แพลตฟอร์มที่ขับเคลื่อนด้วย AI พลิกโฉมประสิทธิภาพของอุตสาหกรรมกระบวนการ

เหตุใดการดำเนินงานในอุตสาหกรรมกระบวนการผลิตจึงต้องมีรูปแบบการดำเนินงานดิจิทัลใหม่

อุตสาหกรรมกระบวนการผลิตได้เข้าสู่ช่วงเวลาที่การดำเนินงานเปลี่ยนแปลงอย่างรวดเร็วเป็นพิเศษ ราคาพลังงานผันผวน ห่วงโซ่อุปทานยังคงมีความไม่แน่นอน กำหนดการผลิตเปลี่ยนแปลงโดยแทบไม่มีการแจ้งล่วงหน้า ข้อกำหนดด้านกฎระเบียบยังคงขยายตัวอย่างต่อเนื่อง ขณะเดียวกัน ลูกค้าคาดหวังการส่งมอบที่เชื่อถือได้ คุณภาพที่สม่ำเสมอ และผลกระทบต่อสิ่งแวดล้อมที่ลดลง

แรงกดดันเหล่านี้ส่งผลต่อทุกระดับขององค์กรการผลิต ผู้จัดการโรงงานต้องปกป้องปริมาณการผลิตและความสามารถในการทำกำไร วิศวกรกระบวนการต้องทำให้ระบบการผลิตที่ซับซ้อนยิ่งขึ้นมีเสถียรภาพ ทีมบำรุงรักษาต้องแก้ไขปัญหาอุปกรณ์ภายในเวลาที่จำกัด ผู้ปฏิบัติงานต้องตัดสินใจอย่างปลอดภัยตลอดทุกกะการทำงาน

ระบบอัตโนมัติแบบดั้งเดิมยังคงมีความสำคัญในสภาพแวดล้อมนี้ ระบบควบคุมแบบกระจาย ตัวควบคุมแบบโปรแกรมได้ ระบบความปลอดภัย ระบบจัดเก็บประวัติข้อมูล และแพลตฟอร์มตรวจติดตามสภาพ ยังคงเป็นรากฐานของการดำเนินงานในโรงงาน อย่างไรก็ตาม ระบบเหล่านี้มักจัดระเบียบข้อมูลโดยยึดตามอุปกรณ์ แท็ก สัญญาณเตือน และฟังก์ชันการควบคุม

ระบบเหล่านี้ไม่ได้จัดระเบียบข้อมูลโดยยึดตามคำถามที่ผู้ปฏิบัติงานถามจริงเสมอไป

ผู้ปฏิบัติงานแทบไม่เริ่มต้นด้วยคำสั่งค้นหาฐานข้อมูลที่มีโครงสร้างสมบูรณ์แบบ แต่ผู้ปฏิบัติงานอาจถามว่าเหตุใดคอมเพรสเซอร์จึงหยุดทำงานซ้ำ ๆ ในช่วงอากาศหนาว ช่างเทคนิคอาจจำได้ว่าเคยเกิดความขัดข้องลักษณะเดียวกันเมื่อสองปีก่อน หัวหน้างานอาจรู้ว่าสายการผลิตอีกสายหนึ่งแก้ปัญหาเดียวกันได้ด้วยการปรับวิธีการเดินเครื่องที่ไม่ธรรมดา

องค์ความรู้นี้มีคุณค่า แต่บ่อยครั้งกระจัดกระจายอยู่ในบันทึกกะงาน บันทึกการบำรุงรักษา อีเมล รายงานเหตุการณ์ ใบสั่งงาน สเปรดชีต และประสบการณ์ส่วนบุคคล

แพลตฟอร์มระดับองค์กรที่ขับเคลื่อนด้วย AI ช่วยอุดช่องว่างนี้ โดยเชื่อมโยงข้อมูลเครื่องจักรที่มีโครงสร้างเข้ากับองค์ความรู้ด้านการปฏิบัติงานที่ไม่มีโครงสร้าง ช่วยให้ทีมผลิตระบุเหตุการณ์ที่เกี่ยวข้อง เปรียบเทียบเหตุการณ์ก่อนหน้า และเรียกดูแนวทางแก้ไขที่ผ่านการพิสูจน์แล้วได้โดยไม่ต้องค้นหาด้วยตนเองจากบันทึกที่แยกกระจัดกระจาย

แนวทางนี้ไม่ได้เข้ามาแทนที่สถาปัตยกรรมระบบอัตโนมัติที่มีอยู่ แต่เป็นการสร้างชั้นข้อมูลอัจฉริยะด้านการปฏิบัติงานขึ้นเหนือสถาปัตยกรรมนั้น

แพลตฟอร์มที่มีประสิทธิภาพสูงสุดจะรวบรวมข้อมูลจากระบบควบคุม ระบบจัดการสินทรัพย์ แอปพลิเคชันการบำรุงรักษา ระบบห้องปฏิบัติการ เครื่องมือวางแผนการผลิต และการสื่อสารของผู้ปฏิบัติงาน จากนั้นจึงนำเสนอข้อมูลดังกล่าวผ่านอินเทอร์เฟซที่ออกแบบมาเพื่อรองรับการตัดสินใจในการปฏิบัติงานจริง

องค์กรที่กำลังวางแผนการเปลี่ยนผ่านนี้ยังคงต้องรักษารากฐานการควบคุมที่เชื่อถือได้ ชั้นข้อมูลอัจฉริยะสมัยใหม่ไม่สามารถชดเชยระบบตรวจวัดที่ไม่เสถียร สัญญาณเตือนที่ไม่ครบถ้วน การออกแบบเครือข่ายที่ไม่ดี หรือบันทึกการบำรุงรักษาที่ไม่สอดคล้องกันได้ ผู้อ่านที่กำลังประเมินรากฐานการควบคุมเบื้องหลังโครงการเหล่านี้สามารถดูสถาปัตยกรรมและส่วนประกอบของระบบควบคุม DCSที่ใช้งานในโรงงานกระบวนการผลิตต่าง ๆ ได้

รูปที่ 1. การปฏิบัติงานดิจิทัลที่มีประสิทธิผลเชื่อมโยงพารามิเตอร์ของอุปกรณ์ บริบทของกระบวนการ และความรู้เชิงปฏิบัติของบุคลากรเข้าด้วยกัน

ความผันผวนทำให้ความรู้ด้านการปฏิบัติงานมีคุณค่ามากขึ้น

บริษัทในอุตสาหกรรมกระบวนการต้องตอบสนองต่อสภาวะทางธุรกิจและการปฏิบัติงานที่เปลี่ยนแปลงอย่างรวดเร็ว ราคาก๊าซธรรมชาติเป็นตัวอย่างที่ชัดเจนประการหนึ่ง การเพิ่มขึ้นของราคาอย่างฉับพลันอาจเปลี่ยนลำดับความสำคัญในการผลิต กลยุทธ์ด้านพลังงาน และเป้าหมายการปฏิบัติงานทั่วทั้งโรงงาน

ความต้องการของตลาดก็เปลี่ยนแปลงได้อย่างรวดเร็วเช่นกัน โรงงานอาจจำเป็นต้องผลิตเป็นล็อตเล็กลง เปลี่ยนเกรดผลิตภัณฑ์บ่อยขึ้น หรือใช้งานอุปกรณ์นอกเหนือจากรูปแบบการผลิตแบบเดิม การเปลี่ยนแปลงแต่ละครั้งทำให้เกิดปฏิสัมพันธ์เพิ่มเติมภายในกระบวนการ

นวัตกรรมทางเทคโนโลยีเพิ่มความซับซ้อนขึ้นอีกชั้น ปัจจุบันโรงงานต้องจัดการระบบอัตโนมัติแบบดั้งเดิมควบคู่ไปกับเครือข่ายอุตสาหกรรม บริการคลาวด์ การประมวลผลที่เอดจ์ มาตรการควบคุมความปลอดภัยทางไซเบอร์ การวิเคราะห์ขั้นสูง และแอปพลิเคชันสนับสนุนระยะไกล

ความซับซ้อนไม่ได้เกิดจากจำนวนเทคโนโลยีเพียงอย่างเดียว แต่ยังเกิดจากความสัมพันธ์ระหว่างเทคโนโลยีเหล่านั้นด้วย

ความผิดปกติของกระบวนการอาจเริ่มต้นจากปัญหาทางกล จากนั้นอาจส่งผลต่อค่าที่เครื่องมือวัดอ่านได้ วงจรควบคุม คุณภาพผลิตภัณฑ์ และอัตราการผลิตต้นน้ำ สัญญาณเตือนที่มองเห็นได้อาจปรากฏอยู่ห่างไกลจากสาเหตุเดิม

ดังนั้น ทีมงานฝ่ายผลิตจึงต้องการมากกว่าข้อความแจ้งเตือนแต่ละรายการ พวกเขาต้องการบริบท

บริบทช่วยอธิบายสิ่งที่เกิดขึ้นก่อนสัญญาณเตือน โดยระบุสภาวะแวดล้อม กิจกรรมการบำรุงรักษา การเปลี่ยนแปลงผลิตภัณฑ์ การดำเนินการของผู้ปฏิบัติงาน และพฤติกรรมของอุปกรณ์ นอกจากนี้ยังเชื่อมโยงเหตุการณ์ปัจจุบันกับเหตุการณ์ในอดีตที่เทียบเคียงกันได้

โรงงานหลายแห่งมีข้อมูลนี้อยู่แล้ว ปัญหาคือการเข้าถึง

วิธีแก้ไขจากเหตุการณ์ก่อนหน้าอาจอยู่ในบันทึกการบำรุงรักษา ข้อสังเกตที่เป็นประโยชน์อีกประการอาจปรากฏในรายงานกะ ผู้ปฏิบัติงานที่เกษียณแล้วอาจบันทึกสาเหตุไว้ในบันทึกอย่างไม่เป็นทางการ อย่างไรก็ตาม ทีมงานกะปัจจุบันอาจไม่เคยพบบันทึกเหล่านั้นระหว่างเกิดเหตุการณ์จริง

ต้นทุนจากความล้มเหลวนี้อาจสูงมาก การผลิตอาจยังคงหยุดชะงัก ขณะที่พนักงานทำขั้นตอนการแก้ไขปัญหาซ้ำ ซึ่งเคยล้มเหลวในเหตุการณ์ก่อนหน้านี้ บุคลากรฝ่ายบำรุงรักษาอาจเปลี่ยนชิ้นส่วนที่ยังใช้งานได้ ผู้ปฏิบัติงานอาจเริ่มเดินเครื่องอีกครั้งโดยไม่เข้าใจสภาวะที่เป็นสาเหตุที่แท้จริง

ทุกนาทีที่เพิ่มขึ้นอาจทำให้สูญเสียการผลิตมากขึ้น ใช้ทรัพยากรด้านการบำรุงรักษามากขึ้น และเพิ่มความเสี่ยงในการปฏิบัติงาน

ระบบที่ใช้ AI ช่วยให้สามารถนำความรู้ในอดีตกลับมาใช้ได้ง่ายขึ้น ระบบเหล่านี้สามารถตรวจจับความคล้ายคลึงระหว่างบันทึกที่ใช้ถ้อยคำแตกต่างกัน สามารถระบุอุปกรณ์ สภาวะการทำงาน อาการ และการดำเนินการแก้ไขที่เกี่ยวข้อง จากนั้นจึงนำเสนอข้อมูลที่เกี่ยวข้องก่อนที่ทีมงานจะใช้เวลาอันมีค่าไปจนหมด

