Արդյունաբերական արհեստական բանականությունը դուրս է գալիս փորձարարական կիրառությունների շրջանակից և դառնում արտադրական ու գործընթացային ամենօրյա գործառնությունների մաս։ Սակայն շոշափելի արդյունքների հասնելու համար բավական չէ միայն միացված սենսորներ տեղադրել կամ կանխատեսող ալգորիթմներ ներդնել։ Անհրաժեշտ է գործառնական տվյալները, ինժեներական գիտելիքները, ավտոմատացման համակարգերն ու մարդկանց որոշումների կայացումը միավորել համակարգված թվային ենթակառուցվածքում։
ABB-ի ավտոմատացման բիզնես ուղղության թվային գլոբալ տնօրեն Ռաջեշ Ռամաչանդրանի կարծիքով՝ Արդյունաբերական իրերի ինտերնետի (IIoT) տեխնոլոգիաներն ու կանխատեսող AI-ն համատեղելով՝ արտադրողները կարող են բարձրացնել ակտիվների հուսալիությունը, օպտիմալացնել էներգիայի սպառումը և անցնել ավելի ու ավելի ինքնավար գործառնությունների։
Նրա տեսակետը կարևոր մարտահրավեր է ընդգծում արդյունաբերական ընկերությունների համար՝ գործառնական տվյալների մեծ ծավալը վերածել որոշումների, որոնք շոշափելի բարելավումներ են ապահովում։
1. Արդյունաբերական AI և IoT. տվյալների հավաքագրումից այն կողմ
Արդյունաբերական իրերի ինտերնետը դարձել է թվային փոխակերպման կարևոր շարժիչ ուժ։ Միացված սենսորները, խելացի սարքերը և ցանցին միացված կառավարման համակարգերը արտադրողներին հնարավորություն են տալիս շարունակաբար հավաքել գործառնական տեղեկություններ։ Միևնույն ժամանակ, կանխատեսող AI-ն ապահովում է վերլուծական կարողություններ, որոնք անհրաժեշտ են օրինաչափություններ բացահայտելու, աննորմալ պայմաններ հայտնաբերելու և սարքավորման հնարավոր խափանումները կանխատեսելու համար։
Այս տեխնոլոգիաները ծառայում են տարբեր, բայց փոխլրացնող նպատակների։ IoT-ն ապահովում է ֆիզիկական սարքավորումների և գործընթացների տեսանելիությունը, մինչդեռ AI-ն վերլուծում է հավաքված տեղեկությունները և բացահայտում հնարավոր գործառնական ռիսկերը։
Սակայն ավելի շատ տվյալների հավաքումն ինքնաբերաբար չի բարելավում արդյունաբերական արդյունավետությունը։ Թրթռման ցուցմունքը կամ ջերմաստիճանի չափումը գործնականում սահմանափակ արժեք ունի, եթե հայտնի չեն սարքավորման շահագործման պայմանները, սպասարկման պատմությունն ու ինժեներական սահմանաչափերը։
Իմ կարծիքով՝ արդյունաբերական թվայնացման հաջորդ փուլը պետք է ավելի քիչ կենտրոնանա հավաքվող տվյալների ծավալի ավելացման, իսկ ավելի շատ՝ դրանց ինժեներական նշանակության բարելավման վրա։ Համատեքստով հարստացված ավելի փոքր ծավալի տեղեկությունները կարող են նպաստել սպասարկման ավելի լավ որոշումներին, քան իրարից անջատված սենսորային միլիոնավոր ցուցմունքները։
2. Տվյալների որակն ու ինժեներական համատեքստը որոշում են AI-ի արդյունավետությունը
Ռամաչանդրանի խոսքով՝ կանխատեսող AI-ի հաջող ռազմավարությունը պետք է սկսվի հստակ սահմանված բիզնես խնդրից։
Արդյունաբերական ընկերությունները պետք է որոշեն՝ ինչ են ցանկանում կանխատեսել, որքան շուտ պետք է ստացվի նախազգուշացումը և գործառնական որ որոշմանը կօգնի այդ կանխատեսումը։
