From Industrial AI Pilots to Real Business Value: How ABB Is Connecting Predictive AI and IoT

จากโครงการนำร่อง AI ในภาคอุตสาหกรรมสู่คุณค่าทางธุรกิจที่แท้จริง: ABB เชื่อมโยง AI เชิงคาดการณ์กับ IoT ได้อย่างไร

อุตสาหกรรม ปัญญาประดิษฐ์กำลังก้าวข้ามการใช้งานเชิงทดลอง และกลายเป็นส่วนหนึ่งของการผลิตและการดำเนินงานด้านกระบวนการในชีวิตประจำวัน อย่างไรก็ตาม การสร้างผลตอบแทนที่วัดผลได้ต้องอาศัยมากกว่าการติดตั้งเซ็นเซอร์ที่เชื่อมต่อกันหรือใช้ алгоритึมคาดการณ์ แต่ขึ้นอยู่กับการผสานข้อมูลการดำเนินงาน ความรู้ทางวิศวกรรม ระบบอัตโนมัติ และการตัดสินใจของมนุษย์เข้าด้วยกันเป็นโครงสร้างพื้นฐานดิจิทัลที่ประสานงานกันอย่างเป็นระบบ

Rajesh Ramachandran ประธานเจ้าหน้าที่ฝ่ายดิจิทัลระดับโลกของกลุ่มธุรกิจระบบอัตโนมัติของ ABB เชื่อว่าการผสานเทคโนโลยีอินเทอร์เน็ตในทุกสิ่งสำหรับภาคอุตสาหกรรม (IIoT) เข้ากับ AI เพื่อการคาดการณ์ จะช่วยให้ผู้ผลิตเพิ่มความน่าเชื่อถือของสินทรัพย์ ปรับการใช้พลังงานให้เหมาะสม และมุ่งสู่การดำเนินงานที่เป็นอัตโนมัติมากขึ้น

มุมมองของเขาชี้ให้เห็นถึงความท้าทายสำคัญที่บริษัทอุตสาหกรรมกำลังเผชิญ นั่นคือการเปลี่ยนข้อมูลการดำเนินงานปริมาณมหาศาลให้เป็นการตัดสินใจที่สร้างการปรับปรุงที่วัดผลได้

1. AI และ IoT ในภาคอุตสาหกรรม: ก้าวข้ามการเก็บรวบรวมข้อมูล

อินเทอร์เน็ตในทุกสิ่งสำหรับภาคอุตสาหกรรมกลายเป็นแรงขับเคลื่อนสำคัญของการเปลี่ยนผ่านสู่ดิจิทัล เซ็นเซอร์ที่เชื่อมต่อกัน เครื่องมือวัดอัจฉริยะ และระบบควบคุมที่เชื่อมต่อเครือข่ายช่วยให้ผู้ผลิตรวบรวมข้อมูลการดำเนินงานได้อย่างต่อเนื่อง ขณะเดียวกัน AI เพื่อการคาดการณ์ก็มีความสามารถในการวิเคราะห์ที่จำเป็นต่อการระบุรูปแบบ ตรวจจับสภาวะผิดปกติ และคาดการณ์ความขัดข้องของอุปกรณ์ที่อาจเกิดขึ้น

เทคโนโลยีเหล่านี้มีจุดประสงค์ที่แตกต่างกันแต่ส่งเสริมกัน IoT ช่วยให้มองเห็นอุปกรณ์และกระบวนการทางกายภาพ ส่วน AI จะวิเคราะห์ข้อมูลที่รวบรวมได้และระบุความเสี่ยงที่อาจเกิดขึ้นในการดำเนินงาน

อย่างไรก็ตาม การเก็บข้อมูลเพิ่มไม่ได้ช่วยยกระดับประสิทธิภาพทางอุตสาหกรรมโดยอัตโนมัติ ค่าการสั่นสะเทือนหรือการวัดอุณหภูมิมีประโยชน์ในทางปฏิบัติอย่างจำกัด หากไม่เข้าใจสภาวะการทำงานของอุปกรณ์ ประวัติการบำรุงรักษา และขีดจำกัดทางวิศวกรรม