ความสามารถนี้เปลี่ยนคุณค่าของเอกสารที่มีอยู่ในโรงงาน รายงานเก่าไม่ได้เป็นเพียงคลังข้อมูลแบบคงที่อีกต่อไป แต่กลายเป็นทรัพยากรเชิงปฏิบัติการที่ใช้งานได้จริง

จากข้อมูลที่จัดเก็บไว้สู่ความรู้โรงงานที่นำไปใช้ได้

องค์กรอุตสาหกรรมส่วนใหญ่ไม่ได้ประสบปัญหาจากการขาดข้อมูลโดยสิ้นเชิง แต่ประสบปัญหาจากข้อมูลที่กระจัดกระจาย คำศัพท์ที่ไม่สอดคล้องกัน และวิธีการค้นคืนข้อมูลที่จำกัด

โรงงานขนาดใหญ่อาจบันทึกเหตุการณ์การปฏิบัติงานหลายพันรายการในแต่ละเดือน บันทึกเหล่านี้อาจประกอบด้วยสัญญาณเตือน ใบสั่งงาน ความคิดเห็นของผู้ปฏิบัติงาน ข้อเบี่ยงเบนของกระบวนการ เหตุการณ์ด้านคุณภาพ และผลการตรวจพบจากงานบำรุงรักษา

แหล่งข้อมูลแต่ละแห่งใช้โครงสร้างที่แตกต่างกัน

ระบบบันทึกข้อมูลกระบวนการจะบันทึกค่าตามช่วงเวลา ระบบจัดการงานบำรุงรักษาด้วยคอมพิวเตอร์จะบันทึกงานของสินทรัพย์ บันทึกประจำกะจะบันทึกข้อสังเกต ระบบคุณภาพจะบันทึกข้อเบี่ยงเบนและผลการตรวจทางห้องปฏิบัติการ ส่วนระบบสัญญาณเตือนจะบันทึกการเปลี่ยนแปลงสถานะและการรับทราบสัญญาณ

ระบบเหล่านี้อธิบายโรงงานเดียวกันจากมุมมองที่แตกต่างกัน

เครื่องมือรายงานแบบดั้งเดิมมักกำหนดให้ผู้ใช้ทราบว่าข้อมูลที่เกี่ยวข้องถูกจัดเก็บไว้ที่ใด และอาจกำหนดให้ใช้คำสำคัญที่ตรงกัน หมายเลขอุปกรณ์ ช่วงวันที่ หรือหมวดหมู่รายงานอย่างถูกต้อง

ข้อกำหนดดังกล่าวก่อให้เกิดข้อจำกัดร้ายแรงระหว่างเหตุการณ์ที่ไม่ได้วางแผนไว้

ผู้ปฏิบัติงานที่กำลังเผชิญกับการหยุดชะงักของการผลิตอาจไม่ทราบคำศัพท์ด้านการบำรุงรักษาที่ถูกต้อง ช่างเทคนิคบำรุงรักษาอาจไม่ทราบชื่อกระบวนการที่ฝ่ายปฏิบัติการใช้ ส่วนพนักงานคนละกะอาจอธิบายอาการเดียวกันโดยใช้คำที่แตกต่างกันโดยสิ้นเชิง

ตัวอย่างเช่น ผู้ปฏิบัติงานคนหนึ่งอาจเขียนว่าปั๊มทำงานไม่เสถียร อีกคนอาจบันทึกว่าอัตราการไหลแกว่ง ช่างเทคนิคอาจอธิบายว่าแรงดันด้านดูดเกิดขึ้นเป็นช่วง ๆ ขณะที่วิศวกรกระบวนการอาจจัดเหตุการณ์เดียวกันนี้ว่าเป็นการเกิดคาวิเทชัน

การค้นหาด้วยคำสำคัญแบบทั่วไปอาจมองว่าบันทึกเหล่านั้นไม่เกี่ยวข้องกัน

ระบบค้นหาอัจฉริยะสามารถวิเคราะห์ความหมายของข้อมูลเหล่านั้นได้ ระบบอาจรับรู้ว่าคำอธิบายต่าง ๆ กล่าวถึงรูปแบบการทำงานเดียวกัน นอกจากนี้ยังสามารถตรวจสอบแท็กที่เกี่ยวข้อง ความสัมพันธ์ระหว่างอุปกรณ์ ใบสั่งงาน สภาพอากาศ และสถานะการผลิต

สิ่งนี้เปลี่ยนการค้นหาจากฟังก์ชันเรียกดูเอกสารให้กลายเป็นเครื่องมือช่วยให้เหตุผลเชิงปฏิบัติการ

ระบบไม่จำเป็นต้องหาคำตอบสุดท้ายด้วยตัวเอง หน้าที่แรกของระบบคือแสดงหลักฐานที่เกี่ยวข้องที่สุด

จากนั้นผู้ปฏิบัติงานสามารถทบทวนเหตุการณ์ก่อนหน้า เปรียบเทียบสภาวะต่าง ๆ และตัดสินใจได้ว่าควรใช้แนวทางตอบสนองที่กำหนดไว้หรือไม่ วิศวกรสามารถตรวจสอบสาเหตุที่คาดไว้โดยใช้ข้อมูลกระบวนการ ทีมบำรุงรักษาสามารถตรวจสอบอุปกรณ์ก่อนดำเนินงานที่ไม่จำเป็น

ผลลัพธ์คือกระบวนการตัดสินใจที่รวดเร็วและมีแบบแผนมากขึ้น

AI ที่ยึดมนุษย์เป็นศูนย์กลางช่วยรักษาความรับผิดชอบไว้ในจุดที่ควรอยู่

ปัญญาประดิษฐ์ไม่ควรนำผู้คนออกจากการตัดสินใจที่สำคัญต่อการผลิต แต่ควรปรับปรุงข้อมูลที่มีให้พวกเขา

ความแตกต่างนี้มีความสำคัญเป็นพิเศษในอุตสาหกรรมแปรรูปเคมี การผลิตไฟฟ้า น้ำมันและก๊าซ เภสัชกรรม โลหะ การผลิตอาหาร และการบำบัดน้ำ การตัดสินใจในสภาพแวดล้อมเหล่านี้อาจส่งผลต่อความปลอดภัยของบุคลากร การปฏิบัติตามข้อกำหนดด้านสิ่งแวดล้อม คุณภาพผลิตภัณฑ์ และอุปกรณ์ราคาแพง

อัลกอริทึมไม่สามารถรับผิดชอบทางกฎหมายหรือด้านการปฏิบัติงานแทนโรงงานได้

AI อาจระบุรูปแบบบางอย่าง อาจประเมินผลลัพธ์ที่เป็นไปได้มากที่สุด หรืออาจแนะนำให้ดำเนินการเร็วกว่านั้น อย่างไรก็ตาม บุคลากรที่มีคุณสมบัติเหมาะสมต้องประเมินคำแนะนำภายใต้บริบทการปฏิบัติงานในปัจจุบัน

ดังนั้น AI ที่มีมนุษย์เป็นศูนย์กลางจึงเริ่มต้นจากการแบ่งบทบาทอย่างชัดเจน

ระบบอัตโนมัติทำหน้าที่ควบคุมแบบกำหนดตายตัว ระบบความปลอดภัยดำเนินการตามฟังก์ชันป้องกันที่กำหนดไว้ แอปพลิเคชันที่ใช้ AI วิเคราะห์ข้อมูลและแสดงความสัมพันธ์ที่อาจมีอยู่ ขณะที่ผู้ปฏิบัติงานและวิศวกรยังคงมีอำนาจตัดสินใจ

สถาปัตยกรรมนี้ช่วยหลีกเลี่ยงความเข้าใจผิดที่สำคัญประการหนึ่ง นั่นคือ AI ไม่จำเป็นต้องเข้าถึงระบบควบคุมโดยไม่มีข้อจำกัดเพื่อสร้างคุณค่า

แอปพลิเคชันที่มีประโยชน์จำนวนมากทำงานในบทบาทให้คำปรึกษา โดยวิเคราะห์ข้อมูลแบบอ่านอย่างเดียว บันทึกการผลิต สัญญาณเตือน และการสื่อสารระหว่างกะ จากนั้นจึงนำเสนอข้อมูลที่จัดอันดับไว้หรือคำแนะนำ

การจัดวางลักษณะนี้ยังรองรับการนำไปใช้เป็นระยะ บริษัทสามารถเริ่มต้นด้วยการค้นหา การเรียกคืนความรู้ และการจัดทำรายงาน จากนั้นจึงสร้างความไว้วางใจก่อนพิจารณาแอปพลิเคชันเชิงพยากรณ์ที่ก้าวหน้ายิ่งขึ้น

ความไว้วางใจเป็นสิ่งสำคัญ เพราะผู้ปฏิบัติงานมักปฏิเสธระบบที่ให้คำแนะนำไม่เกี่ยวข้องหรือไม่สามารถอธิบายได้อย่างรวดเร็ว

ผู้ช่วย AI ที่ใช้งานได้จริงควรแสดงเหตุผลว่าทำไมจึงนำเสนอผลลัพธ์นั้น ควรระบุเหตุการณ์ที่เกี่ยวข้อง เงื่อนไขที่ตรงกัน ประวัติอุปกรณ์ และการดำเนินการแก้ไขก่อนหน้านี้ ผู้ใช้ต้องสามารถตรวจสอบหลักฐานเบื้องหลังได้

ความสามารถในการอธิบายไม่จำเป็นต้องเปิดเผยรายละเอียดทางคณิตศาสตร์ทุกประการ แต่ต้องมีบริบทด้านการปฏิบัติงานมากเพียงพอให้ผู้มีคุณสมบัติเหมาะสมสามารถประเมินคำแนะนำได้

การนำไปใช้งานที่ประสบความสำเร็จมากที่สุดถือว่าผู้ปฏิบัติงานเป็นผู้มีส่วนร่วมในการออกแบบระบบ คำศัพท์ ขั้นตอนการทำงาน ความต้องการข้อมูล และข้อเสนอแนะของพวกเขาล้วนมีส่วนกำหนดแอปพลิเคชันขั้นสุดท้าย

การมีส่วนร่วมนี้ช่วยเพิ่มความสอดคล้องกับระบบ นอกจากนี้ยังลดความรู้สึกว่าการเปลี่ยนผ่านสู่ดิจิทัลถูกยัดเยียดโดยไม่ได้เข้าใจความเป็นจริงของโรงงาน

รูปที่ 2. AI ที่มีมนุษย์เป็นศูนย์กลางช่วยสนับสนุนบุคลากรในโรงงาน ขณะที่ผู้ปฏิบัติงานยังคงมีอำนาจควบคุมและความรับผิดชอบ

เหตุใดตรรกะ IF-THEN แบบง่ายจึงไม่สามารถรองรับเหตุการณ์ผิดปกติได้ทุกกรณี

ระบบอัตโนมัติในอุตสาหกรรมพึ่งพาตรรกะแบบกำหนดตายตัวมาเป็นเวลานาน กฎ IF-THEN ยังคงเหมาะสมสำหรับลำดับการควบคุม อินเตอร์ล็อก เงื่อนไขอนุญาต และการดำเนินการเพื่อป้องกัน