Այս մոտեցմամբ ինժեներական պահանջները գերակայում են տեխնոլոգիայի ընտրությանը։
Կանխատեսող մոդելների համար օգտակար արդյունքներ ապահովելու նպատակով պետք է միավորել տարբեր աղբյուրներից ստացվող տեղեկությունները, այդ թվում՝
- Օպերացիոն տեխնոլոգիաներ (OT): Սենսորներից, PLC-ներից, DCS հարթակներից և կառավարման այլ համակարգերից ստացվող իրական ժամանակի չափումներ։
- Տեղեկատվական տեխնոլոգիա (IT): Ձեռնարկության տեղեկատվություն, արտադրության գրառումներ և բիզնեսին առնչվող գործառնական տվյալներ։
- Ինժեներական տեխնոլոգիա (ET): Սարքավորումների բնութագրեր, գործընթացների վերաբերյալ գիտելիքներ, շահագործման սահմանաչափեր և ինժեներական փաստաթղթեր։
- Սպասարկման գրառումներ: Սարքավորումների սպասարկման պատմություն, ստուգումների արդյունքներ, խափանումների հաշվետվություններ և նախկինում ձեռնարկված շտկող գործողություններ։
OT-ի, IT-ի և ET-ի ինտեգրումը հնարավորություն է տալիս ավելի ամբողջական պատկերացում կազմել սարքավորումների վարքագծի մասին։
Օրինակ՝ շարժիչի թրթռման հանկարծակի աճը կարող է վկայել զարգացող մեխանիկական խնդրի մասին։ Սակայն դրա մեկնաբանությունը փոխվում է՝ կախված շարժիչի արագությունից, բեռնվածության պայմաններից, առանցքակալի պատմությունից և վերջին սպասարկման աշխատանքներից։
Ահա թե ինչու արդյունաբերական AI-ի համար միայն տվյալագիտությունը բավարար չէ։ Ինժեներական գիտելիքն ապահովում է այն համատեքստը, որի շնորհիվ վերլուծական արդյունքները վերածվում են գործառնական իմաստալից տեղեկատվության։
3. Կանխատեսող AI-ի ինտեգրումն արդյունաբերական առկա համակարգերին
Արդյունաբերական ոլորտում AI-ի կիրառման ամենամեծ խոչընդոտներից մեկը պարտադիր չէ, որ մոդելի մշակումն է։ Խնդիրը AI-ի ստեղծած վերլուծական եզրակացություններն առկա գործառնական աշխատանքային հոսքերում ինտեգրելն է։
Կանխատեսող մոդելը կարող է բարձր ճշգրտությամբ հայտնաբերել աննորմալ վիճակ, սակայն դրա արժեքը սահմանափակ կմնա, եթե սպասարկման թիմը տեղեկությունը ժամանակին չստանա կամ չկարողանա որոշել, թե ինչ քայլեր պետք է ձեռնարկի։
Ռամաչանդրանը շեշտում է, որ AI լուծումները պետք է անվտանգ ինտեգրվեն առկա համակարգերին և հստակ սահմանվեն դրանց առաջարկները կիրառելու պատասխանատուները։
Արդյունաբերական օբյեկտների համար սա պահանջում է ուշադրություն դարձնել մի քանի գործնական հանգամանքի՝
- Ինտեգրում ավտոմատացման և մոնիթորինգի առկա ենթակառուցվածքի հետ։
- Գործառնական և ձեռնարկության համակարգերի միջև անվտանգ հաղորդակցություն։
- Սարքավորումների իրական ժամանակի և պատմական տվյալների հասանելիություն։
- Ահազանգերի հստակ առաջնահերթությունների սահմանում և սպասարկման մասին ծանուցման ընթացակարգեր։
- AI-ի առաջարկները վերանայելու և հաստատելու հստակ սահմանված պարտականություններ։
- Մոդելի արդյունավետության և գործառնական արդյունքների շարունակական գնահատում։
