัดในทันที

พฤติกรรมที่ต้องการคือการประเมินอย่างมีวินัย

ผู้ปฏิบัติงานตรวจสอบหลักฐาน วิศวกรยืนยันตรรกะของกระบวนการ ฝ่ายบำรุงรักษาตรวจสอบสภาพอุปกรณ์ จากนั้นผู้รับผิดชอบจึงตัดสินใจดำเนินการ

เวิร์กโฟลว์นี้ผสานความรวดเร็วของเครื่องจักรเข้ากับวิจารณญาณของมนุษย์

การปกป้องความรู้ฝังลึกระหว่างการเปลี่ยนแปลงกำลังคน

โรงงานอุตสาหกรรมหลายแห่งพึ่งพาพนักงานที่มีประสบการณ์เชิงปฏิบัติมานานหลายทศวรรษ ผู้เชี่ยวชาญเหล่านี้สังเกตเห็นเสียง รูปแบบ และสภาวะการเดินเครื่องที่ละเอียดอ่อน ซึ่งยังไม่ได้รับการบันทึกไว้อย่างครบถ้วน

การเกษียณอายุและการเคลื่อนย้ายกำลังคนเป็นภัยคุกคามต่อความรู้ดังกล่าว

การถ่ายทอดความรู้แบบดั้งเดิมมักอาศัยการเป็นพี่เลี้ยงอย่างไม่เป็นทางการ วิธีนี้ยังคงมีคุณค่า แต่ขยายให้ครอบคลุมได้ยาก และยังขึ้นอยู่กับการที่พนักงานทำงานร่วมกันเป็นเวลานานพอ

แพลตฟอร์มดิจิทัลสามารถสนับสนุนแนวทางที่เป็นระบบมากขึ้นได้

พนักงานที่มีประสบการณ์สามารถบันทึกคำอธิบายเหตุการณ์ ตรรกะในการแก้ไขปัญหา และความสัมพันธ์ของกระบวนการได้ สามารถเชื่อมโยงบทสัมภาษณ์กับบันทึกอุปกรณ์ และเชื่อมโยงบทเรียนกับแนวโน้มจริงในอดีตได้

AI จึงช่วยให้เรียกดูข้อมูลนี้ได้ง่ายขึ้น

เป้าหมายไม่ใช่การเปลี่ยนประสบการณ์ทุกอย่างให้เป็นขั้นตอนปฏิบัติที่ตายตัว ความรู้บางอย่างขึ้นอยู่กับเงื่อนไข จึงต้องเชื่อมโยงไว้กับสถานการณ์ที่ทำให้ความรู้นั้นใช้ได้

ตัวอย่างเช่น การปรับตั้งการเดินเครื่องอาจใช้ได้เฉพาะกับเกรดผลิตภัณฑ์บางประเภทเท่านั้น วิธีแก้ปัญหาเฉพาะหน้าด้านการบำรุงรักษาอาจเป็นเพียงชั่วคราว รูปแบบการสั่นสะเทือนอาจใช้ได้เฉพาะเมื่อมีโหลดในระดับหนึ่ง

บริบทช่วยป้องกันไม่ให้ผู้ใช้ในอนาคตสรุปเหมารวมเกินจริง

ดังนั้นการเก็บองค์ความรู้ควรรวมถึงอาการ สถานะการปฏิบัติงาน เหตุผล การดำเนินการ ผลลัพธ์ และข้อจำกัด

โครงสร้างนี้สร้างความทรงจำทางเทคนิคที่แข็งแกร่งยิ่งขึ้นให้องค์กร

Generative AI เหมาะสมกับการดำเนินงานตามกระบวนการในส่วนใด

Generative AI เพิ่มความเป็นไปได้ให้แพลตฟอร์มในภาคอุตสาหกรรม สามารถสรุปกิจกรรมของกะ อธิบายความสัมพันธ์ ร่างรายงานเหตุการณ์ และตอบคำถามโดยใช้เอกสารโรงงานที่ได้รับอนุมัติ

ฟังก์ชันเหล่านี้ช่วยลดภาระงานด้านการบริหารได้ และยังช่วยให้ผู้ใช้นำทางในคลังข้อมูลทางเทคนิคขนาดใหญ่ได้

อย่างไรก็ตาม ผลลัพธ์ที่สร้างขึ้นจำเป็นต้องมีการควบคุมที่เข้มงวด

โมเดลภาษาสามารถสร้างข้อความที่น่าเชื่อถือแต่ไม่ครบถ้วนหรือไม่ถูกต้องได้ ดังนั้นผู้ใช้ในภาคอุตสาหกรรมจึงต้องเห็นแหล่งข้อมูลสนับสนุน

การสร้างแบบเสริมด้วยการค้นคืนเป็นแนวทางหนึ่งที่มีประโยชน์ ระบบจะค้นคืนข้อมูลโรงงานที่ได้รับอนุมัติก่อน จากนั้นจึงใช้ข้อมูลดังกล่าวสร้างคำตอบ