อย่างไรก็ตาม ความรู้ด้านการปฏิบัติงานไม่ได้สอดคล้องกับโครงสร้างแบบกำหนดตายตัวเสมอไป

การหยุดชะงักของการผลิตอาจขึ้นอยู่กับสภาพอากาศ คุณสมบัติของวัตถุดิบ สภาพของอุปกรณ์ การดำเนินการของผู้ปฏิบัติงาน และความผิดปกติของกระบวนการก่อนหน้า ความสัมพันธ์เหล่านี้อาจไม่เกิดขึ้นตามลำดับเดียวกันทุกครั้ง

การเขียนกฎแยกกันสำหรับทุกชุดผสมที่เป็นไปได้คงไม่ใช่เรื่องที่ทำได้จริง ชุดกฎจะดูแลรักษาได้ยาก และอาจล้มเหลวเมื่อเกิดรูปแบบใหม่

AI นำเสนอวิธีการที่แตกต่างออกไป โดยตรวจสอบข้อมูลในอดีตและระบุรูปแบบที่เกิดขึ้นในตัวแปรจำนวนมาก สามารถจัดอันดับเหตุการณ์ที่คล้ายกันได้ แม้ว่าคำอธิบาย ลำดับเหตุการณ์ และเงื่อนไขจะแตกต่างกัน

ลองพิจารณาสายการผลิตของเหลวในจินตนาการระหว่างการเดินเครื่องในฤดูหนาว

สายการผลิตหยุดทำงานหลังจากเกิดความผิดปกติของการไหลและความดันต่อเนื่องกัน ทีมปฏิบัติงานกะทำตามขั้นตอนการรีเซ็ตมาตรฐาน ตรวจสอบเครื่องมือวัด และสตาร์ตปั๊มอีกครั้ง แต่กระบวนการก็ล้มเหลวอีก

อาการที่มองเห็นได้บ่งชี้ถึงสาเหตุที่เป็นไปได้หลายประการ อาจเป็นปัญหาที่วาล์ว ปั๊มเสื่อมสภาพ เครื่องมือวัดผิดพลาด หรือการไหลถูกจำกัด

ผู้เชี่ยวชาญด้านการผลิตที่มีประสบการณ์คนหนึ่งมาถึงและจำเหตุการณ์ที่คล้ายกันได้ ในช่วงอากาศหนาวครั้งก่อน ท่อภายนอกบางส่วนเกิดการเยือกแข็งบางส่วน สิ่งกีดขวางดังกล่าวเปลี่ยนแปลงวัสดุที่ไหลเข้าสู่กระบวนการ และต่อมาการเปลี่ยนแปลงนั้นทำให้การทำงานไม่เสถียรในจุดอื่นของสายการผลิต

คำอธิบายสำคัญอยู่ในภาษามนุษย์ ซึ่งเชื่อมโยงสภาพอากาศ พฤติกรรมของวัสดุ การตอบสนองของอุปกรณ์ และผลกระทบต่อกระบวนการที่เกิดขึ้นล่าช้า

ตรรกะสัญญาณเตือนแบบเดิมอาจตรวจพบความผิดปกติแต่ละรายการได้ แต่อาจไม่สามารถอธิบายความสัมพันธ์ระหว่างความผิดปกติเหล่านั้น

แพลตฟอร์มที่รองรับ AI สามารถค้นหาบันทึกการทำงานกะก่อนหน้า บันทึกการซ่อมบำรุง และข้อมูลสภาพแวดล้อมได้ อีกทั้งยังระบุเหตุการณ์ก่อนหน้าที่เกี่ยวข้องกับการเยือกแข็งและนำเสนอให้ทีมปัจจุบันได้

แพลตฟอร์มไม่ได้เข้ามาแทนที่วิศวกร แต่ช่วยให้เข้าถึงความรู้เดิมของวิศวกรได้รวดเร็วยิ่งขึ้น

ความแตกต่างนี้เป็นหัวใจสำคัญของ AI ในภาคอุตสาหกรรม

คุณค่าที่เห็นได้รวดเร็วที่สุดมักมาจากการปรับปรุงการเข้าถึงประสบการณ์ของบุคลากร ไม่ใช่การสร้างโรงงานที่ทำงานได้โดยอัตโนมัติอย่างสมบูรณ์

ตัวอย่างการตอบสนองต่อเหตุการณ์ในทางปฏิบัติ

ลองนึกภาพโรงงานเคมีภัณฑ์ชนิดพิเศษที่เดินเครื่องสายการผลิตแบบขนานหลายสาย แต่ละสายประกอบด้วยปั๊ม เครื่องแลกเปลี่ยนความร้อน วาล์วควบคุม เครื่องวิเคราะห์ และอุปกรณ์ถ่ายโอนแบบแบตช์

สายการผลิตหนึ่งเริ่มเกิดสัญญาณเตือนความดันสูงซ้ำ ๆ ระหว่างการผลิตเกรดผลิตภัณฑ์เฉพาะ สัญญาณเตือนหายไปหลังจากล้างสายการผลิต แต่กลับมาอีกครั้งในแคมเปญถัดไป

ข้อสันนิษฐานเบื้องต้นคือวาล์วควบคุมติดขัด ฝ่ายซ่อมบำรุงตรวจสอบแอคชูเอเตอร์และโพซิชันเนอร์ แต่ไม่พบปัญหาทางกล

จากนั้นทีมงานจึงเปลี่ยนตัวส่งสัญญาณความดัน แต่ในล็อตถัดไปกลับเกิดสัญญาณเตือนเดิม

หากไม่มีแพลตฟอร์มข่าวกรองร่วม การสืบสวนอาจดำเนินต่อไปผ่านการประชุม สเปรดชีต และการค้นหาในระบบต่าง ๆ แยกจากกัน หลายแผนกอาจทำการวิเคราะห์ซ้ำโดยไม่รู้ว่าผู้อื่นค้นพบอะไร

แพลตฟอร์มแบบบูรณาการเปลี่ยนแปลงขั้นตอนการทำงาน

ผู้ปฏิบัติงานค้นหาด้วยชื่ออุปกรณ์และอธิบายอาการด้วยภาษาปกติ ระบบส่งคืนบันทึกที่เกี่ยวข้องหลายรายการ บันทึกรายการหนึ่งเกี่ยวข้องกับชุดการผลิตที่แตกต่างกัน อีกหนึ่งรายการมาจากรายงานความเบี่ยงเบนด้านคุณภาพที่จัดทำขึ้นเมื่อสิบแปดเดือนก่อน

รายงานก่อนหน้านี้ระบุว่าซัพพลายเออร์วัตถุดิบเปลี่ยนช่วงความหนืด วัตถุดิบยังคงอยู่ภายในข้อกำหนดการจัดซื้อ อย่างไรก็ตาม วัตถุดิบดังกล่าวส่งผลต่อการถ่ายเทความร้อนระหว่างการผลิตผลิตภัณฑ์เกรดหนึ่ง

โปรไฟล์อุณหภูมิที่เปลี่ยนแปลงทำให้ความหนืดใกล้วาล์วควบคุมเพิ่มขึ้น ความต้านทานที่สูงขึ้นจึงทำให้เกิดพฤติกรรมของแรงดันตามที่สังเกตพบ

ทีมปัจจุบันเปรียบเทียบล็อตวัตถุดิบ แนวโน้มอุณหภูมิ ตำแหน่งวาล์ว และข้อมูลแรงดัน หลักฐานสนับสนุนคำอธิบายก่อนหน้านี้

ฝ่ายวิศวกรรมปรับลำดับการให้ความร้อนให้อยู่ภายในขีดจำกัดการเดินเครื่องที่ได้รับอนุมัติ ฝ่ายจัดซื้อยังทบทวนข้อกำหนดวัตถุดิบกับซัพพลายเออร์ด้วย

ตัวอย่างนี้แสดงให้เห็นข้อได้เปรียบสำคัญหลายประการ

ระบบเชื่อมโยงข้อมูลระหว่างชุดการผลิตต่าง ๆ เข้าด้วยกัน โดยเชื่อมโยงอาการของอุปกรณ์กับบันทึกด้านคุณภาพ และระบุความสัมพันธ์ของกระบวนการที่การแก้ไขปัญหาโดยมุ่งเน้นเฉพาะอุปกรณ์มองข้ามไป

นอกจากนี้ยังป้องกันการเปลี่ยนชิ้นส่วนเพิ่มเติมได้

คุณค่าทางการเงินไม่ได้มาจากการลดเวลาหยุดทำงานเพียงอย่างเดียว โรงงานหลีกเลี่ยงการใช้ชิ้นส่วนที่ไม่จำเป็น ลดแรงงานบำรุงรักษา รักษาคุณภาพผลิตภัณฑ์ และปรับปรุงข้อกำหนดในการจัดซื้อในอนาคต

รูปที่ 3 AI สามารถนำเสนอตัวเลือกการตอบสนองที่อิงหลักฐานได้ โดยเชื่อมโยงอาการปัจจุบันกับประสบการณ์ก่อนหน้านี้ในโรงงาน

การค้นหาอัจฉริยะเปลี่ยนวิธีที่ทีมกะใช้ประสบการณ์

การค้นหาอัจฉริยะเป็นหนึ่งในจุดเริ่มต้นที่ใช้งานได้จริงที่สุดสำหรับ AI ในภาคอุตสาหกรรม เพราะช่วยแก้ปัญหาเร่งด่วนได้โดยไม่ต้องอาศัยการควบคุมแบบอัตโนมัติ

องค์กรด้านการผลิตมีประสบการณ์การปฏิบัติงานสะสมมาหลายปีอยู่แล้ว ความท้าทายคือการเรียกคืนประสบการณ์ที่ถูกต้องเมื่อจำเป็น

แอปพลิเคชันค้นหาอัจฉริยะสามารถประมวลผลคำค้นหาภาษาธรรมชาติได้ นอกจากนี้ยังวิเคราะห์ความสัมพันธ์ของอุปกรณ์ ประทับเวลา พื้นที่กระบวนการ ลำดับสัญญาณเตือน และบริบทของเอกสารได้

สิ่งนี้ทำให้ผู้ใช้ค้นหาด้วยความหมายแทนที่จะใช้ถ้อยคำที่ตรงกันทุกประการ

สมมติว่าพนักงานสองคนอธิบายเหตุการณ์เดียวกันแตกต่างกัน คนหนึ่งเขียนว่าสายการผลิตหยุดทำงานหลังจากสภาวะการป้อนวัตถุดิบไม่เสถียร อีกคนเขียนว่ากระบวนการหยุดฉุกเฉินหลังจากแรงดันทางเข้าผันผวน

บุคคลที่สามอาจบันทึกว่าปั๊มถ่ายโอนต้นทางสูญเสียแรงดูด

แพลตฟอร์มอัจฉริยะสามารถเชื่อมโยงคำอธิบายเหล่านี้ผ่านบริบทของกระบวนการร่วมกัน โดยอาจระบุได้ว่าเป็นชุดอุปกรณ์เดียวกัน รูปแบบด้านเวลาเดียวกัน หรือสภาวะการเดินเครื่องเดียวกัน