Ավտոմատացման ինժեներական տեսանկյունից՝ AI-ն պետք է լրացնի կառավարման և պաշտպանության առկա ճարտարապետությունները, այլ ոչ թե դրանց մեջ ավելորդ բարդություն մտցնի։
Կանխատեսող վերլուծությունը կարող է օգնել սպասարկման պլանավորմանն ու գործառնական օպտիմալացմանը, սակայն անվտանգության հետ կապված կառավարման գործառույթները և պաշտպանության կարևոր մեխանիզմները պետք է պահպանեն իրենց սահմանված ինժեներական սահմանները։
4. ABB Genix. Արդյունաբերական AIoT հարթակի կառուցում
ABB-ն լուծում է ինտեգրման այս մարտահրավերները՝ իր ABB Genix Industrial IoT and AI հարթակի միջոցով։
Հարթակը նախատեսված է արդյունաբերական տվյալները միավորելու, տեղեկատվությունը համատեքստավորելու և տարբեր գործառնական մակարդակներում վերլուծություններ կիրառելու համար։ Դրա նպատակն է օգնել կազմակերպություններին բարելավել արդյունավետությունը, ակտիվների հուսալիությունն ու կայունությունը՝ արդյունաբերական տեղեկատվությունն ավելի համակարգված օգտագործելու միջոցով։
Հարթակի վրա հիմնված մոտեցումը հատկապես տեղին է խոշոր արդյունաբերական օբյեկտների համար, որտեղ սարքավորումները, կառավարման համակարգերը և սպասարկման կիրառությունները հաճախ գործում են տեղեկատվական առանձին միջավայրերում։
Առանձին մեքենաների համար մեկուսացված AI կիրառություններ ներդնելու փոխարեն՝ արտադրողները կարող են ձգտել ավելի ինտեգրված ճարտարապետության, որն աջակցում է տվյալների ներմուծմանը, ինտեգրմանը, վերլուծությանը և օպտիմալացմանը։
Սա նաև հնարավորություն է ստեղծում հաջողված կիրառությունները տարածելու մի քանի արտադրական գծերի և օբյեկտների վրա։
Այնուամենայնիվ, միայն հարթակի ներդրումը գործառնական բարելավում չի երաշխավորում։ Տվյալների կառավարումը, համակարգերի ինտեգրումը, ինժեներական վավերացումն ու աշխատուժի կողմից ընդունումը շարունակում են մնալ ներդրման գործընթացի անհրաժեշտ մասեր։
5. Փորձնական նախագծերի փակուղուց դուրս գալը․ AI-ի կիրառությունների ընդլայնումն արդյունաբերական գործառնություններում
Շատ արտադրողներ հաջողությամբ ցուցադրել են AI-ի կիրառությունները առանձին մեքենաների կամ արտադրական գործընթացների վրա։ Ավելի դժվար խնդիրն այդ արդյունքները ամբողջ գործարանի կամ ձեռնարկության մասշտաբով տարածելն է։
Այս իրավիճակը հաճախ անվանում են փորձնական նախագծերի փակուղի․ խոստումնալից թվային նախագծերը մնում են առանձին ցուցադրություններ՝ հաստատված գործառնական կարողություններ դառնալու փոխարեն։
Ռամաչանդրանը կազմակերպության ղեկավարությունը համարում է այս խնդիրը հաղթահարելու կարևոր գործոն։ Ընկերություններին անհրաժեշտ են հստակ բիզնես նպատակներ, համապատասխան թվային ենթակառուցվածք և համագործակցություն տեխնոլոգիական թիմերի ու գործառնական անձնակազմի միջև։
Գործնականում արդյունաբերական AI-ի կիրառությունների ընդլայնման համար կազմակերպությունները պետք է հաղթահարեն մի շարք մարտահրավերներ՝