คำตอบควรมีการอ้างอิงถึงขั้นตอนปฏิบัติ ใบสั่งงาน แนวโน้ม หรือบันทึกเหตุการณ์ จากนั้นผู้ใช้จึงตรวจสอบคำตอบได้

การดำเนินการที่สำคัญไม่ควรพึ่งพาข้อความที่สร้างขึ้นโดยไม่มีแหล่งรองรับ

องค์กรควบคุมได้ด้วยว่าโมเดลสามารถใช้เอกสารใดได้บ้าง ขั้นตอนปฏิบัติฉบับร่าง คู่มือที่ล้าสมัย และเนื้อหาจากอินเทอร์เน็ตที่ไม่เกี่ยวข้องอาจทำให้เกิดคำแนะนำที่ไม่ปลอดภัย

การบันทึกพรอมต์และคำตอบสามารถช่วยสนับสนุนการตรวจสอบได้ ข้อมูลที่ละเอียดอ่อนควรได้รับการปกป้องอย่างเหมาะสม

Generative AI ทำงานได้ดีที่สุดในฐานะอินเทอร์เฟซสำหรับความรู้ที่เชื่อถือได้ ไม่ควรกลายเป็นแหล่งอำนาจทางเทคนิคที่ไม่มีการควบคุม

ข้อผิดพลาดทั่วไปในการนำไปใช้งาน

ข้อผิดพลาดหลายประการจำกัดโครงการ AI ในภาคอุตสาหกรรมซ้ำแล้วซ้ำเล่า

ข้อแรกคือการเลือกวัตถุประสงค์ที่กว้างเกินไป การปรับปรุงโรงงานทั้งแห่งด้วย AI ไม่ใช่กรณีใช้งานที่จัดการได้

ข้อที่สองคือการละเลยคุณภาพข้อมูล โมเดลขั้นสูงไม่สามารถชดเชยบริบทที่ขาดหายและบันทึกที่ไม่น่าเชื่อถือได้

ข้อที่สามคือการกีดกันผู้ปฏิบัติงาน ระบบที่ออกแบบโดยไม่มีข้อมูลจากผู้ปฏิบัติงานแต่ละกะอาจไม่สอดคล้องกับขั้นตอนการทำงานจริง

ข้อที่สี่คือการวัดเฉพาะความแม่นยำของโมเดล คุณค่าด้านการปฏิบัติงานครอบคลุมเวลาในการตอบสนอง การยอมรับใช้งาน ความล้มเหลวซ้ำ และประสิทธิผลในการบำรุงรักษา

ข้อที่ห้าคือการซ่อนหลักฐานไว้เบื้องหลังคำแนะนำ ผู้ใช้ต้องการแหล่งข้อมูลที่ตรวจสอบย้อนกลับได้

ข้อที่หกคือการเชื่อมต่อแพลตฟอร์มอย่างลึกซึ้งเกินไปก่อนสร้างความไว้วางใจ โดยทั่วไปแอปพลิเคชันให้คำแนะนำมักเป็นจุดเริ่มต้นที่ปลอดภัยกว่า

ข้อที่เจ็ดคือการมองว่าความมั่นคงปลอดภัยทางไซเบอร์เป็นเพียงการตรวจสอบขั้นสุดท้าย ข้อกำหนดด้านความปลอดภัยส่งผลต่อสถาปัตยกรรมตั้งแต่เริ่มต้น

ข้อที่แปดคือการไม่บำรุงรักษาแพลตฟอร์ม การเปลี่ยนอุปกรณ์ การปรับเปลี่ยนกระบวนการ และเอกสารใหม่อาจทำให้ประสิทธิภาพลดลง

ข้อที่เก้าคือการนำเสนอ AI ในฐานะสิ่งทดแทนประสบการณ์ ข้อความนี้ทำให้เกิดการต่อต้านและไม่เข้าใจบทบาทที่แข็งแกร่งที่สุดของเทคโนโลยี

ข้อที่สิบคือการยอมรับว่าการดำเนินการในอดีตทุกอย่างถูกต้อง บันทึกในอดีตมีทั้งความพยายามแก้ไขปัญหาที่ไม่สำเร็จและวิธีแก้ปัญหาชั่วคราว

แพลตฟอร์มที่มีการกำกับดูแลที่ดีต้องแยกหลักฐานออกจากข้อพิสูจน์ให้ได้

อนาคตคือการปฏิบัติการโดยมนุษย์ที่มีเครื่องจักรช่วยสนับสนุน

อุตสาหกรรมกระบวนการผลิตจะยังคงพึ่งพาบุคลากรที่มีคุณสมบัติเหมาะสม ระบบการผลิตมีความซับซ้อน แปรผัน และมีความสำคัญต่อความปลอดภัยมากเกินกว่าที่ความรับผิดชอบจะหายไปอยู่ในอัลกอริทึม

อย่างไรก็ตาม ผู้คนไม่ควรเสียเวลาอันมีค่าไปกับการค้นหาระเบียนที่ไม่เชื่อมต่อกันระหว่างเหตุการณ์เร่งด่วน

