Trong một bài viết trước đó, Chuyên gia ngành IBM Scott Campbell đã nói về cách các nhà sản xuất đang theo đuổi khả năng phục hồi và Zero D để ngăn chặn lỗi và cải thiện sản phẩm cũng như chất lượng dịch vụ. Trong phần hai của cuộc thảo luận của chúng tôi, anh ấy thảo luận về cách giảm thiểu công việc làm lại có thể tiết kiệm hàng triệu người và đưa ra một số hiểu biết sâu sắc về giá trị của việc tạo ra các nhà khoa học dữ liệu công dân.
Bạn có thể giải thích khái niệm “phát hiện và sửa chữa” cũng như loại công nghệ và quy trình bạn cần triển khai để đạt được loại hiệu quả và độ tin cậy đó không?
Ý tưởng là nếu bạn có thể phát hiện vấn đề hoặc khiếm khuyết tại điểm cài đặt - bằng cách sử dụng các mô hình thị giác máy tính AI - thì bạn có thể sửa lỗi đó ngay lập tức mà không cần phải làm lại. Ví dụ tôi luôn sử dụng là bảng điều khiển của một chiếc xe: một chiếc xe trung bình có hơn 300 đầu nối điện và nhiều trong số đó nằm trong bảng điều khiển. Chúng phải được kết nối thủ công, vì chúng là dây và không dễ dàng quản lý bằng máy móc. Nếu một đầu nối không được đặt đúng vị trí, nó sẽ bị chập hoặc hỏng. Điều này có nghĩa là chức năng đó sẽ không hoạt động. Nhưng nếu bạn gặp lỗi tại thời điểm cài đặt - và đây là nơi mà các mô hình thị giác máy tính rất quan trọng - bạn có thể xác định xem nó có được kết nối đầy đủ hay không, kết nối một phần hay kỹ thuật viên đường truyền quên kết nối hoàn toàn.
Khả năng phát hiện này cũng có thể được tích hợp vào hệ thống chất lượng tổng thể và / hoặc hệ thống quản lý tài sản doanh nghiệp. Trong trường hợp Kiểm tra trực quan Maximo, nó được tích hợp chặt chẽ vào Bộ ứng dụng Maximo để quản lý và hiệu suất tài sản doanh nghiệp, đồng thời dễ dàng tích hợp vào hệ thống cảnh báo chất lượng của khách hàng. Vì vậy, khi phát hiện ra lỗi, nó có thể phát tín hiệu cảnh báo ngay lập tức trên sàn sản xuất để đảm bảo công nhân xác minh và khắc phục sự cố trước khi chuyển sang quy trình lắp ráp tiếp theo. Cảnh báo ngay lập tức này là những gì tránh làm lại tốn kém. Trong trường hợp các đầu nối bên trong bảng điều khiển, nếu các lỗi không được phát hiện, thì việc sửa chữa làm lại cho một kết nối đơn giản sẽ đắt hơn theo cấp số nhân, vì nó thường yêu cầu gỡ bỏ và lắp đặt lại bảng điều khiển.
Sử dụng thị giác máy tính và AI để xem các lỗi trước khi chúng chuyển sang làm lại và sửa chúng ngay sau đó - và trong một số trường hợp, một công ty sẵn sàng dừng dây chuyền sản xuất để khắc phục sự cố trước khi nó đi vào hoạt động - là một khả năng khá quan trọng. Đặc biệt là vì phế liệu và các khuyết tật có thể khiến một công ty phải trả giá hơn 10% doanh thu hàng năm.
Khi mọi người nghĩ đến các mô hình AI, họ nghĩ đến các nhà khoa học dữ liệu và khó khăn trong việc thuê các nguồn lực đắt tiền, những người hiểu công nghệ AI, mạng nơ-ron học sâu và các mô hình thị giác máy tính AI chuyên dụng. Nhưng những gì IBM đã làm là giúp các chuyên gia về chủ đề (SME) - những người biết rõ họ đang tìm kiếm khiếm khuyết gì - thực sự tạo và quản lý các mô hình AI trở nên vô cùng dễ dàng. Chúng tôi thực hiện điều đó thông qua giao diện người dùng không yêu cầu mã.