จากนั้นแพลตฟอร์มจะส่งคืนเหตุการณ์ที่เกี่ยวข้องและจัดอันดับตามความเกี่ยวข้อง

การจัดอันดับมีความสำคัญเนื่องจากฐานข้อมูลอุตสาหกรรมอาจมีรายการที่ตรงกันได้หลายพันรายการ ผู้ใช้ไม่จำเป็นต้องเห็นทุกรายการที่มีคำคุ้นเคย แต่ต้องการรายการที่มีแนวโน้มจะช่วยสนับสนุนการตัดสินใจในปัจจุบันได้มากที่สุด

ปัจจัยที่มีประโยชน์ต่อการจัดอันดับอาจรวมถึงอัตลักษณ์ของอุปกรณ์ หน่วยกระบวนการ โหมดการทำงาน สภาวะแวดล้อม เกรดผลิตภัณฑ์ ลำดับสัญญาณเตือน ประวัติการบำรุงรักษา และผลลัพธ์ของการดำเนินการแก้ไข

ระบบควรแยกแยะการตอบสนองที่ประสบความสำเร็จออกจากความพยายามที่ไม่สำเร็จด้วย

บันทึกการบำรุงรักษาที่ระบุว่าเปลี่ยนเครื่องมือวัดแล้ว ไม่ได้พิสูจน์ว่าการเปลี่ยนนั้นแก้ปัญหาได้ แพลตฟอร์มควรตรวจสอบบันทึกในภายหลังและพฤติกรรมของกระบวนการ

การดำเนินการนี้ช่วยป้องกันไม่ให้ทีมทำสิ่งที่เคยทำไปแล้วซ้ำ เพียงเพราะมีการระบุไว้ในรายงาน

การค้นหาอัจฉริยะยังช่วยเปิดเผยช่องว่างขององค์ความรู้ได้ด้วย หากเหตุการณ์จำนวนมากมีข้อสรุปไม่ครบถ้วน ฝ่ายบริหารสามารถปรับปรุงมาตรฐานการรายงานได้ หากปัญหาเดียวกันได้รับการบรรยายแตกต่างกัน องค์กรก็สามารถเสริมแนวทางการใช้คำศัพท์ให้สอดคล้องกันได้

ดังนั้น การค้นหาจึงกลายเป็นทั้งเครื่องมือแก้ไขปัญหาและเครื่องมือประเมินคุณภาพองค์ความรู้

แมชชีนเลิร์นนิงและการเขียนโปรแกรมแบบดั้งเดิมมีบทบาทแตกต่างกัน

การเขียนโปรแกรมแบบดั้งเดิมเริ่มต้นจากกฎที่ผู้คนกำหนด โปรแกรมเมอร์ระบุอินพุต เงื่อนไข และเอาต์พุตที่ต้องการ

วิธีการนี้ยังคงมีความสำคัญต่อฟังก์ชันอุตสาหกรรมที่คาดการณ์ได้ ลำดับการสตาร์ตมอเตอร์ควรเป็นไปตามตรรกะที่ผ่านการตรวจสอบแล้ว ฟังก์ชันการหยุดเครื่องควรทำงานตามการออกแบบด้านความปลอดภัยที่ผ่านการทดสอบ

แมชชีนเลิร์นนิงมีวัตถุประสงค์ที่แตกต่างออกไป

แทนที่จะกำหนดความสัมพันธ์ทุกอย่างด้วยตนเอง วิศวกรจะจัดเตรียมข้อมูลและวัตถุประสงค์ แล้วอัลกอริทึมจะระบุรูปแบบที่ช่วยแยกแยะผลลัพธ์ที่เกี่ยวข้อง

ตัวอย่างเช่น โมเดลอาจตรวจสอบการสั่นสะเทือน อุณหภูมิ โหลด สภาวะการหล่อลื่น ประวัติการบำรุงรักษา และชั่วโมงการทำงาน แล้วอาจระบุชุดปัจจัยที่สัมพันธ์กับการเสื่อมสภาพของอุปกรณ์ในอดีต

จากนั้นโมเดลจะสามารถประมาณความน่าจะเป็นที่สภาวะคล้ายกันจะเกิดขึ้น

ค่าประมาณเหล่านี้ไม่ใช่ข้อเท็จจริงที่ตายตัว แต่เป็นผลลัพธ์เชิงความน่าจะเป็นที่อ้างอิงจากข้อมูลที่มีอยู่

ดังนั้น ทีมงานอุตสาหกรรมต้องเข้าใจระดับความเชื่อมั่น ข้อจำกัดของข้อมูล และขอบเขตการทำงาน โมเดลที่ฝึกด้วยข้อมูลระหว่างการผลิตตามปกติอาจทำงานได้ไม่ดีในช่วงเริ่มเดินเครื่อง โมเดลที่พัฒนาสำหรับคอมเพรสเซอร์เครื่องหนึ่งอาจใช้กับการออกแบบอีกแบบหนึ่งไม่ได้

แมชชีนเลิร์นนิงยังขึ้นอยู่กับป้ายกำกับและผลลัพธ์ในอดีต หากบันทึกการบำรุงรักษาจำแนกประเภทการขัดข้องไม่ถูกต้อง โมเดลอาจเรียนรู้ความสัมพันธ์ที่ทำให้เข้าใจผิด

ด้วยเหตุนี้ การนำ AI ไปใช้งานจึงต้องอาศัยความร่วมมือระหว่างผู้เชี่ยวชาญด้านข้อมูลกับผู้เชี่ยวชาญเฉพาะด้าน

ผู้เชี่ยวชาญด้านข้อมูลเข้าใจสถาปัตยกรรมโมเดล การตรวจสอบความถูกต้อง และตัวชี้วัดประสิทธิภาพ วิศวกรกระบวนการเข้าใจโหมดการทำงานและปฏิสัมพันธ์ของกระบวนการ ผู้เชี่ยวชาญด้านการบำรุงรักษาเข้าใจกลไกการขัดข้อง ส่วนผู้ปฏิบัติงานเข้าใจสิ่งที่เกิดขึ้นจริงระหว่างกะ

ไม่มีหน่วยงานใดหน่วยงานหนึ่งที่มีภาพรวมครบถ้วน

การนำไปใช้อย่างมีประสิทธิผลต้องผสานมุมมองเหล่านี้เข้าด้วยกันตั้งแต่เริ่มต้น

คุณภาพข้อมูลเป็นตัวกำหนดคุณค่าของ AI สำหรับภาคอุตสาหกรรม

ข้อมูลเป็นข้อกำหนดพื้นฐานของปัญญาประดิษฐ์ ปริมาณมีความสำคัญ แต่คุณภาพสำคัญยิ่งกว่า

โรงงานอาจเก็บรวบรวมจุดข้อมูลหลายล้านจุด แต่ยังขาดบริบทที่เชื่อถือได้ ค่าจากเซ็นเซอร์อาจไม่ครบถ้วน การประทับเวลาอาจไม่สอดคล้องกัน ชื่ออุปกรณ์อาจแตกต่างกันไปในแต่ละระบบ ใบสั่งงานอาจมีคำอธิบายที่คลุมเครือ

แพลตฟอร์ม AI ไม่สามารถแก้ไขจุดอ่อนเชิงโครงสร้างได้โดยอัตโนมัติทุกประการ

คุณภาพข้อมูลเริ่มต้นที่เครื่องมือวัด เซ็นเซอร์ต้องเหมาะสมกับการใช้งาน ต้องดูแลแนวทางการสอบเทียบ ต้องระบุค่าที่มีคุณภาพต่ำ และต้องรักษาการซิงโครไนซ์เวลาให้สอดคล้องกันในทุกระบบ

ข้อมูลเชิงบริบทมีความสำคัญไม่แพ้กัน

ค่าของอุณหภูมิมีความหมายจำกัดหากไม่มีข้อมูลระบุอุปกรณ์ หน่วยกระบวนการ โหมดการเดินเครื่อง เกรดผลิตภัณฑ์ และการประทับเวลา สัญญาณเตือนจะมีประโยชน์มากขึ้นเมื่อเชื่อมโยงกับระดับความสำคัญ การเปลี่ยนแปลงสถานะ การรับทราบ และสภาวะกระบวนการโดยรอบ

บันทึกที่มนุษย์ป้อนก็ต้องได้รับการใส่ใจเช่นกัน

บันทึกกะควรระบุสินทรัพย์และพื้นที่กระบวนการที่ได้รับผลกระทบ รายงานการบำรุงรักษาควรแยกอาการ การดำเนินการ สิ่งที่ตรวจพบ และสาเหตุที่ยืนยันแล้วออกจากกัน บันทึกเหตุการณ์ควรแสดงว่าการดำเนินการแก้ไขประสบความสำเร็จหรือไม่

องค์กรไม่จำเป็นต้องมีภาษาที่เป็นมาตรฐานอย่างสมบูรณ์ก่อนเริ่มต้น การประมวลผลภาษาธรรมชาติสามารถจัดการกับความแตกต่างได้ อย่างไรก็ตาม บริบทที่ขาดหายไปโดยสิ้นเชิงไม่สามารถกู้คืนได้อย่างน่าเชื่อถือ

การทบทวนความพร้อมของข้อมูลในทางปฏิบัติควรตรวจสอบหลายด้าน

ประการแรก ควรระบุระบบที่มีความรู้ด้านการปฏิบัติงานที่เป็นประโยชน์ ประการที่สอง ควรประเมินการเข้าถึงและความเป็นเจ้าของ ประการที่สาม ควรประเมินความสอดคล้องของการตั้งชื่อและคุณภาพของการประทับเวลา ประการที่สี่ ควรตรวจสอบข้อกำหนดด้านความมั่นคงปลอดภัยไซเบอร์และการเก็บรักษาข้อมูล

การทบทวนควรระบุข้อมูลที่มีความอ่อนไหวด้วย บันทึกการบำรุงรักษาบางรายการอาจมีข้อมูลส่วนบุคคล บันทึกการผลิตอาจมีสูตรที่เป็นความลับ บันทึกการเข้าถึงจากระยะไกลอาจเปิดเผยรายละเอียดด้านความปลอดภัย

การกำกับดูแลข้อมูลต้องกำหนดว่าแอปพลิเคชัน AI สามารถประมวลผลข้อมูลใดได้บ้าง และต้องกำหนดด้วยว่าใครสามารถดูผลลัพธ์แต่ละรายการได้

การกำกับดูแลที่เข้มแข็งไม่ได้ขัดขวางนวัตกรรม แต่สร้างขอบเขตที่ปลอดภัยสำหรับการนำไปใช้อย่างยั่งยืน

การสื่อสารระหว่างกะแบบโต้ตอบช่วยสร้างฐานความรู้ที่มีชีวิต

การดำเนินงานระหว่างกะขึ้นอยู่กับการสื่อสาร สภาพอุปกรณ์ ข้อจำกัดการเดินเครื่องชั่วคราว กิจกรรมการบำรุงรักษา ประเด็นด้านคุณภาพ และลำดับความสำคัญของการผลิต ต้องถูกส่งต่อจากทีมหนึ่งไปยังอีกทีมหนึ่ง

บันทึกกระดาษและสเปรดชีตที่แยกออกจากกันมักทำให้ข้อมูลสูญหาย ข้อสังเกตสำคัญอาจยังอยู่กับกะที่กำลังเลิกงาน การสนทนาอย่างไม่เป็นทางการอาจไม่เคยถูกบันทึกไว้เป็นหลักฐานถาวร