ในมุมมองของผม ขั้นต่อไปของการเปลี่ยนผ่านสู่ดิจิทัลในภาคอุตสาหกรรมควรให้ความสำคัญกับการเพิ่มความเกี่ยวข้องเชิงวิศวกรรมของข้อมูล มากกว่าการเพิ่มปริมาณข้อมูลที่รวบรวม ข้อมูลที่มีบริบทชัดเจนแม้มีปริมาณน้อยกว่า ก็ช่วยสนับสนุนการตัดสินใจด้านการบำรุงรักษาได้ดีกว่าค่าที่เซ็นเซอร์อ่านได้หลายล้านค่าซึ่งไม่ได้เชื่อมโยงกัน

2. คุณภาพข้อมูลและบริบททางวิศวกรรมเป็นตัวกำหนดประสิทธิภาพของ AI

Ramachandran กล่าวว่า กลยุทธ์ AI เพื่อการคาดการณ์ที่ประสบความสำเร็จควรเริ่มต้นจากปัญหาทางธุรกิจที่กำหนดไว้อย่างชัดเจน

บริษัทอุตสาหกรรมจำเป็นต้องระบุว่าต้องการคาดการณ์อะไร ต้องการคำเตือนล่วงหน้านานเพียงใด และการตัดสินใจด้านปฏิบัติการใดจะได้รับประโยชน์จากการคาดการณ์ดังกล่าว

แนวทางนี้ให้ความสำคัญกับข้อกำหนดทางวิศวกรรมก่อนการเลือกเทคโนโลยี

โมเดลการคาดการณ์จะให้ผลลัพธ์ที่เป็นประโยชน์ได้ก็ต่อเมื่อเชื่อมโยงข้อมูลจากหลายแหล่งเข้าด้วยกัน ซึ่งรวมถึง:

  • เทคโนโลยีการปฏิบัติงาน (OT): ข้อมูลการวัดแบบเรียลไทม์จากเซ็นเซอร์, PLC, แพลตฟอร์ม DCS และระบบควบคุมอื่นๆ
  • เทคโนโลยีสารสนเทศ (IT): ข้อมูลระดับองค์กร บันทึกการผลิต และข้อมูลการปฏิบัติงานที่เกี่ยวข้องกับธุรกิจ
  • เทคโนโลยีวิศวกรรม (ET): ข้อมูลจำเพาะของอุปกรณ์ ความรู้เกี่ยวกับกระบวนการ ขีดจำกัดในการปฏิบัติงาน และเอกสารทางวิศวกรรม
  • บันทึกการบำรุงรักษา: ประวัติการให้บริการอุปกรณ์ ผลการตรวจสอบ รายงานความขัดข้อง และการดำเนินการแก้ไขก่อนหน้านี้

การผสาน OT, IT และ ET ช่วยให้เข้าใจพฤติกรรมของอุปกรณ์ได้ครอบคลุมยิ่งขึ้น

ตัวอย่างเช่น การสั่นสะเทือนของมอเตอร์ที่เพิ่มขึ้นอย่างฉับพลันอาจบ่งชี้ถึงปัญหาทางกลที่กำลังก่อตัว อย่างไรก็ตาม การตีความจะแตกต่างกันไปตามความเร็วรอบของมอเตอร์ สภาวะโหลด ประวัติของตลับลูกปืน และกิจกรรมบำรุงรักษาล่าสุด

นี่จึงเป็นเหตุผลที่ AI ในภาคอุตสาหกรรมต้องอาศัยมากกว่าวิทยาการข้อมูล ความรู้ด้านวิศวกรรมช่วยให้มีบริบทที่ทำให้ผลการวิเคราะห์กลายเป็นข้อมูลปฏิบัติการที่มีความหมาย