Nó thực sự gắn nhãn một vài hình ảnh trong một bức tranh là tốt or xấu hoặc bất kỳ tiêu chí quyết định nào khác mà họ muốn xác định. Sau đó, hệ thống có thể cung cấp tính năng tự động gắn nhãn dựa trên những gì đã được gắn nhãn cho đến nay, giúp giảm đáng kể khối lượng công việc. Cuối cùng, tập dữ liệu hiện có có thể được tăng cường để tạo ra các tập dữ liệu rất lớn ngoài kích thước mẫu ban đầu. Điều này cung cấp dữ liệu để xây dựng các mô hình đưa ra kết quả có thể dự đoán được - trong hầu hết các trường hợp, độ chính xác cao từ 95% đến 98%. Kết quả: các chuyên gia về chủ đề kiểm soát các mô hình thực tế mà không cần đến các nhà khoa học dữ liệu. Điều này làm cho việc áp dụng nhanh hơn rất nhiều vì các công ty sử dụng những người quen thuộc với những gì nhà sản xuất đang làm trên dây chuyền lắp ráp. Kiến thức chuyên môn đó cũng là yếu tố góp phần quan trọng vào độ chính xác cấp cao của các mô hình AI.
Còn về khái niệm dự đoán và chính xác? Điều đó có đóng vai trò thúc đẩy các hoạt động liên tục không?
Tại IBM, chúng tôi đã hỏi, Điều gì sẽ xảy ra nếu bạn có thể tăng hiệu quả, kéo dài vòng đời của tài sản, giảm thời gian chết và chi phí - tất cả trong khi xây dựng khả năng phục hồi và tính bền vững cho doanh nghiệp của bạn?
Dự đoán và chính xác là điều cơ bản để có thể trả lời câu hỏi đó.
Chúng tôi đã giúp việc số hóa các môi trường hoạt động trở nên dễ dàng hơn bằng cách lấy dữ liệu cảm biến từ các nội dung và hiểu được tại thời điểm điều kiện và trạng thái hoạt động của các nội dung đó. Và đó là rất nhiều dữ liệu! Một dây chuyền sản xuất duy nhất có thể sản xuất nhiều hơn 70 terabyte dữ liệu mỗi ngày.
Bằng cách hiểu tổng trạng thái của nội dung theo vòng đời và tận dụng dữ liệu chuỗi thời gian lịch sử, Maximo có thể dự đoán khi có khả năng xảy ra hỏng hóc trong tương lai. Nếu bạn có thể dự đoán chính xác thất bại tốt trước đây nó xảy ra, bạn có thể sửa chữa nó. Khả năng dự đoán và chính xác này đóng một vai trò quan trọng trong việc cung cấp và tạo điều kiện cho các hoạt động liên tục.
Bạn bắt đầu với Màn hình Maximo - thu thập dữ liệu và có được khả năng hiển thị về những gì nội dung của bạn đang thực sự làm. Sau đó, bạn thêm Sức khỏe Maximo, cho bạn biết từ góc độ vòng đời bạn nên xem xét cấu trúc bảo trì nào và cho phép xem xét đơn lẻ các tài sản trong toàn doanh nghiệp. Cuối cùng, với Dự đoán Maximo, bạn có thể nhìn thấy trong tương lai để quản lý hiệu suất nội dung chặt chẽ hơn nhiều trong tương lai. Đó là một sự tiến hóa, nhưng Dự đoán là nơi các mô hình AI kết hợp với nhau để cho phép khách hàng xem nơi có khả năng xảy ra lỗi đối với tất cả các tài sản của họ và thực hiện hành động khắc phục.
Chúng ta đã nói về ngành công nghiệp ô tô nhưng tôi giả định rằng bất kỳ ngành nào cũng có thể hưởng lợi từ điều này.
Chắc chắn rồi. Và nó là cầu nối ngoài sản xuất. Chúng ta đang nói về việc theo đuổi Zero D và khả năng phục hồi cho sản xuất vì nó phù hợp rất tốt với Công nghiệp 4.0, nhưng công nghệ tương tự có thể được sử dụng, chẳng hạn như trong du lịch và vận tải. Xem xét các tuyến đường sắt và khả năng hiểu các tài sản - cả đường ray và bản thân đoàn tàu - và tìm kiếm khả năng hỏng hóc. Dữ liệu cảm biến là một phần của nó, nhưng sau đó kiểm tra trực quan bằng AI cũng có thể được sử dụng để kiểm tra trực quan toa tàu, độ mòn trên khớp nối, bánh xe và hệ thống dây điện như một vài ví dụ.