แพลตฟอร์มที่ใช้ AI ช่วยลดภาระดังกล่าวได้ โดยจัดระเบียบความรู้ของโรงงาน เชื่อมโยงเหตุการณ์ในอดีต และนำเสนอหลักฐานที่เกี่ยวข้องในเวลาที่จำเป็น

ระบบที่มีคุณค่าสูงสุดจะผสานความสามารถหลายด้านเข้าด้วยกัน

ระบบเหล่านี้จะบันทึกการสื่อสารแบบโต้ตอบระหว่างกะ เชื่อมโยงบริบทด้านกระบวนการผลิตและการบำรุงรักษา รองรับการค้นหาด้วยภาษาธรรมชาติ รักษาความสามารถในการตรวจสอบย้อนกลับของแหล่งที่มา และเรียนรู้จากข้อเสนอแนะของผู้ใช้

นอกจากนี้ ระบบเหล่านี้จะเคารพขอบเขตด้านการปฏิบัติการด้วย

ระบบควบคุมจะยังคงทำหน้าที่เชิงกำหนดตายตัวต่อไป ระบบความปลอดภัยจะยังคงปกป้องอุปกรณ์และบุคลากรต่อไป ส่วน AI จะทำหน้าที่เป็นชั้นเพิ่มเติมสำหรับการวิเคราะห์และสนับสนุนการตัดสินใจ

การผสมผสานนี้ก่อให้เกิดการปฏิบัติการโดยมนุษย์ที่มีเครื่องจักรช่วยสนับสนุน

เครื่องจักรประมวลผลข้อมูลปริมาณมาก จดจำความสัมพันธ์ระหว่างระเบียนต่าง ๆ และค้นคืนประสบการณ์ที่เกี่ยวข้องได้เร็วกว่าที่มนุษย์จะค้นหาเอง

มนุษย์เป็นผู้ประเมินหลักฐาน เข้าใจลำดับความสำคัญในปัจจุบันของโรงงาน และพิจารณาผลกระทบด้านความปลอดภัย การผลิต การบำรุงรักษา และข้อกำกับดูแล

เมื่อทำงานร่วมกัน ความสามารถเหล่านี้สามารถเพิ่มประสิทธิภาพการผลิตได้โดยไม่ลดทอนความรับผิดชอบ

เปลี่ยนประวัติโรงงานให้เป็นข้อได้เปรียบด้านการปฏิบัติการ

โรงงานกระบวนการผลิตทุกแห่งสร้างความรู้ขึ้นทุกวัน ผู้ปฏิบัติงานสังเกตเห็นพฤติกรรมผิดปกติ ช่างเทคนิคค้นพบกลไกการขัดข้อง วิศวกรทดสอบการปรับปรุง และหัวหน้างานประสานการตอบสนองระหว่างกะ

ความรู้จำนวนมากสูญหายไปอยู่ในระบบที่ไม่เชื่อมต่อกัน

แพลตฟอร์มระดับองค์กรที่ใช้ AI ช่วยรักษาและนำความรู้นั้นกลับมาใช้ได้ โดยเปลี่ยนบันทึกในอดีตให้เป็นทรัพยากรเชิงรุกสำหรับการตัดสินใจ

โอกาสนี้ขยายไปไกลกว่าการค้นหาที่รวดเร็วยิ่งขึ้น

โรงงานสามารถลดการแก้ไขปัญหาซ้ำ ๆ เพิ่มความต่อเนื่องระหว่างกะ ระบุจุดอ่อนที่เกิดซ้ำ เสริมความแข็งแกร่งให้การวางแผนบำรุงรักษา และรักษาประสบการณ์ไว้ได้ในช่วงที่กำลังคนเปลี่ยนแปลง

นอกจากนี้ยังช่วยสร้างความสัมพันธ์ระหว่างข้อมูลกับวิจารณญาณของมนุษย์ที่สอดคล้องกันมากขึ้น

ความสำเร็จต้องอาศัยมากกว่าการติดตั้งซอฟต์แวร์ แต่ต้องมีข้อมูลระบบอัตโนมัติที่เชื่อถือได้ สถาปัตยกรรมสารสนเทศที่รอบคอบ มาตรการควบคุมความมั่นคงปลอดภัยทางไซเบอร์ การกำกับดูแลความรู้ และการมีส่วนร่วมอย่างต่อเนื่องของบุคลากร

องค์กรควรเริ่มต้นจากปัญหาด้านการปฏิบัติการที่ชัดเจน ควรวัดผลลัพธ์ที่เกิดขึ้นจริง และควรขยายการใช้งานต่อเมื่อผู้ใช้ไว้วางใจระบบและหลักฐานที่รองรับแล้วเท่านั้น

อนาคตของการปฏิบัติการกระบวนการผลิตไม่ใช่การเลือกระหว่างคนกับเครื่องจักร

นี่คือความร่วมมือที่มีวินัย ซึ่งเครื่องจักรทำให้ความรู้ใช้งานได้ง่ายขึ้น ขณะที่ผู้คนยังคงรับผิดชอบโรงงาน