3. การผสาน AI เชิงคาดการณ์เข้ากับระบบอุตสาหกรรมที่มีอยู่

อุปสรรคสำคัญที่สุดประการหนึ่งของการนำ AI มาใช้ในอุตสาหกรรมอาจไม่ใช่การพัฒนาโมเดลเสมอไป แต่อยู่ที่การผสานข้อมูลเชิงลึกจาก AI เข้ากับขั้นตอนการทำงานปฏิบัติการที่มีอยู่

โมเดลเชิงคาดการณ์อาจตรวจพบสภาวะผิดปกติได้อย่างแม่นยำสูง แต่คุณค่าของโมเดลยังมีจำกัด หากทีมบำรุงรักษาไม่ได้รับข้อมูลทันเวลา หรือไม่สามารถระบุได้ว่าควรดำเนินการอย่างไร

Ramachandran เน้นย้ำว่าโซลูชัน AI ต้องผสานรวมกับระบบที่มีอยู่อย่างปลอดภัย และต้องกำหนดผู้รับผิดชอบในการดำเนินการตามคำแนะนำอย่างชัดเจน

สำหรับโรงงานอุตสาหกรรม จำเป็นต้องคำนึงถึงข้อพิจารณาเชิงปฏิบัติหลายประการ:

  • การผสานรวมกับโครงสร้างพื้นฐานด้านระบบอัตโนมัติและการตรวจสอบที่มีอยู่
  • การสื่อสารที่ปลอดภัยระหว่างระบบปฏิบัติการและระบบองค์กร
  • การเข้าถึงข้อมูลอุปกรณ์แบบเรียลไทม์และข้อมูลย้อนหลังอย่างเหมาะสม
  • การจัดลำดับความสำคัญของสัญญาณเตือนและขั้นตอนการแจ้งซ่อมบำรุงที่ชัดเจน
  • การกำหนดผู้รับผิดชอบในการตรวจสอบและอนุมัติคำแนะนำจาก AI
  • การประเมินประสิทธิภาพของโมเดลและผลการปฏิบัติงานอย่างต่อเนื่อง

จากมุมมองด้านวิศวกรรมระบบอัตโนมัติ AI ควรเสริมสถาปัตยกรรมการควบคุมและการป้องกันที่มีอยู่ แทนที่จะเพิ่มความซับซ้อนโดยไม่จำเป็น

การวิเคราะห์เชิงคาดการณ์ช่วยสนับสนุนการวางแผนบำรุงรักษาและการเพิ่มประสิทธิภาพการปฏิบัติงานได้ แต่ฟังก์ชันควบคุมที่เกี่ยวข้องกับความปลอดภัยและกลไกป้องกันที่สำคัญต้องคงขอบเขตทางวิศวกรรมที่กำหนดไว้

4. ABB Genix: การสร้างแพลตฟอร์ม Industrial AIoT

ABB กำลังรับมือกับความท้าทายด้านการผสานรวมเหล่านี้ผ่านแพลตฟอร์ม ABB Genix Industrial IoT and AI

แพลตฟอร์มนี้ออกแบบมาเพื่อเชื่อมโยงข้อมูลอุตสาหกรรม เพิ่มบริบทให้ข้อมูล และนำการวิเคราะห์ไปใช้ในชั้นการปฏิบัติงานต่างๆ โดยมีจุดประสงค์เพื่อช่วยให้องค์กรเพิ่มประสิทธิภาพ ความน่าเชื่อถือของสินทรัพย์ และความยั่งยืน ผ่านการใช้ข้อมูลอุตสาหกรรมอย่างประสานสอดคล้องกันมากขึ้น

แนวทางที่ใช้แพลตฟอร์มเป็นฐานมีความเกี่ยวข้องเป็นพิเศษกับโรงงานอุตสาหกรรมขนาดใหญ่ ซึ่งอุปกรณ์ ระบบควบคุม และแอปพลิเคชันด้านการบำรุงรักษามักทำงานอยู่ในสภาพแวดล้อมข้อมูลที่แยกจากกัน

แทนที่จะติดตั้งแอปพลิเคชัน AI แบบแยกส่วนสำหรับเครื่องจักรแต่ละเครื่อง ผู้ผลิตสามารถมุ่งสู่สถาปัตยกรรมที่บูรณาการมากขึ้น ซึ่งรองรับการนำเข้าข้อมูล การบูรณาการ การวิเคราะห์ และการเพิ่มประสิทธิภาพ