แพลตฟอร์มระดับองค์กรสามารถมอบภาพรวมการดำเนินงานร่วมกันได้ โดยอาจแสดงประสิทธิภาพของโรงงาน ใบสั่งงานที่กำลังดำเนินการ เหตุการณ์ คำแนะนำชั่วคราว และความเสี่ยงที่ยังไม่ได้รับการแก้ไข

ทีมประจำกะสามารถบันทึกรายการต่าง ๆ ผ่านเวิร์กโฟลว์ดิจิทัลที่เป็นมาตรฐานเดียวกัน แต่ละรายการสามารถระบุเวลา อุปกรณ์ พื้นที่กระบวนการ ระดับความสำคัญ ไฟล์แนบ และผู้รับผิดชอบการติดตามผลได้

โครงสร้างนี้ช่วยรองรับข้อกำหนดด้านการตรวจสอบ นอกจากนี้ยังทำให้ค้นหาข้อมูลได้

ฐานความรู้เติบโตขึ้นจากทุกข้อมูลที่มีประโยชน์ รายการปัญหาที่แก้ไขได้ในวันนี้จะกลายเป็นแนวทางสำหรับกะการทำงานในอนาคต

การใช้งานข้ามไซต์สามารถสร้างคุณค่าเพิ่มเติมได้ บริษัทที่ดำเนินงานโรงงานลักษณะคล้ายกันหลายแห่งอาจเปรียบเทียบเหตุการณ์ระหว่างสถานที่ต่าง ๆ ได้ ไซต์หนึ่งอาจแก้ปัญหาที่เพิ่งปรากฏในอีกแห่งหนึ่งได้แล้ว

ความสามารถนี้มีประโยชน์เป็นพิเศษสำหรับกลุ่มอุปกรณ์ที่มีมาตรฐานเดียวกัน หลายโรงงานอาจใช้คอมเพรสเซอร์ แพลตฟอร์มควบคุม เครื่องวิเคราะห์ หรือระบบความปลอดภัยแบบเดียวกัน

อย่างไรก็ตาม การแบ่งปันข้อมูลข้ามไซต์จำเป็นต้องมีบริบท โซลูชันจากโรงงานแห่งหนึ่งอาจไม่สามารถนำไปใช้โดยตรงกับการกำหนดค่ากระบวนการของอีกแห่งได้ แพลตฟอร์มควรนำเสนอข้อมูลในฐานะหลักฐาน ไม่ใช่คำสั่งอัตโนมัติ

การส่งมอบงานระหว่างกะยังมีประสิทธิภาพมากขึ้นเมื่อปัญหาที่ยังไม่ได้รับการแก้ไขยังคงมองเห็นได้

ทีมที่เข้ารับช่วงต่อสามารถดูได้ว่าสัญญาณเตือนใดเกิดขึ้น มีการดำเนินการใดไปแล้ว และงานบำรุงรักษาใดยังคงค้างอยู่ นอกจากนี้ยังสามารถตรวจสอบแนวโน้มของกระบวนการก่อนรับผิดชอบงานได้

การค้นหาอัจฉริยะช่วยเพิ่มความสามารถอีกขั้น โดยสามารถระบุการส่งมอบงานก่อนหน้านี้ที่เกี่ยวข้องกับอาการคล้ายกัน และแสดงได้ว่าวิธีตอบสนองใดให้ผลลัพธ์ที่คงที่

เป้าหมายโดยรวมคือความต่อเนื่อง

ความรู้ด้านการผลิตควรพร้อมใช้งานเมื่อบุคลากรเปลี่ยนกะ เปลี่ยนแผนก หรือเปลี่ยนนายจ้าง

บริบทแบบเรียลไทม์ช่วยเพิ่มทั้งประสิทธิภาพและความปลอดภัย

ความรู้จากอดีตจะมีประสิทธิภาพมากขึ้นเมื่อเชื่อมโยงกับสภาวะปัจจุบันของโรงงาน

แพลตฟอร์มอาจระบุเหตุการณ์ก่อนหน้านี้ได้ แต่เหตุการณ์ปัจจุบันอาจแตกต่างกันในประเด็นสำคัญ ข้อมูลแบบเรียลไทม์ช่วยให้ทีมเปรียบเทียบความแตกต่างเหล่านั้นได้

ตัวอย่างเช่น ปั๊มอาจหยุดทำงานก่อนหน้านี้ขณะมีโหลดสูง ส่วนการหยุดทำงานครั้งปัจจุบันอาจเกิดขึ้นระหว่างการเริ่มเดินเครื่อง ลำดับสัญญาณเตือนอาจดูคล้ายกัน แต่บริบทการทำงานทำให้สาเหตุที่เป็นไปได้เปลี่ยนไป

การผสานรวมข้อมูลแบบเรียลไทม์สามารถแสดงค่ากระบวนการปัจจุบัน สถานะสัญญาณเตือน ความพร้อมใช้งานของอุปกรณ์ และโหมดการผลิต นอกจากนี้ยังแสดงใบอนุญาตงานบำรุงรักษาที่มีผลอยู่หรือการเปลี่ยนแปลงการกำหนดค่าล่าสุดได้

บริบทนี้ช่วยลดความเสี่ยงจากการนำวิธีแก้ไขเดิมมาใช้โดยไม่พิจารณาอย่างรอบคอบ

ประโยชน์ด้านความปลอดภัยยังอาจเกิดขึ้นจากการไหลเวียนของข้อมูลที่ดีขึ้น

ผู้ปฏิบัติงานอาจได้รับสัญญาณเตือนล่วงหน้าเกี่ยวกับสภาวะที่กำลังก่อตัว ทีมบำรุงรักษาอาจสังเกตเห็นอาการเดิมที่เกิดซ้ำก่อนที่อุปกรณ์จะเข้าสู่ภาวะวิกฤต หัวหน้างานอาจตรวจพบปัญหาที่ยังไม่ได้รับการแก้ไขตลอดหลายกะการทำงานติดต่อกัน

AI ไม่ควรหลีกเลี่ยงขั้นตอนด้านความปลอดภัยที่กำหนดไว้ แต่ควรช่วยเสริมการตระหนักรู้ถึงสถานการณ์ที่เกี่ยวข้องกับขั้นตอนเหล่านั้น

คำแนะนำใด ๆ ที่ส่งผลต่อการปฏิบัติงานต้องสอดคล้องกับขั้นตอนที่ได้รับอนุมัติ ขีดจำกัดการปฏิบัติงาน ข้อกำหนดด้านการจัดการการเปลี่ยนแปลง และฟังก์ชันเครื่องมือวัดความปลอดภัยเสมอ

แพลตฟอร์มควรระบุด้วยว่าข้อมูลมีความไม่แน่นอนเมื่อใด และไม่ควรนำเสนอผลลัพธ์ที่มีความเชื่อมั่นต่ำว่าเป็นสาเหตุที่ยืนยันแล้ว

การระบุความไม่แน่นอนอย่างชัดเจนช่วยส่งเสริมการตรวจสอบอย่างเหมาะสม

รูปที่ 4. บริบทการปฏิบัติงานแบบเรียลไทม์ช่วยให้ทีมประเมินคำแนะนำและปกป้องความปลอดภัยของโรงงาน

การสร้างสถาปัตยกรรมข้อมูลเบื้องหลัง AI

แอปพลิเคชัน AI ขึ้นอยู่กับสถาปัตยกรรมที่เชื่อมต่อระบบต่าง ๆ ของโรงงาน สถาปัตยกรรมนั้นต้องรวบรวมข้อมูลโดยไม่รบกวนฟังก์ชันควบคุมที่สำคัญ

การออกแบบทั่วไปจะแยกสภาพแวดล้อมด้านการควบคุม การปฏิบัติการ และองค์กรออกจากกันผ่านโซนเครือข่ายที่มีการจัดการ ข้อมูลจะเคลื่อนผ่านอินเทอร์เฟซ ฮิสทอเรียน เกตเวย์ หรือแพลตฟอร์มเอดจ์ที่ได้รับอนุมัติ

ระบบควบคุมยังคงรับผิดชอบการทำงานแบบกำหนดแน่นอน แพลตฟอร์ม AI จะรับข้อมูลที่คัดเลือกแล้วเพื่อการวิเคราะห์และการนำเสนอ

การแยกส่วนนี้ช่วยลดความเสี่ยง และยังช่วยให้ทีมความปลอดภัยทางไซเบอร์ใช้การควบคุมการเข้าถึง การตรวจสอบเฝ้าระวัง และข้อจำกัดการไหลของข้อมูลได้

ความน่าเชื่อถือของการสื่อสารในภาคอุตสาหกรรมยังคงมีความสำคัญตลอดทั้งสถาปัตยกรรม ข้อมูลที่ขาดหาย เกตเวย์ที่ไม่เสถียร หรือการซิงโครไนซ์เวลาที่ไม่สอดคล้องกัน อาจลดความแม่นยำของการวิเคราะห์

องค์กรที่ขยายการเชื่อมต่อของโรงงานสามารถตรวจสอบอุปกรณ์สื่อสารและเครือข่ายอุตสาหกรรมที่มีอยู่ ซึ่งใช้เชื่อมต่อคอนโทรลเลอร์ รีโมต I/O เกตเวย์ และแพลตฟอร์มกำกับดูแล

สถาปัตยกรรมควรกำหนดเส้นทางข้อมูลหลายเส้นทาง

เส้นทางหนึ่งใช้ส่งข้อมูลกระบวนการแบบอนุกรมเวลา อีกเส้นทางใช้ส่งสัญญาณเตือนและเหตุการณ์ ส่วนเส้นทางเพิ่มเติมอาจใช้ส่งบันทึกการบำรุงรักษา ใบสั่งผลิต ผลการตรวจทางห้องปฏิบัติการ และการสื่อสารระหว่างกะ

ระบบต้องรักษาข้อมูลระบุต้นทางไว้ ผู้ใช้ควรทราบว่าคำแนะนำมาจากข้อมูลฮิสทอเรียน ใบสั่งงาน บันทึกของผู้ปฏิบัติงาน หรือเอกสารวิศวกรรม

สายการสืบย้อนข้อมูลช่วยเสริมความน่าเชื่อถือและการตรวจสอบ อีกทั้งยังช่วยให้วิศวกรตรวจสอบผลลัพธ์ที่ไม่ถูกต้องได้

การประมวลผลที่เอดจ์อาจมีประโยชน์เมื่อแบนด์วิดท์มีจำกัดหรือไม่สามารถนำข้อมูลออกนอกสถานที่ได้ ส่วนการประมวลผลบนคลาวด์อาจมอบทรัพยากรการประมวลผลที่ปรับขนาดได้และการวิเคราะห์แบบรวมศูนย์ระหว่างหลายไซต์

หลายองค์กรใช้รูปแบบไฮบริด

การรวบรวมและประมวลผลข้อมูลเบื้องต้นจะเกิดขึ้นใกล้โรงงาน จากนั้นข้อมูลที่ได้รับการอนุมัติจะถูกส่งไปยังแพลตฟอร์มส่วนกลางเพื่อการวิเคราะห์ที่ครอบคลุมยิ่งขึ้น

การออกแบบที่เหมาะสมขึ้นอยู่กับนโยบายความปลอดภัยทางไซเบอร์ ข้อกำหนดด้านเวลาแฝง ปริมาณข้อมูล ภาระผูกพันด้านกฎระเบียบ และการเชื่อมต่อของสถานที่