- Տվյալների մեկուսացված շտեմարաններ: Տեղեկատվությունը պետք է հասանելի լինի համապատասխան գործառնական և բիզնես համակարգերում։
- Ժառանգված ենթակառուցվածք: Գործող PLC, DCS, SCADA և ակտիվների կառավարման համակարգերի միջավայրերը կարող են պահանջել մանրակրկիտ պլանավորված ինտեգրում։
- Աշխատուժի կողմից ընդունում: Ինժեներներն ու սպասարկող անձնակազմը պետք է հասկանան, թե ինչպես պետք է AI-ի առաջարկներն ազդեն իրենց աշխատանքի վրա։
- Գործառնական պատասխանատվություն: AI-ի յուրաքանչյուր կիրառության համար պետք է հստակ սահմանված լինի պատասխանատուն, որը կվերանայի արդյունքները և կձեռնարկի համապատասխան գործողություններ։
- Ներդրման ռազմավարություն: Հաջողված կիրառությունները պետք է ընդլայնել՝ հիմնվելով ցույց տրված գործառնական արժեքի, այլ ոչ թե միայն տեխնոլոգիայի հասանելիության վրա։
Կարծում եմ՝ արտադրողները պետք է խուսափեն AI-ի ներդրումը բոլոր գործընթացներն ավտոմատացնելու մրցավազք համարելուց։ Ավելի գործնական ռազմավարություն է բացահայտել պարբերաբար կրկնվող գործառնական խնդիրները, լուծումները փորձարկել վերահսկվող միջավայրերում և ընդլայնել կիրառությունները միայն այն դեպքում, երբ դրանց օգուտները հնարավոր է ցույց տալ։
6. Արդյունաբերական AI-ի ներդրումների շահութաբերության չափումը գործառնական արդյունավետությամբ
Արդյունաբերական կիրառությունների դեպքում AI-ի արդյունավետությունը չպետք է գնահատել միայն մոդելի ճշգրտությամբ։
Տեխնիկապես տպավորիչ ալգորիթմը պարտադիր չէ, որ բիզնեսի համար արժեք ստեղծի։ Դրա ներդրումը պետք է արտացոլվի չափելի բարելավումներում, ինչպիսիք են սարքավորումների հասանելիությունը, արտադրանքի ելքը, սպասարկման ծախսերը, էներգիայի սպառումը և գործառնական անվտանգությունը։
Օգտակար առաջին քայլ է կանխատեսող արհեստական բանականության ներդրումից առաջ գործառնական ելակետ սահմանելը։
Օրինակ, եթե կանխատեսող սպասարկման համակարգը բավարար ժամանակ առաջ զգուշացնի՝ սարքավորումների անսպասելի անջատումը կանխելու համար, ֆինանսական օգուտը կարելի է գնահատել՝ հաշվի առնելով խուսափած արտադրական կորուստները, արտակարգ սպասարկման ծախսերը և սարքավորումների հնարավոր երկրորդային վնասը։
ABB-ն ներկայացրել է Genix Asset Performance Management լուծման մեջ բազմաչափ անոմալիաների հայտնաբերման կիրառման օրինակ։
Ըստ Ռամաչանդրանի՝ հաճախորդների վերջին ներդրումներում սարքավորումների հնարավոր խափանումները հայտնաբերվել են դրանց տեղի ունենալուց վեցից տասը օր առաջ։ Նախազգուշացման այս ժամանակահատվածը կարող է սպասարկման թիմերին լրացուցիչ ժամանակ տալ՝ աննորմալ պայմաններն ուսումնասիրելու և ուղղիչ միջամտություններ կազմակերպելու համար։
Այնուամենայնիվ, կանխատեսումների որակը պետք է ուշադիր գնահատել։
Կեղծ դրական արդյունքները կարող են հանգեցնել անհարկի ստուգումների և սպասարկման աշխատանքների, մինչդեռ բաց թողնված նախազգուշացումները կարող են արտադրական սարքավորումները ենթարկել զգալի գործառնական ռիսկերի։
