Dlaczego AI w fabryce zawodzi bez połączonych danych operacyjnych
DBR77 Team7 min czytania
Na tej stronie
AI w fabryce zawodzi bez połączonych danych operacyjnych, bo model może ustalać ranking, przewidywać lub rekomendować tylko na podstawie tego, co widzi. W większości zakładów potrzebne mu fakty są w osobnych systemach, z różnymi identyfikatorami maszyn, brakującymi przyczynami postojów i bez zapisu tego, co ludzie zrobili potem. Zanim AI zacznie pomagać, zakład potrzebuje wiarygodnych zdarzeń z maszyn, wspólnego modelu zasobów i zleceń, zamkniętych zapisów działań i ścieżki, która każdą rekomendację przyprowadza z powrotem do człowieka, który może na jej podstawie działać.
Budżet na AI często zostaje wydany, zanim ktokolwiek sprawdzi dane, a model jest obwiniany za problem, który powstał wcześniej.
Dlaczego pilotaże AI w zakładach utykają
Odsetek porażek jest wysoki we wszystkich branżach. Badanie RAND z 2024 roku, oparte na wywiadach z 65 inżynierami i badaczami AI, zauważa, że według niektórych szacunków ponad 80% projektów AI kończy się niepowodzeniem, dwa razy częściej niż projekty IT bez AI. Jedna z pięciu wskazanych przyczyn źródłowych to brak w organizacji danych potrzebnych do wytrenowania skutecznego modelu, a 30 z 50 rozmówców z branży opisało utrzymujące się problemy z jakością danych.
Gartner dochodzi do podobnego wniosku od strony danych. Przewiduje, że do końca 2026 roku organizacje porzucą 60% projektów AI, które nie mają wsparcia w danych gotowych na AI, a 63% organizacji albo nie ma właściwych praktyk zarządzania danymi dla AI, albo nie wie, czy je ma.
W zakładzie analityk danych zwykle dostaje jednorazowy eksport: wartości z czujników z jednego systemu, zlecenia pracy z drugiego, braki z arkusza kalkulacyjnego. Model wypada dobrze na tej historii, potem zostaje uruchomiony i niczego nie zmienia, bo dane na żywo nie pasują do eksportu, a wynik trafia do e-maila, za który nikt nie odpowiada.
Model na wyeksportowanych danych o drganiach sygnalizuje zużycie łożyska w sprężarce 2.
Pięć rodzajów danych potrzebnych AI w operacjach
AI w operacjach musi wiedzieć, do czego należy dana wartość, co ludzie z nią zrobili i co stało się potem.
| Rodzaj danych | Przykład | Gdzie często są dziś | Co zawodzi bez nich |
|---|---|---|---|
| Zdarzenia z maszyn | Stany, liczniki, przyczyny postojów, wartości stanu technicznego | PLC, SCADA, osobne narzędzie IoT | Model widzi liczby, ale nie postoje ani ich przyczyny |
| Kontekst | Identyfikator zasobu, zlecenie pracy, produkt, partia materiału, zmiana, rola | MES, ERP, arkusze kalkulacyjne | Ostrzeżenia nie da się powiązać ze zleceniem ani partią |
| Działania i wyniki | Zlecenia pracy, kontrole, niezgodności, notatki z zamknięcia | CMMS, formularze jakości, papier | Model nigdy się nie dowiaduje, która rada zadziałała |
| Plan | Harmonogram, przezbrojenia, dostępność materiału | APS, ERP, własny plik planisty | Dobra poprawka jest podpowiadana w najgorszym momencie |
| Wiedza praktyczna | SOP, dzienniki utrzymania ruchu, dawne przyczyny źródłowe | Dyski współdzielone, segregatory, głowy ludzi | Odpowiedzi są ogólne, a nie o Twoim zakładzie |
Jakość opisu danych jest równie ważna jak ich ilość. W badaniu Chalmers surowych danych OEE z 23 firm i 884 maszyn prawie połowy zarejestrowanych strat nie dało się sklasyfikować, bo brakowało kategorii strat albo były słabo opisane. Model wytrenowany na „nieznanych” nie uczy się niczego przydatnego. O tym, jakie sygnały z maszyn w ogóle warto zbierać, przeczytasz w artykule Jakie dane zbierać z maszyn.
Dlaczego przepływ jest ważniejszy niż ilość
Wiele zakładów odpowiada na problem z danymi jeziorem danych (data lake), które pomaga w raportowaniu, ale zbiera dane i nie zwraca decyzji na halę. AI w operacjach potrzebuje pętli: zdarzenie wchodzi, rekomendacja wychodzi, człowiek ją przyjmuje lub odrzuca, działanie zostaje zapisane, a wynik wraca jako nowe dane.
Przykład ilustracyjny: zakład ma cztery sprężarki powietrza. Model predykcyjny zbudowany na wyeksportowanych danych o drganiach sygnalizuje zużycie łożyska w sprężarce 2 i wysyła co tydzień plik PDF do kierownika utrzymania ruchu. CMMS to osobny system, więc nikt nie łączy ostrzeżenia ze zleceniem pracy. Technik wymienia łożysko w czwartek podczas planowanego postoju i zapisuje na papierze „hałas, wymieniono łożysko”. Trzy tygodnie później nikt nie potrafi powiedzieć, czy model miał rację, zadziałał za wcześnie, czy po prostu trafił, a zaufanie do niego spada.
