في منشور سابقتحدث سكوت كامبل ، خبير الصناعة في شركة IBM ، عن الكيفية التي يسعى بها المصنعون إلى تحقيق المرونة و Zero D لإيقاف العيوب وتحسين جودة المنتجات والخدمات. في الجزء الثاني من مناقشتنا ، يناقش كيف يمكن أن ينقذ إعادة العمل التخفيف الملايين ويقدم بعض الأفكار حول قيمة إنشاء علماء بيانات المواطنين.
هل يمكنك شرح مفهوم "الاكتشاف والتصحيح" ونوع التقنيات والعمليات التي تحتاج إلى تنفيذها للوصول إلى هذا النوع من الكفاءة والموثوقية؟
الفكرة هي أنه إذا كان بإمكانك اكتشاف مشكلة أو عيب في نقطة التثبيت - باستخدام نماذج رؤية الكمبيوتر بالذكاء الاصطناعي - فيمكنك تصحيح هذا العيب على الفور دون تثبيته في إعادة العمل. المثال الذي أستخدمه دائمًا هو لوحة عدادات السيارة: تحتوي السيارة المتوسطة على أكثر من 300 موصل كهربائي ، ويوجد العديد منها داخل لوحة القيادة. يجب توصيلها يدويًا ، لأنها أسلاك ولا يمكن للآلات إدارتها بسهولة. إذا لم يتم تثبيت الموصل بشكل صحيح ، فسيكون قصيرًا أو سيفشل. هذا يعني أن هذه الوظيفة لن تعمل. ولكن إذا اكتشفت الخطأ عند نقطة التثبيت - وهذا هو المكان الذي تكون فيه نماذج رؤية الكمبيوتر مهمة جدًا - يمكنك تحديد ما إذا كانت متصلة بالكامل أو متصلة جزئيًا أو إذا نسي فني الخط توصيلها تمامًا.
يمكن أيضًا دمج قدرة الكشف هذه في نظام الجودة الشامل و / أو نظام إدارة أصول المؤسسة. في حالة ما اذا الفحص البصري ماكسيمو، يتم دمجه بإحكام جناح تطبيقات ماكسيمو لإدارة أصول المؤسسة والأداء ، مع الدمج بسهولة في أنظمة تنبيه جودة العملاء. لذلك ، عند اكتشاف عيب ، يمكن أن يرسل إشارة تنبيه على الفور على أرضية التصنيع للتأكد من أن العامل يتحقق من المشكلة ويصلحها قبل أن ينتقل إلى عملية التجميع التالية. هذا التنبيه الفوري هو ما يتجنب إعادة العمل المكلفة. في حالة الموصلات داخل لوحة القيادة ، إذا لم يتم اكتشاف العيوب ، فإن إصلاح إعادة العمل للاتصال البسيط يصبح أكثر تكلفة بشكل كبير ، حيث يتطلب غالبًا إزالة لوحة القيادة وإعادة التثبيت.
يعد استخدام رؤية الكمبيوتر والذكاء الاصطناعي لمعرفة الأخطاء قبل أن تتحول إلى إعادة صياغة وإصلاحها في الوقت المناسب - وفي بعض الحالات تكون الشركة على استعداد لإيقاف خط التصنيع لإصلاح المشكلة قبل أن يتم ترسيخها - هي قدرة مهمة جدًا. خاصة وأن الخردة والعيوب يمكن أن تكلف الشركة أكثر من 10٪ من الإيرادات السنوية.
عندما يفكر الناس في نماذج الذكاء الاصطناعي ، فإنهم يفكرون في علماء البيانات والصعوبة في توظيف موارد باهظة الثمن ممن يفهمون تقنيات الذكاء الاصطناعي والشبكات العصبية للتعلم العميق ونماذج الرؤية الحاسوبية المتخصصة بالذكاء الاصطناعي. ولكن ما فعلته شركة IBM هو أنه جعل من السهل للغاية على الخبراء المتخصصين (SMEs) - الأشخاص الذين يعرفون ما يبحثون عنه من حيث العيب - إنشاء نماذج الذكاء الاصطناعي وإدارتها بالفعل. نقوم بذلك من خلال واجهة مستخدم لا تتطلب أي كود.