Այդ պատճառով արդյունաբերական արհեստական բանականության արդյունավետությունը պետք է գնահատել ինչպես տեխնիկական ցուցանիշներով, այնպես էլ սպասարկման իրական արդյունքներով։
7. Կանխատեսող վերլուծություն, հանձնարարական ինտելեկտ և թվային երկվորյակներ
Արդյունաբերական արհեստական բանականությունն աստիճանաբար անցնում է հնարավոր իրադարձությունները բացահայտելուց դեպի բացատրություն, թե ինչու է իրադարձությունը հավանաբար տեղի ունենալու, և առաջարկություն, թե ինչ պետք է անել հաջորդիվ։
Կանխատեսող վերլուծությունը բացահայտում է ապագայում հնարավոր պայմանները։ Հանձնարարական վերլուծությունը գնահատում է հնարավոր արձագանքները, իսկ պատճառահետևանքային վերլուծությունը կարող է օգնել ուսումնասիրել աննորմալ վարքագծին նպաստող հիմքում ընկած գործոնները։
Թվային երկվորյակներն ընդլայնում են այս հնարավորությունները՝ ստեղծելով ֆիզիկական ակտիվների, գործընթացների կամ համակարգերի վիրտուալ ներկայացումներ։ Իրական ժամանակի գործառնական տվյալների հետ կապակցված՝ մոդելավորման մոդելները կարող են օգնել ինժեներներին գնահատել շահագործման տարբեր սցենարներ՝ նախքան ֆիզիկական սարքավորումներում փոփոխություններ կատարելը։
Այս համադրությունն առաջարկում է մի շարք հնարավոր առավելություններ․
- Շահագործման աննորմալ պայմանների ավելի վաղ հայտնաբերում։
- Սարքավորումների հնարավոր խափանման մեխանիզմների ավելի լավ ըմբռնում։
- Սպասարկման կամ շահագործման այլընտրանքային ռազմավարությունների գնահատում։
- Գործընթացի առաջարկվող փոփոխությունները գնահատելիս անորոշության նվազեցում։
- Գործառնական սցենարների վրա հիմնված՝ ավելի տեղեկացված որոշումներ։
Իմ կարծիքով՝ կանխատեսող վերլուծության և թվային երկվորյակների համադրությունը կարող է հատկապես արժեքավոր դառնալ բարդ արդյունաբերական գործընթացների համար։ Փոխանակ պարզապես ծանուցելու ինժեներներին, որ որևէ պարամետր դուրս է եկել իր սովորական միջակայքից՝ ապագա համակարգերը պետք է ավելի ու ավելի օգնեն բացատրել հնարավոր պատճառները և գնահատել տարբեր ուղղիչ գործողությունների հետևանքները։
8. Գործողունակ արհեստական բանականությունը և արդյունաբերական ինքնավար գործառնությունների ապագան
Հեռանկարային առումով Ռամաչանդրանը ակնկալում է, որ կանխատեսող, հանձնարարական և գեներատիվ AI-ի հնարավորություններն ավելի ու ավելի սերտորեն կգործեն միասին, իսկ գործակալային AI-ն կօգնի վերլուծական պատկերացումները կապել գործառնական աշխատանքային հոսքերի հետ։
Կանխատեսող AI-ն կարող է բացահայտել ի հայտ եկող ռիսկերը։ Գեներատիվ AI-ն կարող է օգնել ինժեներներին մեկնաբանել տեխնիկական տեղեկությունները, մինչդեռ գործակալային AI-ն կարող է աջակցել աշխատանքային հոսքերի իրականացմանը և համակարգված առաջադրանքներին՝ սահմանված գործառնական սահմանների շրջանակում։
Այս զարգացումը կարող է փոխել արդյունաբերական աշխատակիցների՝ ավտոմատացման համակարգերի հետ փոխգործակցության ձևը։