นอกจากนี้ยังเปิดโอกาสให้ขยายการใช้งานที่ประสบความสำเร็จไปยังสายการผลิตและโรงงานหลายแห่ง

อย่างไรก็ตาม การติดตั้งแพลตฟอร์มเพียงอย่างเดียวไม่ได้รับประกันว่าจะปรับปรุงการดำเนินงานได้ การกำกับดูแลข้อมูล การบูรณาการระบบ การตรวจสอบความถูกต้องทางวิศวกรรม และการยอมรับของบุคลากร ยังคงเป็นส่วนสำคัญของกระบวนการนำไปใช้งาน

5. ก้าวพ้นภาวะติดอยู่กับโครงการนำร่อง: ขยาย AI ทั่วทั้งการดำเนินงานภาคอุตสาหกรรม

ผู้ผลิตจำนวนมากประสบความสำเร็จในการสาธิตการใช้งาน AI กับเครื่องจักรหรือกระบวนการผลิตแต่ละรายการแล้ว แต่สิ่งที่ยากกว่าคือการขยายผลไปทั่วทั้งโรงงานหรือทั้งองค์กร

สถานการณ์นี้มักเรียกว่า ภาวะติดอยู่กับโครงการนำร่อง: โครงการดิจิทัลที่มีแนวโน้มดีหยุดอยู่แค่การสาธิตที่แยกส่วน แทนที่จะพัฒนาเป็นขีดความสามารถในการดำเนินงานที่ใช้งานได้จริง

Ramachandran ชี้ว่าภาวะผู้นำขององค์กรเป็นปัจจัยสำคัญในการเอาชนะปัญหานี้ บริษัทต่างๆ จำเป็นต้องมีเป้าหมายทางธุรกิจที่ชัดเจน โครงสร้างพื้นฐานดิจิทัลที่เหมาะสม และความร่วมมือระหว่างทีมเทคโนโลยีกับบุคลากรฝ่ายปฏิบัติการ

ในทางปฏิบัติ การขยายการใช้ AI ในภาคอุตสาหกรรมจำเป็นต้องแก้ไขความท้าทายหลายประการ:

  • ไซโลข้อมูล: ข้อมูลต้องเข้าถึงได้จากระบบปฏิบัติการและระบบธุรกิจที่เกี่ยวข้อง
  • โครงสร้างพื้นฐานเดิม: สภาพแวดล้อมของ PLC, DCS, SCADA และระบบจัดการสินทรัพย์ที่มีอยู่ อาจต้องมีการวางแผนบูรณาการอย่างรอบคอบ
  • การยอมรับของบุคลากร: วิศวกรและเจ้าหน้าที่ซ่อมบำรุงต้องเข้าใจว่าควรนำคำแนะนำจาก AI ไปใช้ในการทำงานอย่างไร
  • ความรับผิดชอบด้านการดำเนินงาน: ต้องกำหนดผู้รับผิดชอบในการตรวจสอบผลลัพธ์และเริ่มดำเนินการของแอปพลิเคชัน AI แต่ละรายการให้ชัดเจน
  • กลยุทธ์การนำไปใช้งาน: ควรขยายการใช้งานที่ประสบความสำเร็จตามคุณค่าที่พิสูจน์ได้ต่อการดำเนินงาน ไม่ใช่เพียงเพราะมีเทคโนโลยีพร้อมใช้งาน

ฉันเชื่อว่าผู้ผลิตควรหลีกเลี่ยงการมองว่าการนำ AI มาใช้เป็นการแข่งขันเพื่อทำให้ทุกกระบวนการเป็นอัตโนมัติ กลยุทธ์ที่ใช้ได้จริงกว่าคือการระบุปัญหาในการดำเนินงานที่เกิดซ้ำ ตรวจสอบความถูกต้องของโซลูชันในสภาพแวดล้อมที่ควบคุมได้ และขยายการใช้งานเฉพาะเมื่อพิสูจน์ให้เห็นประโยชน์ได้แล้ว