إنه حرفياً تسمية بعض الصور داخل صورة كـ خير or سيئة أو أي معايير قرار أخرى يرغبون في تحديدها. بعد ذلك ، يمكن للنظام توفير وضع العلامات التلقائي بناءً على ما تم تسميته حتى الآن ، مما يقلل بشكل كبير من عبء العمل. أخيرًا ، يمكن زيادة مجموعة البيانات الحالية لإنشاء مجموعات بيانات كبيرة جدًا من حجم العينة الأصلي. يوفر هذا البيانات لبناء النماذج التي تعطي نتائج يمكن التنبؤ بها - في معظم الحالات ، تكون الدقة عالية مثل 95٪ إلى 98٪. النتيجة: يتحكم خبراء الموضوع في النماذج الفعلية دون الحاجة إلى علماء البيانات. هذا يجعل التبني أسرع كثيرًا لأن الشركات تستخدم الأشخاص الذين هم على دراية بما تفعله الشركة المصنعة على خط التجميع. هذه الخبرة هي أيضًا مساهم رئيسي في الدقة عالية المستوى لنماذج الذكاء الاصطناعي.
ماذا عن مفهوم التنبؤ والصحيح؟ هل يلعب ذلك دورًا في قيادة العمليات المستمرة؟
في IBM ، سألنا ، ماذا لو كان بإمكانك زيادة الكفاءة ، وإطالة دورات حياة الأصول ، وتقليل وقت التوقف عن العمل والتكاليف - كل ذلك أثناء بناء المرونة والاستدامة في عملك؟
التنبؤ والصحيح أمران أساسيان للقدرة على الإجابة على هذا السؤال.
لقد سهلنا عملية رقمنة بيئات التشغيل من خلال أخذ بيانات المستشعر من الأصول ، وفهم في وقت ما حالة تلك الأصول وحالتها التشغيلية. وهناك الكثير من البيانات! يمكن أن ينتج خط إنتاج واحد أكثر من 70 تيرابايت من البيانات كل يوم.
من خلال فهم الصحة الإجمالية للأصل من حيث دورة الحياة والاستفادة من بيانات السلاسل الزمنية التاريخية ، يستطيع Maximo تنبأ عندما يحتمل أن يحدث فشل في المستقبل. إذا كنت تستطيع التنبؤ بدقة بالفشل قبل ذلك بكثير يحدث ذلك ، يمكنك علاجه. تلعب هذه القدرة على التنبؤ والصحيح دورًا رئيسيًا في تقديم وتسهيل العمليات المستمرة.
تبدأ بـ ماكسيمو مونيتور - التقاط البيانات وإبراز ما تفعله أصولك بالفعل. ثم تضيف ماكسيمو هيلث، والذي يخبرك من منظور دورة الحياة عن هيكل الصيانة الذي يجب أن تنظر إليه ويسمح بعرض واحد للأصول عبر المؤسسة. أخيرًا ، مع توقع ماكسيمو، يمكنك أن ترى في المستقبل أن تكون أكثر توجيهية بكثير مع إدارة أداء الأصول الخاصة بك. إنه تطور ، لكن Predict هو المكان الذي تجتمع فيه نماذج الذكاء الاصطناعي للسماح للعميل بذلك انظر تعريف حيث يوجد احتمال للفشل لجميع أصولهم واتخاذ الإجراءات التصحيحية.
كنا نتحدث عن صناعة السيارات ولكني أفترض أن أي صناعة يمكن أن تستفيد من ذلك.
إطلاقا. وهي تتجاوز التصنيع. نحن نتحدث عن السعي وراء صفر D والمرونة في التصنيع لأنها تتوافق جيدًا مع الصناعة 4.0 ، ولكن يمكن استخدام نفس التكنولوجيا ، على سبيل المثال ، في السفر والنقل. ضع في اعتبارك السكك الحديدية والقدرة على فهم الأصول - وهي كل من خطوط السكك الحديدية والقطار نفسه - والبحث عن الفشل المحتمل. تعد بيانات المستشعر جزءًا منها ، ولكن بعد ذلك يمكن أيضًا استخدام الفحص البصري للذكاء الاصطناعي لفحص عربات السكك الحديدية بصريًا ، وارتداء أدوات التوصيل ، والعجلات ، والأسلاك كمجرد أمثلة قليلة.