Մի քանի վահանակներ, սպասարկման գրառումներ և ինժեներական փաստաթղթեր ձեռքով ուսումնասիրելու փոխարեն՝ աշխատակիցները կարող են ավելի ու ավելի հաճախ օգտվել AI-ի աջակցությամբ գործող համակարգերից՝ սարքավորումների վիճակն ուսումնասիրելու, համապատասխան տեղեկությունները գտնելու և առաջարկվող գործողությունները նախապատրաստելու համար։
Սակայն ավելի մեծ ավտոմատացումը չի նշանակում մարդու պատասխանատվության վերացում։
Արդյունաբերական միջավայրերում անվտանգությանը, սարքավորումների ամբողջականությանը և արտադրության անընդհատությանը վերաբերող որոշումները պետք է մնան պատշաճ ինժեներական վերահսկողության ներքո։ AI-ի ստեղծած առաջարկությունները պետք է վավերացվեն, իսկ ավտոմատացված գործողությունները պետք է իրականացվեն հստակ սահմանված թույլտվությունների և համակարգային սահմանափակումների շրջանակում։
Նպատակը չպետք է պարզապես ավելի շատ AI օգտագործող գործարաններ ստեղծելը լինի։ Նպատակն է զարգացնել արդյունաբերական գործառնություններ, որոնք ավելի լավ որոշումներ են կայացնում, ավելի արդյունավետ արձագանքում փոփոխվող պայմաններին և պահպանում մարդու պատասխանատվության պատշաճ մակարդակը։
9. Ինժեներական տեսանկյուն. արդյունաբերական AI-ի հաջողությունը սկսվում է գործառնական կարգապահությունից
ABB-ի մոտեցումն արտադրողների համար ընդգծում է ավելի լայն դասը. արդյունաբերական AI-ն առանձին ծրագրային ներդրում չէ։ Այն արդեն գոյություն ունեցող ավտոմատացման, տեղեկատվական և ինժեներական ենթակառուցվածքի ընդլայնումն է։
Ամենամեծ հնարավորությունները, հավանաբար, կի հայտ գան այնտեղ, որտեղ ընկերություններն արդեն ունեն հստակ բացահայտված գործառնական խնդիրներ, բավարար պատմական և իրական ժամանակի տվյալներ, ինչպես նաև վերլուծության արդյունքները գործնական գործողությունների վերածելու կարողություն ունեցող թիմեր։
Ավտոմատացման ինժեներների համար սա նշանակում է, որ AI-ով հզորացված գործառնությունների զարգացումն ավելի ու ավելի է ենթադրելու համագործակցություն կառավարման համակարգերի ինժեներական մասնագետների, չափիչ սարքավորումների մասնագետների, ՏՏ ենթակառուցվածքի, սպասարկման և տվյալագիտության մասնագետների միջև։
Սա նաև նշանակում է, որ չպետք է անտեսել առկա արդյունաբերական ակտիվները։ Շատ գործող ձեռնարկություններ արդեն ունեն արժեքավոր գործառնական տեղեկություններ PLC-ներում, DCS հարթակներում, վիճակի մոնիթորինգի համակարգերում և սպասարկման տվյալների բազաներում։ Այս ռեսուրսների միացումն ու համատեքստի մեջ դիտարկումը կարող են ավելի գործնական մեկնարկային կետ լինել, քան առկա ենթակառուցվածքը փոխարինելը։
Ի վերջո, խելացի արդյունաբերական գործառնությունների անցումը կախված կլինի նրանից, թե ընկերություններն ինչ արդյունավետությամբ կհամատեղեն թվային տեխնոլոգիաներն ու ինժեներական փորձը։ AI-ն կարող է բարելավել տեսանելիությունն ու որոշումների կայացումը, սակայն արդյունաբերական չափելի արժեքը շարունակում է ստեղծվել իրական գործառնական խնդիրների լուծման շնորհիվ։