6. การวัดผลตอบแทนจากการลงทุนใน AI ภาคอุตสาหกรรมผ่านประสิทธิภาพการดำเนินงาน

สำหรับการใช้งานในภาคอุตสาหกรรม ไม่ควรประเมินประสิทธิภาพของ AI จากความแม่นยำของโมเดลเพียงอย่างเดียว

อัลกอริทึมที่น่าประทับใจในเชิงเทคนิคไม่ได้สร้างมูลค่าทางธุรกิจเสมอไป ผลที่เกิดขึ้นต้องสะท้อนให้เห็นผ่านการปรับปรุงที่วัดผลได้ เช่น ความพร้อมใช้งานของอุปกรณ์ ผลผลิต ต้นทุนการบำรุงรักษา การใช้พลังงาน และความปลอดภัยในการปฏิบัติงาน

จุดเริ่มต้นที่เหมาะสมคือการกำหนดค่าฐานของการปฏิบัติงานก่อนนำ AI เชิงคาดการณ์มาใช้

ตัวอย่างเช่น หากระบบบำรุงรักษาเชิงคาดการณ์แจ้งเตือนได้เร็วพอที่จะป้องกันการหยุดทำงานของอุปกรณ์โดยไม่คาดคิด ก็สามารถประเมินผลประโยชน์ทางการเงินได้จากการเปรียบเทียบกับความสูญเสียจากการผลิตที่หลีกเลี่ยงได้ ค่าใช้จ่ายในการบำรุงรักษาฉุกเฉิน และความเสียหายที่อาจเกิดขึ้นกับอุปกรณ์อื่น

ABB ได้นำเสนอกรณีการใช้งานที่เกี่ยวข้องกับการตรวจจับความผิดปกติแบบหลายตัวแปรในโซลูชัน Genix Asset Performance Management

ตามที่รามาจันดรันกล่าวไว้ การติดตั้งระบบให้ลูกค้าในช่วงที่ผ่านมาได้ตรวจพบความเป็นไปได้ที่อุปกรณ์จะขัดข้องล่วงหน้าหกถึงสิบวัน ช่วงเวลาเตือนนี้ช่วยให้ทีมบำรุงรักษามีเวลาเพิ่มเติมในการตรวจสอบสภาวะผิดปกติและจัดเตรียมการแก้ไข

อย่างไรก็ตาม ต้องประเมินคุณภาพของการคาดการณ์อย่างรอบคอบ

ผลบวกลวงอาจนำไปสู่การตรวจสอบและกิจกรรมบำรุงรักษาที่ไม่จำเป็น ขณะที่การแจ้งเตือนที่พลาดไปอาจทำให้อุปกรณ์การผลิตเผชิญความเสี่ยงในการปฏิบัติงานอย่างมีนัยสำคัญ

ด้วยเหตุนี้ จึงควรประเมินประสิทธิภาพของ AI ในภาคอุตสาหกรรมจากทั้งตัวชี้วัดทางเทคนิคและผลลัพธ์ด้านการบำรุงรักษาที่เกิดขึ้นจริง

7. การวิเคราะห์เชิงคาดการณ์ ข้อมูลเชิงลึกเพื่อกำหนดแนวทางปฏิบัติ และดิจิทัลทวิน

AI ในภาคอุตสาหกรรมกำลังค่อยๆ ก้าวพ้นการระบุว่าอะไรอาจเกิดขึ้น ไปสู่การอธิบายว่าเหตุใดเหตุการณ์จึงมีแนวโน้มจะเกิดขึ้น และการแนะนำว่าควรทำอะไรต่อไป

การวิเคราะห์เชิงคาดการณ์ระบุสภาวะที่อาจเกิดขึ้นในอนาคต การวิเคราะห์เชิงกำหนดประเมินแนวทางตอบสนองที่เป็นไปได้ ขณะที่การวิเคราะห์เชิงสาเหตุช่วยตรวจสอบปัจจัยเบื้องหลังที่มีส่วนทำให้เกิดพฤติกรรมผิดปกติ