ความปลอดภัยทางไซเบอร์ต้องได้รับการออกแบบไว้ในแพลตฟอร์ม

AI ในภาคอุตสาหกรรมช่วยเพิ่มการเชื่อมต่อและการใช้ข้อมูล ดังนั้นจึงก่อให้เกิดข้อพิจารณาด้านความมั่นคงปลอดภัยทางไซเบอร์เพิ่มเติม

หลักการแรกคือการให้สิทธิ์เท่าที่จำเป็น แอปพลิเคชันวิเคราะห์ควรได้รับสิทธิ์เข้าถึงเฉพาะที่จำเป็นต่อการทำงานของตน

แพลตฟอร์มค้นหาอัจฉริยะอาจต้องมีสิทธิ์อ่านบันทึกกะทำงาน ใบสั่งงาน และข้อมูลกระบวนการบางส่วน โดยทั่วไปแพลตฟอร์มดังกล่าวไม่จำเป็นต้องมีสิทธิ์แก้ไขลอจิกของตัวควบคุม

การจัดการข้อมูลระบุตัวตนควรกำหนดว่าใครสามารถค้นหา ดู ส่งออก และดูแลข้อมูลได้ สิทธิ์การเข้าถึงอาจแตกต่างกันระหว่างผู้ปฏิบัติงาน วิศวกร ผู้รับเหมา และนักวิเคราะห์ขององค์กร

การแบ่งส่วนเครือข่ายควรปกป้องโซนควบคุมที่สำคัญ การถ่ายโอนข้อมูลควรใช้ช่องทางเชื่อมต่อที่มีการควบคุม การเชื่อมต่อระยะไกลควรปฏิบัติตามแนวทางการยืนยันตัวตนและการตรวจติดตามที่ได้รับอนุมัติ

ความปลอดภัยของโมเดลก็ต้องได้รับความใส่ใจเช่นกัน

ผู้โจมตีอาจพยายามบิดเบือนข้อมูล เปลี่ยนแปลงข้อมูลการฝึก หรือส่งเนื้อหาที่ทำให้เข้าใจผิด เอกสารที่ควบคุมอย่างหละหลวมอาจมีอิทธิพลต่อผลการค้นหาและคำแนะนำ

องค์กรควรตรวจสอบความถูกต้องของระบบต้นทางและติดตามการเปลี่ยนแปลงที่ผิดปกติ นอกจากนี้ควรรักษาการควบคุมเวอร์ชันสำหรับโมเดล พรอมต์ ดัชนี และฐานความรู้

บันทึกการตรวจสอบควรบันทึกการดำเนินการด้านการดูแลระบบที่สำคัญ ทีมงานควรทราบว่าโมเดลมีการเปลี่ยนแปลงเมื่อใด ใช้ข้อมูลใด และใครเป็นผู้อนุมัติการนำไปใช้งาน

การทบทวนความมั่นคงปลอดภัยทางไซเบอร์ควรดำเนินต่อไปหลังการนำระบบไปใช้งาน การเชื่อมต่อใหม่ แหล่งข้อมูลใหม่ และกลุ่มผู้ใช้ใหม่อาจเปลี่ยนแปลงลักษณะความเสี่ยงได้

ดังนั้น ความปลอดภัยต้องยังคงเป็นส่วนหนึ่งของวงจรชีวิตแพลตฟอร์ม

การกำกับดูแลความรู้ช่วยป้องกันความสับสนทางดิจิทัล

AI สามารถค้นคืนข้อมูลได้อย่างรวดเร็ว แต่ความเร็วเพียงอย่างเดียวไม่ได้รับประกันความถูกต้อง

บันทึกทางอุตสาหกรรมอาจมีขั้นตอนที่ล้าสมัย ข้อสรุปที่ไม่สมบูรณ์ หรือวิธีแก้ปัญหาชั่วคราว ระบบแนะนำต้องแยกแยะระหว่างแหล่งข้อมูลที่เป็นทางการและแหล่งข้อมูลที่ไม่เป็นทางการ

การกำกับดูแลความรู้เป็นตัวกำหนดความแตกต่างเหล่านี้

ขั้นตอนการปฏิบัติงานที่ได้รับอนุมัติควรมีสถานะแตกต่างจากความคิดเห็นที่ไม่เป็นทางการ รายงานสาเหตุรากที่ผ่านการตรวจสอบแล้วควรมีน้ำหนักมากกว่าบันทึกการแก้ไขปัญหาเบื้องต้น

แพลตฟอร์มสามารถแสดงประเภทแหล่งที่มา สถานะการอนุมัติ วันที่ ฉบับแก้ไข และผู้รับผิดชอบได้ นอกจากนี้ยังสามารถแจ้งเตือนผู้ใช้เมื่อเอกสารหมดอายุ

องค์กรควรกำหนดว่าความรู้ใหม่จะกลายเป็นความรู้ที่เชื่อถือได้อย่างไร

ผู้ปฏิบัติงานอาจบันทึกข้อสังเกต ฝ่ายวิศวกรรมอาจตรวจสอบเรื่องดังกล่าว ฝ่ายซ่อมบำรุงอาจยืนยันสภาพอุปกรณ์ และหัวหน้างานอาจอนุมัติการดำเนินการแก้ไขขั้นสุดท้าย

แพลตฟอร์มควรรักษาลำดับความคืบหน้านั้นไว้

วิธีนี้ช่วยหลีกเลี่ยงการถือว่าข้อความทุกข้อมีความน่าเชื่อถือเท่าเทียมกัน

ข้อเสนอแนะก็มีความสำคัญเช่นกัน ผู้ใช้ควรสามารถทำเครื่องหมายผลลัพธ์ว่าเกี่ยวข้อง ล้าสมัย หรือไม่ถูกต้องได้ จากนั้นผู้เชี่ยวชาญเฉพาะด้านจึงสามารถตรวจสอบเนื้อหาที่มีข้อโต้แย้งได้

เมื่อเวลาผ่านไป ข้อเสนอแนะนี้จะช่วยปรับปรุงคุณภาพการค้นคืนข้อมูล นอกจากนี้ยังช่วยระบุส่วนที่เอกสารจำเป็นต้องได้รับการปรับปรุง

ควรกำหนดผู้รับผิดชอบองค์ความรู้อย่างชัดเจน แต่ละพื้นที่กระบวนการ ประเภทอุปกรณ์ หรือหมวดหมู่ขั้นตอนปฏิบัติงานควรมีทีมที่รับผิดชอบ

หากไม่มีผู้รับผิดชอบ เนื้อหาดิจิทัลจะสะสมโดยไม่มีการทบทวน และผลลัพธ์จะกลายเป็นคลังข้อมูลที่จัดการได้ยากอีกแห่งหนึ่ง

การวัดคุณค่าด้านการปฏิบัติงานที่มากกว่าความแม่นยำของ AI

โครงการ AI ในอุตสาหกรรมควรวัดผลผ่านผลลัพธ์ด้านการปฏิบัติงาน โมเดลที่มีความแม่นยำทางเทคนิคมีคุณค่าอย่างจำกัด หากไม่ช่วยปรับปรุงการทำงานในโรงงาน

การวัดที่เป็นประโยชน์ขึ้นอยู่กับการประยุกต์ใช้

สำหรับการตอบสนองต่อเหตุการณ์ องค์กรอาจติดตามเวลาเฉลี่ยในการระบุสาเหตุ เวลาเฉลี่ยในการซ่อมแซม ความถี่ของความขัดข้องซ้ำ และระยะเวลาที่สูญเสียการผลิต

สำหรับการสื่อสารระหว่างกะ อาจติดตามรายการส่งมอบงานที่ยังไม่ได้แก้ไข การดำเนินการที่เกินกำหนด ข้อมูลในบันทึกที่ขาดหาย และกิจกรรมการแก้ไขปัญหาที่เกิดซ้ำ

สำหรับการสนับสนุนงานบำรุงรักษา อาจติดตามการเปลี่ยนชิ้นส่วนโดยไม่จำเป็น งานฉุกเฉิน ใบสั่งงานซ้ำ และเวลาที่ใช้ในการวินิจฉัย

ประสิทธิภาพการค้นหาก็มีความสำคัญเช่นกัน ทีมงานสามารถวัดได้ว่าผู้ใช้ค้นหาระเบียนที่เกี่ยวข้องพบหรือไม่ เข้าถึงข้อมูลที่เป็นประโยชน์ได้รวดเร็วเพียงใด และคำแนะนำช่วยสนับสนุนการแก้ไขปัญหาขั้นสุดท้ายหรือไม่

การยอมรับของผู้ใช้เป็นตัวชี้วัดสำคัญอีกประการหนึ่ง

หากผู้ปฏิบัติงานหยุดใช้ระบบ องค์กรควรตรวจสอบสาเหตุ ผลลัพธ์อาจกว้างเกินไป อินเทอร์เฟซอาจรบกวนขั้นตอนการทำงาน ข้อมูลอาจล้าสมัย หรือผู้ใช้อาจไม่เข้าใจตรรกะการจัดอันดับ

การใช้งานในระดับต่ำไม่ควรถูกมองว่าเป็นการต่อต้านการเปลี่ยนแปลงโดยอัตโนมัติ เพราะอาจสะท้อนถึงปัญหาด้านการออกแบบ

การประเมินด้านการเงินควรรวมถึงความสูญเสียที่หลีกเลี่ยงได้ แรงงานที่ลดลง การผลิตที่ดีขึ้น และการใช้ทรัพยากรในการบำรุงรักษาที่ลดลง อย่างไรก็ตาม ประโยชน์บางอย่างไม่จำเป็นต้องแปลงเป็นมูลค่าเงินทันที

การเก็บรักษาความรู้ที่ดีขึ้น การส่งมอบงานที่มีประสิทธิภาพมากขึ้น และการตัดสินใจที่ปลอดภัยยิ่งขึ้น ล้วนสร้างคุณค่าในระยะยาวเช่นกัน

ดัชนีชี้วัดแบบสมดุลควรผสานปัจจัยด้านเทคนิค การปฏิบัติงาน การเงิน และบุคลากร

การเริ่มต้นจากกรณีการใช้งานในอุตสาหกรรมที่มีขอบเขตชัดเจน

โครงการ AI จำนวนมากล้มเหลวเพราะเริ่มต้นจากแพลตฟอร์มแทนที่จะเริ่มจากปัญหา

บริษัทแห่งหนึ่งจัดซื้อซอฟต์แวร์ขั้นสูงแล้วจึงค้นหาการใช้งานที่เป็นไปได้ แนวทางนี้มักนำไปสู่การสาธิตโดยไม่มีคุณค่าด้านการปฏิบัติงานที่ยั่งยืน

แนวทางที่ดีกว่าเริ่มต้นจากปัญหาที่เกิดซ้ำในโรงงาน

ปัญหาควรมีความสำคัญมากพอที่จะ justify การดำเนินการ และควรมีข้อมูลย้อนหลังที่เข้าถึงได้ รวมถึงผู้รับผิดชอบด้านการปฏิบัติงานที่ชัดเจน

ตัวอย่างที่เหมาะสม ได้แก่ อุปกรณ์ตัดการทำงานซ้ำ ๆ การส่งมอบงานระหว่างกะที่ยุ่งยาก การสืบสวนเหตุการณ์ที่ล่าช้า และองค์ความรู้ด้านการบำรุงรักษาที่กระจัดกระจาย