Theo truyền thống, với các đoàn tàu hàng đều có bãi bảo dưỡng, đoàn tàu sẽ kéo vào và sau đó người bảo dưỡng sẽ tự kiểm tra đoàn tàu. Họ đảm bảo mọi thứ đều ổn trước khi để nó quay trở lại đường đua. Nhưng ngành công nghiệp đó đang nhanh chóng phát triển để cung cấp dịch vụ kiểm tra trong khi tàu đang vận chuyển. Các camera trên đường ray chụp ảnh đoàn tàu và cung cấp kết quả ngay lập tức thông qua các mô hình thị giác máy tính AI. Ví dụ, nếu có những lo ngại khẩn cấp về an toàn, nhà điều hành đường sắt có thể dừng một đoàn tàu. Nếu không, nó có thể tiếp tục, nhưng các kỹ thuật viên có thể nói, Được rồi, cửa sổ bảo trì tiếp theo chúng ta sẽ cần thực hiện những sửa chữa này. Việc kiểm tra không chỉ hoàn thiện hơn nhiều - và có thể xảy ra với tần suất cao hơn - mà còn dự đoán chính xác hơn nhiều, vì nó sử dụng dữ liệu cảm biến cũng như dữ liệu trực quan để quản lý tài sản. Chúng tôi cũng thấy điều này trong cơ sở hạ tầng dân dụng và cầu đường. Chỉ có rất nhiều nơi mà dữ liệu hình ảnh và dữ liệu cảm biến kết hợp với nhau.
Một số vấn đề và quan niệm sai lầm mà một tổ chức có thể mắc phải khi sử dụng AI để dự đoán tình trạng tài sản và xây dựng một tổ chức linh hoạt hơn là gì?
Từ góc độ thách thức, đầu tiên là một công ty không sử dụng IBM Maximo EAM (Quản lý tài sản doanh nghiệp) làm hệ thống đặt hàng công việc của mình. Thông thường, các công ty tin rằng họ không thể tận dụng phần còn lại của bộ ứng dụng của chúng tôi nếu họ không sử dụng Maximo EAM trên toàn bộ tổ chức của họ. Nhưng các giải pháp theo dõi, sức khỏe và dự đoán của IBM có thể kết nối với các hệ thống EAM khác để các công ty có thể tận dụng dữ liệu hoạt động của họ. Chúng tôi cũng có thể kết nối với các hệ thống khác đang thu thập dữ liệu cảm biến và chúng tôi có thể cung cấp dữ liệu này vào Maximo Monitor. Điều này quan trọng bởi vì XNUMX/XNUMX dữ liệu hoạt động không được sử dụng. Nó cũng loại bỏ rào cản mà một công ty có thể phải nhảy việc với một nhà cung cấp khác, đơn giản vì hệ thống đặt hàng công việc của họ nằm trong ứng dụng của nhà cung cấp khác. Chúng tôi có thể quản lý trong phạm vi đó và vẫn thúc đẩy giá trị với khả năng dự đoán bằng cách giới thiệu màn hình, tình trạng và dự đoán.
Một vấn đề điển hình khác là mỗi nội dung có dữ liệu được lưu trữ vào kho lưu trữ của riêng nó. Việc thu thập dữ liệu trên tất cả các nội dung được thu thập vào một nhóm duy nhất có thể rất khó khăn và tốn thời gian. Nhưng chúng tôi có thể mang đến các trình kết nối thông qua API hoặc các giải pháp như IBM App Connect và giúp khách hàng hợp nhất dữ liệu vào một kho lưu trữ duy nhất. Kho lưu trữ này có thể nắm bắt dữ liệu chuỗi thời gian và sau đó bạn có điểm khởi đầu để xây dựng khả năng phục hồi và tính bền vững cho doanh nghiệp của mình bằng cách kéo dài vòng đời tài sản, giảm thời gian chết và chi phí. Khi bạn được định vị để quản lý tài sản thông minh - và xây dựng khả năng phục hồi và tính bền vững cho doanh nghiệp của mình - bạn có thể giảm chi phí hoạt động lên đến 25% và tăng thời gian hoạt động và tính khả dụng lên 20%. Đó là những kết quả mà không ai phản đối.
Tìm hiểu cách bạn có thể cải thiện khả năng phục hồi hoạt động của mình với AI.
Tìm hiểu thêm về Bộ ứng dụng Maximo.
Các bài viết Quản lý tài sản thông minh và cuộc đua tới Zero D xuất hiện đầu tiên trên Blog Hoạt động Kinh doanh của IBM.