W połączonym przepływie to samo ostrzeżenie otwiera rekomendację powiązaną z identyfikatorem zasobu. Planista zatwierdza ją jako zlecenie pracy, technik zamyka je z ustaleniami i zdjęciem, a zamknięcie wraca do modelu jako opisany wynik. W obu wersjach model jest ten sam, ale tylko połączony przepływ dostarcza mu opisane wyniki, na których może się uczyć.
Test gotowości dla jednej linii
Przeprowadź ten test „tak lub nie” na jednej linii, zanim kupisz lub zbudujesz jakąkolwiek AI.
- Jedna lista zasobów. Ta sama maszyna ma ten sam identyfikator w danych z maszyn, w utrzymaniu ruchu i w produkcji.
- Postoje mają przyczyny. „Nieznane” to mały udział minut przestoju, a lista przyczyn jest stabilna od tygodni.
- Zdarzenia mają kontekst. Postój lub wadę można powiązać ze zleceniem, produktem, partią materiału i zmianą bez ręcznego wyszukiwania.
- Działania są zamykane w systemie. Zlecenia pracy i działania jakościowe mają zapis zamknięcia z tym, co zrobiono, a nie tylko status.
- Każdy wynik ma właściciela. Każdy typ rekomendacji ma wskazaną rolę, która go otrzymuje, i czas na reakcję.
- Jest droga powrotna. Wynik działania jest przechowywany tam, gdzie model może go odczytać.
Jeśli cztery lub więcej odpowiedzi to „nie”, przeznacz następny kwartał na dane i przepływ, a nie na modele. Często najszybszą drogą jest połączenie istniejących systemów; artykuł Jak połączyć MES, WMS, QMS i CMMS bez wymiany wszystkiego pokazuje, jak to zrobić.
Jak to działa w DBR77 IRIS
DBR77 IRIS prowadzi produkcję, utrzymanie ruchu, jakość, magazyn i planowanie na jednym wspólnym modelu danych, więc zdarzenia z maszyn, zlecenia, kontrole i zlecenia pracy są już powiązane, gdy AI je odczytuje. Dane z maszyn pochodzą z DBR77 IIoT: przychodząca telemetria jest sprawdzana według zdefiniowanych schematów i normalizowana, urządzenia są przypisane do stanowisk, a IRIS CMMS przypisuje każde stanowisko do jego zasobu.
Asystent IRIS pracuje na tym wspólnym zapisie. Odpowiada na pytania na podstawie bieżących danych z zakładu oraz baz wiedzy zbudowanych z Twojej dokumentacji maszyn, historii utrzymania ruchu, procesów i produktów, a każda liczba w odpowiedzi pochodzi z narzędzia, które odczytało Twoje dane. Rekomendacje Data & AI pokazują, na czym opiera się ich ocena. O każdej z nich decyduje człowiek, a IRIS zapisuje efekt tych, które zastosowano. Tam, gdzie historii awarii jest mało, DBR77 DT może wygenerować dane symulowane. Gdy ta podstawa już istnieje, artykuł Co AI naprawdę potrafi dziś w operacjach fabryki wyjaśnia, co AI potrafi, a czego nie.
Najczęstsze pytania
Czy przed startem z AI potrzebujemy jeziora danych?
Nie w operacjach. AI w operacjach potrzebuje połączonych zdarzeń na żywo, kontekstu i zamkniętych działań na liniach, na których chcesz zobaczyć wyniki.
Ile historii potrzebuje model?
To zależy od zastosowania. Ranking otwartych spraw albo odpowiedzi na pytania z SOP mogą ruszyć przy niewielkiej historii. Przewidywanie rzadkich awarii wymaga opisanych przykładów, dlatego zapisy zamknięcia mają znaczenie od pierwszego dnia.
Czy możemy użyć danych, które już mamy?
Zwykle tak, gdy zostaną powiązane. Większość zakładów ma surowe dane; brakuje im jednego identyfikatora zasobu, czystych przyczyn i zapisów zamknięcia.
Czy nasze dane muszą opuścić zakład?
Nie, jeśli zabraniają tego zasady Twojej firmy. IRIS może działać w chmurze prywatnej albo w Twoim własnym centrum danych, a w modelu SaaS dane każdej fabryki są przechowywane oddzielnie. Podczas pilotażu uzgodnij, gdzie działa model językowy asystenta IRIS.
Podsumowanie
Zanim sfinansujesz model, przeprowadź na jednej linii sześciopunktowy test gotowości. Jeśli cztery lub więcej odpowiedzi to „nie”, przeznacz następny kwartał na połączenie istniejących systemów, uporządkowanie przyczyn postojów i zamykanie działań w systemie. Potem daj każdemu typowi rekomendacji właściciela i drogę powrotną, żeby model uczył się na tym, co zrobili ludzie.
Źródła
- RAND Corporation, Ryseff, De Bruhl, Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, 2024
- Gartner, Lack of AI-Ready Data Puts AI Projects at Risk, 2025
- Hedman, Subramaniyan, Almström, Analysis of Critical Factors for Automatic Measurement of OEE, Procedia CIRP, 2016