ดิจิทัลทวินช่วยขยายขีดความสามารถเหล่านี้ด้วยการสร้างแบบจำลองเสมือนของสินทรัพย์ กระบวนการ หรือระบบทางกายภาพ เมื่อเชื่อมต่อกับข้อมูลการปฏิบัติงานแบบเรียลไทม์ แบบจำลองการจำลองสถานการณ์จะช่วยให้วิศวกรประเมินสถานการณ์การปฏิบัติงานต่างๆ ก่อนปรับเปลี่ยนอุปกรณ์จริง

การผสานนี้มีประโยชน์ที่อาจเกิดขึ้นหลายประการ:

  • ระบุสภาวะการปฏิบัติงานที่ผิดปกติได้เร็วขึ้น
  • ทำความเข้าใจกลไกที่อาจทำให้อุปกรณ์ขัดข้องได้ดียิ่งขึ้น
  • ประเมินกลยุทธ์การบำรุงรักษาหรือการปฏิบัติงานทางเลือก
  • ลดความไม่แน่นอนในการประเมินการเปลี่ยนแปลงกระบวนการที่เสนอ
  • การตัดสินใจที่มีข้อมูลประกอบดียิ่งขึ้นโดยอิงจากสถานการณ์การปฏิบัติงาน

ในความเห็นของผม การผสานการวิเคราะห์เชิงคาดการณ์เข้ากับดิจิทัลทวินอาจมีคุณค่าเป็นพิเศษสำหรับกระบวนการอุตสาหกรรมที่ซับซ้อน แทนที่จะแจ้งวิศวกรเพียงว่าพารามิเตอร์หนึ่งเกินช่วงปกติ ระบบในอนาคตควรช่วยอธิบายสาเหตุที่เป็นไปได้และประเมินผลกระทบจากการดำเนินการแก้ไขแต่ละแบบมากขึ้น

8. AI แบบเอเจนต์กับอนาคตของการปฏิบัติงานอุตสาหกรรมแบบอัตโนมัติ

เมื่อมองไปข้างหน้า Ramachandran คาดว่าความสามารถของ AI เชิงคาดการณ์ AI เชิงแนะนำ และ AI เชิงสร้างสรรค์จะทำงานประสานกันใกล้ชิดยิ่งขึ้น โดยมี AI แบบเอเจนต์ช่วยเชื่อมโยงข้อมูลเชิงลึกจากการวิเคราะห์เข้ากับขั้นตอนการปฏิบัติงาน

AI เชิงคาดการณ์สามารถระบุความเสี่ยงที่เริ่มก่อตัวได้ AI เชิงสร้างสรรค์ช่วยวิศวกรตีความข้อมูลทางเทคนิค ส่วน AI แบบเอเจนต์ช่วยสนับสนุนการดำเนินขั้นตอนงานและประสานงานต่างๆ ภายในขอบเขตการปฏิบัติงานที่กำหนดไว้

การพัฒนานี้อาจเปลี่ยนวิธีที่บุคลากรในภาคอุตสาหกรรมมีปฏิสัมพันธ์กับระบบอัตโนมัติ

แทนที่จะตรวจดูแดชบอร์ดหลายรายการ บันทึกการบำรุงรักษา และเอกสารทางวิศวกรรมด้วยตนเอง บุคลากรอาจใช้ระบบช่วยเหลือด้วย AI มากขึ้นเพื่อวิเคราะห์สภาพอุปกรณ์ ค้นหาข้อมูลที่เกี่ยวข้อง และจัดเตรียมแนวทางการดำเนินการที่แนะนำ