تقليديا ، مع قطارات البضائع ، توجد ساحات صيانة ، وسيسحب القطار ثم يقوم أفراد الصيانة بفحص القطار يدويًا. إنهم يضمنون بصريًا أن كل شيء على ما يرام قبل أن يتركوه يعود إلى المسار الصحيح. لكن هذه الصناعة تتطور بسرعة لتوفير الفحص أثناء مرور القطار. تلتقط الكاميرات الموجودة فوق المسارات صوراً للقطار وتقدم النتائج على الفور من خلال نماذج الرؤية الحاسوبية بالذكاء الاصطناعي. إذا كانت هناك مخاوف عاجلة تتعلق بالسلامة على سبيل المثال ، يمكن لمشغل السكك الحديدية إيقاف القطار. إذا لم يكن الأمر كذلك ، فقد يستمر ، لكن قد يقول الفنيون ، حسنًا ، سنحتاج إلى إجراء هذه الإصلاحات في نافذة الصيانة التالية. لا يقتصر الأمر على أن يكون الفحص أكثر اكتمالًا - ويمكن أن يحدث بتردد أعلى - ولكنه أيضًا أكثر دقة في التنبؤ ، لأنه يستخدم بيانات المستشعر بالإضافة إلى البيانات المرئية لإدارة الأصول. نحن نرى هذا أيضًا في البنية التحتية المدنية والجسور والطرق. هناك الكثير من الأماكن التي تتجمع فيها البيانات المرئية وبيانات المستشعر معًا.
ما هي بعض المشكلات والمفاهيم الخاطئة التي قد تواجهها المنظمة عندما يتعلق الأمر باستخدام الذكاء الاصطناعي للتنبؤ بصحة الأصول وبناء مؤسسة أكثر مرونة؟
من منظور التحديات ، أولها شركة لا تستخدم IBM Maximo EAM (Enterprise Asset Management) كنظام أمر العمل الخاص بها. غالبًا ما تعتقد الشركات أنها لا تستطيع الاستفادة من بقية مجموعة التطبيقات الخاصة بنا إذا لم تستخدم Maximo EAM عبر مؤسساتها بأكملها. لكن حلول المراقبة والصحة والتنبؤ الخاصة بشركة IBM يمكنها الاتصال بأنظمة EAM الأخرى بحيث يمكن للشركات الاستفادة من بياناتها التشغيلية. يمكننا أيضًا الاتصال بالأنظمة الأخرى التي تجمع بيانات المستشعر ويمكننا تغذية هذه البيانات في Maximo Monitor. هذا مهم لأن يذهب ثلثا البيانات التشغيلية غير مستخدمة. كما أنه يزيل عقبة قد تضطر الشركة إلى القفز مع مزود آخر ، وذلك ببساطة لأن نظام أمر العمل الخاص بها موجود في تطبيق بائع آخر. يمكننا إدارة ذلك مع الاستمرار في دفع القيمة بالقدرة التنبؤية من خلال تقديم المراقبة والصحة والتنبؤ.
هناك مشكلة نموذجية أخرى وهي أن كل أصل يحتوي على بيانات منفصلة في مستودعه الخاص. قد يكون الحصول على البيانات عبر جميع الأصول التي تم جمعها في مجموعة واحدة أمرًا صعبًا للغاية ويستغرق وقتًا طويلاً. ولكن يمكننا جلب الموصلات عبر واجهات برمجة التطبيقات أو حلول مثل IBM App Connect ومساعدة العملاء على دمج البيانات في مستودع واحد. يمكن لهذا المستودع التقاط بيانات السلاسل الزمنية ، ومن ثم يكون لديك نقطة انطلاق لبناء المرونة والاستدامة في عملك عن طريق إطالة دورات حياة الأصول وتقليل وقت التوقف عن العمل والتكاليف. بمجرد تعيينك لإدارة الأصول الذكية - وبناء المرونة والاستدامة في عملك - يمكنك تقليل التكاليف التشغيلية بنسبة تصل إلى 25٪ وزيادة وقت التشغيل والتوافر بنسبة 20٪. تلك هي النتائج التي لا أحد يعترض عليها.
تعرف على كيفية تحسين مرونة عملياتك باستخدام الذكاء الاصطناعي.
تعرف على المزيد حول Maximo Application Suite.
وظيفة إدارة الأصول الذكية والسباق إلى الصفر د ظهرت للمرة الأولى على مدونة IBM Business Operations.