โครงการแรกควรมีขอบเขตที่ชัดเจน อาจเริ่มจากหน่วยผลิตหนึ่งหน่วย ประเภทอุปกรณ์หนึ่งประเภท หรือเหตุขัดข้องที่เกิดซ้ำประเภทหนึ่งก็เพียงพอ

ขอบเขตที่มุ่งเน้นช่วยให้การเตรียมข้อมูลและการมีส่วนร่วมของผู้ใช้ง่ายขึ้น อีกทั้งยังทำให้วัดคุณค่าได้ง่ายขึ้น

ทีมโครงการควรจัดทำเอกสารขั้นตอนการทำงานปัจจุบันก่อนนำ AI มาใช้

พนักงานรับรู้ปัญหาได้อย่างไร พวกเขาค้นหาจากระบบใดบ้าง ใครเข้ามามีส่วนร่วม ใช้เวลาวินิจฉัยนานเท่าใด และโดยปกติระเบียนใดมักขาดหายไปบ้าง

ข้อมูลพื้นฐานนี้ช่วยป้องกันการกล่าวอ้างถึงการปรับปรุงที่คลุมเครือ

จากนั้นทีมจึงสามารถออกแบบขั้นตอนการทำงานที่มี AI สนับสนุนได้ ผู้ใช้ควรทราบว่าคำแนะนำจะแสดงที่ใด วิธีตรวจสอบหลักฐาน และวิธีบันทึกผลลัพธ์

โครงการนำร่องควรดำเนินการร่วมกับผู้ใช้จริงระหว่างการทำงานตามปกติ การทดสอบในห้องปฏิบัติการเพียงอย่างเดียวไม่สามารถจำลองแรงกดดันระหว่างกะ ข้อมูลที่ไม่ครบถ้วน หรือภารกิจที่ต้องจัดลำดับความสำคัญพร้อมกันได้

ข้อเสนอแนะควรนำไปสู่การปรับแก้อย่างรวดเร็ว ตัวกรองการค้นหา คำศัพท์ การจัดอันดับ และการออกแบบหน้าจออาจต้องปรับแก้หลายครั้ง

เป้าหมายไม่ใช่การพิสูจน์ว่า AI ใช้งานได้ในหลักการ แต่คือการปรับปรุงกระบวนการอุตสาหกรรมเฉพาะอย่าง

แผนงานแบบแบ่งระยะสำหรับการนำไปใช้ในโรงงาน

การนำไปใช้งานในทางปฏิบัติสามารถพัฒนาไปตามระยะวุฒิภาวะหลายระยะ

ระยะแรกจัดทำระเบียนข้อมูลดิจิทัล บันทึกกะ เหตุการณ์ผิดปกติ และใบสั่งงานจะเข้าถึงได้ผ่านส่วนติดต่อที่มีรูปแบบสอดคล้องกัน

ระยะที่สองเชื่อมโยงระเบียนข้อมูลจากหลายระบบ อัตลักษณ์ของอุปกรณ์ การประทับเวลา และพื้นที่กระบวนการช่วยให้ผู้ใช้ไปยังข้อมูลที่เกี่ยวข้องได้

ระยะที่สามนำการค้นหาอัจฉริยะมาใช้ การประมวลผลภาษาธรรมชาติและการจัดอันดับเชิงความหมายช่วยให้ผู้ใช้ค้นหาเหตุการณ์ที่คล้ายกันได้

ระยะที่สี่เพิ่มคำแนะนำตามบริบท แพลตฟอร์มจะเปรียบเทียบสภาวะการปฏิบัติงานปัจจุบันกับผลลัพธ์ในอดีต

ระยะที่ห้านำแอปพลิเคชันเชิงคาดการณ์มาใช้ โมเดลจะระบุสภาวะที่กำลังก่อตัวและแจ้งเตือนได้ล่วงหน้ายิ่งขึ้น

ระยะที่หกอาจรองรับการปรับให้เหมาะสมแบบวงปิดภายใต้ขอบเขตที่ได้รับอนุมัติอย่างรอบคอบ

ไม่ใช่ทุกองค์กรจำเป็นต้องไปถึงระยะสุดท้าย คุณค่าอย่างมากอาจเกิดขึ้นได้แล้วจากแอปพลิเคชันด้านการค้นหา การสื่อสาร และการให้คำแนะนำ

แต่ละระยะควรครอบคลุมการกำกับดูแล ความมั่นคงปลอดภัยทางไซเบอร์ การตรวจสอบยืนยัน และการฝึกอบรมผู้ใช้

ควรขยายการใช้งานต่อเมื่อระยะก่อนหน้าดำเนินงานได้อย่างน่าเชื่อถือแล้วเท่านั้น

แนวทางแบบแบ่งระยะนี้ช่วยลดความเสี่ยงทางเทคนิค และยังเปิดโอกาสให้บุคลากรค่อย ๆ สร้างความมั่นใจ

ผู้นำโรงงานควรสื่อสารว่าการนำ AI มาใช้เป็นโครงการปรับปรุงการดำเนินงาน ไม่ใช่เพียงการติดตั้งเทคโนโลยีสารสนเทศ

ฝ่ายปฏิบัติการ ซ่อมบำรุง วิศวกรรม ความปลอดภัย คุณภาพ ความมั่นคงปลอดภัยทางไซเบอร์ และฝ่ายบริหารต้องร่วมกันรับผิดชอบ

การฝึกอบรมผู้ปฏิบัติงานให้ประเมินคำแนะนำจาก AI

พนักงานต้องการมากกว่าคำแนะนำการใช้ซอฟต์แวร์ พวกเขาต้องเข้าใจในทางปฏิบัติว่าคำแนะนำถูกสร้างขึ้นอย่างไร และอาจเกิดข้อผิดพลาดได้ที่จุดใดบ้าง

การฝึกอบรมควรอธิบายว่า AI ระบุรูปแบบต่าง ๆ แต่ไม่ได้รับรู้สถานะของโรงงานได้อย่างครบถ้วน

ผู้ใช้ควรเรียนรู้วิธีตรวจสอบแหล่งข้อมูล การประทับเวลา บริบทของอุปกรณ์ และตัวชี้วัดระดับความเชื่อมั่น ควรเปรียบเทียบคำแนะนำกับสภาวะของกระบวนการปัจจุบัน

สถานการณ์ฝึกอบรมสามารถใช้เหตุการณ์จริงในอดีตได้ ทีมงานสามารถทบทวนผลลัพธ์ของแพลตฟอร์มและอภิปรายว่าหลักฐานที่ระบบแนะนำจะสนับสนุนการตัดสินใจก่อนหน้านั้นหรือไม่

แบบฝึกหัดนี้ช่วยพัฒนาทักษะการประเมินอย่างมีวิจารณญาณ

พนักงานควรทราบวิธีรายงานผลลัพธ์ที่ไม่ถูกต้องด้วย กระบวนการแสดงความคิดเห็นที่เรียบง่ายช่วยส่งเสริมการปรับปรุงอย่างต่อเนื่อง

ผู้จัดการต้องหลีกเลี่ยงการลงโทษผู้ใช้ที่ตั้งคำถามต่อระบบ ความสงสัยอย่างมีเหตุผลช่วยยกระดับความปลอดภัย

ขณะเดียวกัน ทีมงานควรหลีกเลี่ยงการปัดคำแนะนำทิ้งโดยไม่ตรวจสอบ แพลตฟอร์มอาจระบุความสัมพันธ์ที่ไม่เห็นได้ชัดในทันที

พฤติกรรมที่ต้องการคือการประเมินอย่างมีวินัย

ผู้ปฏิบัติงานตรวจสอบหลักฐาน วิศวกรยืนยันตรรกะของกระบวนการ ฝ่ายบำรุงรักษาตรวจสอบสภาพอุปกรณ์ จากนั้นผู้รับผิดชอบจึงตัดสินใจดำเนินการ

เวิร์กโฟลว์นี้ผสานความรวดเร็วของเครื่องจักรเข้ากับวิจารณญาณของมนุษย์

การปกป้องความรู้ฝังลึกระหว่างการเปลี่ยนแปลงกำลังคน

โรงงานอุตสาหกรรมหลายแห่งพึ่งพาพนักงานที่มีประสบการณ์ภาคปฏิบัติมานานหลายทศวรรษ ผู้เชี่ยวชาญเหล่านี้สามารถรับรู้เสียง รูปแบบ และสภาวะการปฏิบัติงานที่ละเอียดอ่อน ซึ่งยังไม่ได้รับการบันทึกไว้อย่างครบถ้วน

การเกษียณอายุและการเคลื่อนย้ายกำลังคนกำลังคุกคามความรู้ดังกล่าว

การถ่ายทอดความรู้แบบดั้งเดิมมักอาศัยการเป็นพี่เลี้ยงอย่างไม่เป็นทางการ วิธีนี้ยังคงมีคุณค่า แต่ขยายผลได้ยาก และยังขึ้นอยู่กับการที่พนักงานทำงานร่วมกันเป็นเวลานานพอ

แพลตฟอร์มดิจิทัลสามารถสนับสนุนแนวทางที่เป็นระบบมากขึ้น

พนักงานที่มีประสบการณ์สามารถบันทึกคำอธิบายเหตุการณ์ ตรรกะการแก้ไขปัญหา และความสัมพันธ์ของกระบวนการได้ สามารถเชื่อมโยงการสัมภาษณ์กับระเบียนอุปกรณ์ และเชื่อมโยงบทเรียนกับแนวโน้มทางประวัติศาสตร์จริงได้

จากนั้น AI จะช่วยให้ค้นคืนข้อมูลนี้ได้ง่ายขึ้น

เป้าหมายไม่ใช่การเปลี่ยนประสบการณ์ทุกอย่างให้เป็นขั้นตอนปฏิบัติที่ตายตัว ความรู้บางอย่างมีเงื่อนไขและต้องคงความเชื่อมโยงกับสถานการณ์ที่ทำให้ความรู้นั้นใช้ได้

ตัวอย่างเช่น การปรับการปฏิบัติงานอาจใช้ได้ผลเฉพาะระหว่างการผลิตเกรดผลิตภัณฑ์บางประเภท วิธีแก้ปัญหาเฉพาะหน้าด้านการบำรุงรักษาอาจเป็นเพียงชั่วคราว รูปแบบการสั่นสะเทือนอาจใช้ได้เฉพาะที่ภาระโหลดระดับหนึ่ง

บริบทจะช่วยปกป้องผู้ใช้ในอนาคตจากการสรุปเหมารวม

ดังนั้น การบันทึกองค์ความรู้ควรครอบคลุมอาการ สถานะการปฏิบัติงาน เหตุผล การดำเนินการ ผลลัพธ์ และข้อจำกัด

โครงสร้างนี้ช่วยสร้างความทรงจำทางเทคนิคที่แข็งแกร่งยิ่งขึ้นให้กับองค์กร

บทบาทของ AI เชิงสร้างสรรค์ในการปฏิบัติการกระบวนการผลิต

AI เชิงสร้างสรรค์เพิ่มความเป็นไปได้ใหม่ ๆ ให้กับแพลตฟอร์มอุตสาหกรรม โดยสามารถสรุปกิจกรรมระหว่างกะ อธิบายความสัมพันธ์ ร่างรายงานเหตุการณ์ และตอบคำถามโดยใช้เอกสารของโรงงานที่ได้รับอนุมัติ