อย่างไรก็ตาม การเพิ่มระบบอัตโนมัติไม่ได้หมายถึงการตัดความรับผิดชอบของมนุษย์ออกไป

ในสภาพแวดล้อมอุตสาหกรรม การตัดสินใจที่เกี่ยวข้องกับความปลอดภัย ความสมบูรณ์ของอุปกรณ์ และความต่อเนื่องของการผลิตต้องอยู่ภายใต้การกำกับดูแลด้านวิศวกรรมที่เหมาะสม คำแนะนำที่ AI สร้างขึ้นต้องผ่านการตรวจสอบยืนยัน และการดำเนินการอัตโนมัติต้องอยู่ภายใต้สิทธิ์และข้อจำกัดของระบบที่กำหนดไว้อย่างชัดเจน

เป้าหมายไม่ควรเป็นเพียงการสร้างโรงงานที่ใช้ AI มากขึ้น แต่ควรพัฒนาการปฏิบัติงานในภาคอุตสาหกรรมให้ตัดสินใจได้ดีขึ้น ตอบสนองต่อสภาวะที่เปลี่ยนแปลงได้อย่างมีประสิทธิภาพยิ่งขึ้น และคงไว้ซึ่งความรับผิดชอบของมนุษย์ในระดับที่เหมาะสม

9. มุมมองด้านวิศวกรรม: ความสำเร็จของ AI ในภาคอุตสาหกรรมเริ่มต้นจากวินัยในการปฏิบัติงาน

แนวทางของ ABB ชี้ให้เห็นบทเรียนที่กว้างกว่านั้นสำหรับผู้ผลิต: AI ในภาคอุตสาหกรรมไม่ใช่การลงทุนในซอฟต์แวร์ที่แยกขาดจากส่วนอื่น แต่เป็นการต่อยอดโครงสร้างพื้นฐานด้านระบบอัตโนมัติ สารสนเทศ และวิศวกรรมที่มีอยู่เดิม

โอกาสที่โดดเด่นที่สุดน่าจะเกิดขึ้นเมื่อบริษัทมีปัญหาการปฏิบัติงานที่ระบุได้ชัดเจน มีข้อมูลย้อนหลังและข้อมูลเรียลไทม์เพียงพอ และมีทีมที่สามารถแปลงข้อค้นพบจากการวิเคราะห์ให้เป็นการดำเนินการจริงได้

สำหรับวิศวกรระบบอัตโนมัติ นั่นหมายความว่าการพัฒนาการปฏิบัติงานที่ใช้ AI จะต้องอาศัยความร่วมมือระหว่างวิศวกรรมระบบควบคุม งานเครื่องมือวัด โครงสร้างพื้นฐาน IT การบำรุงรักษา และวิทยาการข้อมูลมากขึ้นเรื่อยๆ

นอกจากนี้ ยังหมายความว่าไม่ควรมองข้ามสินทรัพย์อุตสาหกรรมที่มีอยู่แล้ว โรงงานที่ดำเนินงานมานานหลายแห่งมีข้อมูลการปฏิบัติงานอันมีค่าอยู่ใน PLC แพลตฟอร์ม DCS ระบบตรวจสอบสภาพ และฐานข้อมูลการบำรุงรักษา การเชื่อมโยงและจัดบริบทให้ทรัพยากรเหล่านี้อาจเป็นจุดเริ่มต้นที่ใช้งานได้จริงกว่าการเปลี่ยนโครงสร้างพื้นฐานเดิม

ท้ายที่สุด การเปลี่ยนผ่านสู่การปฏิบัติงานในภาคอุตสาหกรรมที่ชาญฉลาดจะขึ้นอยู่กับว่าบริษัทต่างๆ ผสานเทคโนโลยีดิจิทัลเข้ากับประสบการณ์ด้านวิศวกรรมได้อย่างมีประสิทธิภาพเพียงใด AI ช่วยให้มองเห็นข้อมูลได้ชัดเจนขึ้นและตัดสินใจได้ดีขึ้น แต่คุณค่าที่วัดผลได้ในภาคอุตสาหกรรมยังคงเกิดจากการแก้ปัญหาการปฏิบัติงานจริง

จากโครงการนำร่อง AI ในอุตสาหกรรมสู่คุณค่าทางธุรกิจที่แท้จริง: ABB เชื่อมโยง AI เชิงคาดการณ์กับ IoT อย่างไร
โพสต์ก่อนหน้า