ฟังก์ชันเหล่านี้สามารถลดภาระงานด้านการบริหารได้ และยังช่วยให้ผู้ใช้ค้นหาเนื้อหาในคลังข้อมูลทางเทคนิคขนาดใหญ่ได้อีกด้วย

อย่างไรก็ตาม ผลลัพธ์จาก AI เชิงสร้างสรรค์จำเป็นต้องมีการควบคุมที่เข้มงวด

โมเดลภาษาขนาดใหญ่อาจสร้างข้อความที่ฟังดูน่าเชื่อถือแต่ไม่สมบูรณ์หรือไม่ถูกต้อง ดังนั้น ผู้ใช้งานในภาคอุตสาหกรรมจึงต้องเห็นแหล่งข้อมูลสนับสนุน

การสร้างแบบเสริมด้วยการค้นคืนข้อมูลเป็นแนวทางที่มีประโยชน์วิธีหนึ่ง ระบบจะค้นคืนข้อมูลโรงงานที่ได้รับอนุมัติก่อน จากนั้นจึงใช้ข้อมูลดังกล่าวสร้างคำตอบ

คำตอบควรมีการอ้างอิงถึงขั้นตอนปฏิบัติ ใบสั่งงาน แนวโน้ม หรือบันทึกเหตุการณ์ เพื่อให้ผู้ใช้ตรวจสอบคำตอบได้

การดำเนินการที่สำคัญไม่ควรขึ้นอยู่กับข้อความที่สร้างขึ้นโดยไม่มีแหล่งรองรับ

องค์กรควรควบคุมด้วยว่าโมเดลสามารถใช้เอกสารใดได้บ้าง ขั้นตอนปฏิบัติฉบับร่าง คู่มือที่ล้าสมัย และเนื้อหาจากอินเทอร์เน็ตที่ไม่เกี่ยวข้องอาจทำให้เกิดคำแนะนำที่ไม่ปลอดภัย

การบันทึกพรอมต์และคำตอบสามารถช่วยสนับสนุนการตรวจสอบได้ ข้อมูลที่มีความละเอียดอ่อนควรได้รับการปกป้องอย่างเหมาะสม

Generative AI ทำงานได้ดีที่สุดในฐานะอินเทอร์เฟซสำหรับความรู้ที่เชื่อถือได้ ไม่ควรกลายเป็นแหล่งอำนาจทางเทคนิคที่ปราศจากการควบคุม

ข้อผิดพลาดทั่วไปในการนำไปใช้งาน

มีข้อผิดพลาดหลายประการที่จำกัดโครงการ AI ในภาคอุตสาหกรรมซ้ำแล้วซ้ำเล่า

ข้อผิดพลาดประการแรกคือการเลือกวัตถุประสงค์ที่กว้างเกินไป การปรับปรุงโรงงานทั้งโรงงานด้วย AI ไม่ใช่กรณีใช้งานที่จัดการได้

ข้อผิดพลาดประการที่สองคือการเพิกเฉยต่อคุณภาพข้อมูล โมเดลขั้นสูงไม่สามารถชดเชยบริบทที่ขาดหายและบันทึกที่ไม่น่าเชื่อถือได้

ข้อผิดพลาดประการที่สามคือการกีดกันผู้ปฏิบัติงาน ระบบที่ออกแบบโดยไม่รับฟังข้อมูลจากพนักงานแต่ละกะอาจไม่สอดคล้องกับกระบวนการทำงานจริง

ข้อผิดพลาดประการที่สี่คือการวัดเฉพาะความแม่นยำของโมเดล คุณค่าด้านการปฏิบัติงานครอบคลุมทั้งเวลาตอบสนอง การยอมรับใช้งาน ความล้มเหลวซ้ำ และประสิทธิผลในการบำรุงรักษา

ข้อผิดพลาดประการที่ห้าคือการซ่อนหลักฐานไว้เบื้องหลังคำแนะนำ ผู้ใช้จำเป็นต้องเข้าถึงแหล่งข้อมูลที่สามารถตรวจสอบย้อนกลับได้

ข้อผิดพลาดประการที่หกคือการเชื่อมต่อแพลตฟอร์มอย่างลึกซึ้งเกินไปก่อนสร้างความไว้วางใจ แอปพลิเคชันเพื่อให้คำแนะนำมักเป็นจุดเริ่มต้นที่ปลอดภัยกว่า

ข้อผิดพลาดประการที่เจ็ดคือการมองความมั่นคงปลอดภัยทางไซเบอร์เป็นเพียงการทบทวนขั้นสุดท้าย ข้อกำหนดด้านความปลอดภัยส่งผลต่อสถาปัตยกรรมตั้งแต่เริ่มต้น

ข้อผิดพลาดประการที่แปดคือการไม่บำรุงรักษาแพลตฟอร์ม การเปลี่ยนแปลงอุปกรณ์ การปรับเปลี่ยนกระบวนการ และเอกสารใหม่อาจทำให้ประสิทธิภาพลดลง

ข้อผิดพลาดประการที่เก้าคือการนำเสนอ AI ในฐานะสิ่งที่จะมาแทนที่ประสบการณ์ แนวคิดนี้ก่อให้เกิดการต่อต้านและทำให้เข้าใจบทบาทที่โดดเด่นที่สุดของเทคโนโลยีนี้ผิดไป

ข้อผิดพลาดประการที่สิบคือการยอมรับว่าการดำเนินการในอดีตทุกอย่างถูกต้อง บันทึกในอดีตมีทั้งความพยายามแก้ไขปัญหาที่ล้มเหลวและวิธีแก้ไขชั่วคราว

แพลตฟอร์มที่มีการกำกับดูแลอย่างเหมาะสมต้องแยกแยะหลักฐานออกจากข้อพิสูจน์

อนาคตคือการปฏิบัติงานโดยมนุษย์ที่มีเครื่องจักรช่วยเหลือ

อุตสาหกรรมกระบวนการจะยังคงต้องพึ่งพาบุคลากรที่มีคุณสมบัติเหมาะสม ระบบการผลิตมีความซับซ้อน แปรผัน และมีความสำคัญต่อความปลอดภัยมากเกินกว่าที่ความรับผิดชอบจะถูกถ่ายโอนไปให้อัลกอริทึม

อย่างไรก็ตาม ผู้คนไม่ควรต้องเสียเวลาอันมีค่าไปกับการค้นหาข้อมูลจากบันทึกที่แยกจากกันในระหว่างเหตุการณ์เร่งด่วน

แพลตฟอร์มที่รองรับ AI สามารถลดภาระดังกล่าวได้ โดยสามารถจัดระเบียบความรู้เกี่ยวกับโรงงาน เชื่อมโยงเหตุการณ์ในอดีต และนำเสนอหลักฐานที่เกี่ยวข้องได้ในเวลาที่จำเป็น

ระบบที่มีคุณค่ามากที่สุดจะผสานความสามารถหลายด้านเข้าด้วยกัน

ระบบเหล่านี้จะบันทึกการสื่อสารแบบโต้ตอบระหว่างกะงาน เชื่อมโยงบริบทของกระบวนการกับการบำรุงรักษา รองรับการค้นหาด้วยภาษาธรรมชาติ รักษาความสามารถในการตรวจสอบย้อนกลับของแหล่งที่มา และเรียนรู้จากข้อเสนอแนะของผู้ใช้

ระบบเหล่านี้จะเคารพขอบเขตการปฏิบัติงานด้วย

ระบบควบคุมจะยังคงทำหน้าที่แบบกำหนดแน่นอนต่อไป ระบบความปลอดภัยจะยังคงปกป้องอุปกรณ์และบุคลากร ส่วน AI จะให้การวิเคราะห์และการสนับสนุนการตัดสินใจเพิ่มเติมอีกชั้นหนึ่ง

การผสานกันนี้ก่อให้เกิดการปฏิบัติการโดยมนุษย์ที่มีเครื่องจักรช่วยสนับสนุน

เครื่องจักรประมวลผลข้อมูลปริมาณมาก จดจำความสัมพันธ์ระหว่างบันทึกต่าง ๆ และค้นคืนประสบการณ์ที่เกี่ยวข้องได้เร็วกว่าที่มนุษย์จะค้นหาด้วยตนเอง

มนุษย์เป็นผู้ประเมินหลักฐาน มนุษย์เข้าใจลำดับความสำคัญปัจจุบันของโรงงาน และมนุษย์พิจารณาผลกระทบด้านความปลอดภัย การผลิต การบำรุงรักษา และกฎระเบียบ

เมื่อทำงานร่วมกัน ความสามารถเหล่านี้สามารถเพิ่มประสิทธิภาพการผลิตได้โดยไม่ลดทอนความรับผิดชอบ

เปลี่ยนประวัติโรงงานให้เป็นความได้เปรียบด้านการปฏิบัติงาน

โรงงานกระบวนการผลิตทุกแห่งสร้างความรู้ขึ้นในแต่ละวัน ผู้ปฏิบัติงานสังเกตเห็นพฤติกรรมที่ผิดปกติ ช่างเทคนิคค้นพบกลไกความขัดข้อง วิศวกรทดสอบการปรับปรุง และหัวหน้างานประสานการตอบสนองข้ามกะงาน

ความรู้จำนวนมากนี้สูญหายไปในระบบที่แยกขาดจากกัน

แพลตฟอร์มองค์กรที่ขับเคลื่อนด้วย AI มอบวิธีการในการรักษาและนำความรู้นั้นกลับมาใช้ใหม่ โดยเปลี่ยนบันทึกในอดีตให้เป็นทรัพยากรเชิงรุกสำหรับการตัดสินใจ

โอกาสนี้ไม่ได้จำกัดอยู่เพียงการค้นหาที่รวดเร็วขึ้น

โรงงานสามารถลดการแก้ไขปัญหาซ้ำ ๆ ได้ เพิ่มความต่อเนื่องระหว่างกะงานได้ ระบุจุดอ่อนที่เกิดซ้ำได้ เสริมความแข็งแกร่งให้การวางแผนบำรุงรักษาได้ และรักษาประสบการณ์ไว้ได้ในช่วงที่มีการเปลี่ยนแปลงบุคลากร

สิ่งเหล่านี้ยังช่วยสร้างความสัมพันธ์ระหว่างข้อมูลกับวิจารณญาณของมนุษย์ที่สม่ำเสมอยิ่งขึ้น

ความสำเร็จต้องอาศัยมากกว่าการติดตั้งซอฟต์แวร์ แต่ต้องมีข้อมูลระบบอัตโนมัติที่เชื่อถือได้ สถาปัตยกรรมสารสนเทศที่รอบคอบ มาตรการควบคุมความมั่นคงปลอดภัยทางไซเบอร์ การกำกับดูแลความรู้ และการมีส่วนร่วมอย่างต่อเนื่องของบุคลากร

องค์กรควรเริ่มต้นจากปัญหาการปฏิบัติงานที่ชัดเจน ควรวัดผลลัพธ์ที่เกิดขึ้นจริง และควรขยายการใช้งานก็ต่อเมื่อผู้ใช้ไว้วางใจระบบและหลักฐานที่สนับสนุนระบบนั้น

อนาคตของการปฏิบัติการในกระบวนการผลิตไม่ได้เป็นการเลือกระหว่างผู้คนกับเครื่องจักร

นี่คือความร่วมมือที่มีแบบแผน โดยเครื่องจักรช่วยให้ใช้ความรู้ได้ง่ายขึ้น ขณะที่ผู้คนยังคงรับผิดชอบโรงงาน