Waarom de meeste fabrieken niet klaar zijn voor AI

Om de grote belofte van AI in de maakindustrie samen te vatten, zal het in staat zijn om:

• massa's gegevens doorzoeken om naar een antwoord te zoeken,
• de gegevens zonder coderingskennis in natuurlijke taal opvragen,
• analyses, trends en inzichten genereren...

... zodat operators, ingenieurs en supervisors zich kunnen concentreren op het nemen van beslissingen. Dat is tenminste waar het begint voor fabrikanten die ermee bezig willen zijn.

The Reality: Een gebouw zonder fundament

‍

Maar dat is niet waar de meeste fabrikanten zich tegenwoordig bevinden. Er is een groot verschil tussen de verwachting waarbij fabrikanten vinden dat ze zo snel mogelijk moeten beginnen met de implementatie van AI in hun processen en de realiteit.

De gemeenschap is zich daar ook terdege van bewust.

‍

In feite, in een onderzoek door pwc en Microsoft, noemde maar liefst 42% van de deelnemers datakwaliteit - of het gebrek daaraan - de grootste uitdaging bij de implementatie van AI.

Het lijkt erop dat voor de meeste spelers in procesproductie het proberen om AI onmiddellijk te implementeren hetzelfde is als proberen te rennen voordat je kunt lopen.

De hoofdoorzaak: wat weerhoudt procesfabrikanten ervan om AI succesvol toe te passen

Zoals de zaken er nu voor staan, zijn de meeste fabrikanten nog ver verwijderd van het realiseren van die belofte om industriële AI te implementeren. Deskundigen in de branche hebben dat ook gezegd.

Datakwaliteit en -fragmentatie

1. Verspreide gegevens: volgens een MAPI-rapport over AI in de maakindustrie een van de grootste uitdagingen voor fabrikanten is „een gebrek aan interoperabiliteit tussen apparatuur dat de gegevensintegratie die nodig is om AI-toepassingen te ondersteunen, uitsluit”. Eenvoudig gezegd, machines die gegevens niet op een gebruikelijke manier delen, gegevens die niet worden gecombineerd tot een enkele dataset. Sensoren van afzonderlijke machines, afzonderlijke systemen die gegevens invoeren in afzonderlijke databases. Zonder dat wordt het onmogelijk om te beginnen met analyseren.
2. Garbage in, garbage out: Gegevens zonder context en beschrijvingen over wat de gegevens vertegenwoordigen, welke eenheid eraan gekoppeld moet worden en wat de veilige marges zijn, maken van analyses een vervelende taak als ze handmatig worden uitgevoerd, en een potentieel onnauwkeurige taak als inzichten worden gegenereerd met behulp van AI. Om zelfs maar te beginnen met het implementeren van AI-analyses of het opvragen van informatie wanneer dat nodig is, heb je gestructureerde, schaalbare gegevens nodig waaraan context is gekoppeld.

AI-redenering is nog steeds een zwarte doos

In een eerdere chat, Jeroen Coussement, CEO van Factry, bracht een uitdaging ter sprake die nog moet worden aangepakt:

„LLM's zijn grote complexe neurale netwerken die werken als blackboxes.”

Het is moeilijk te begrijpen hoe LLM's werken en nog moeilijker om in kaart te brengen hoe ze tot een bepaalde conclusie komen. Bij ideevorming en creatieve toepassingen is dat geen probleem.

Maar bij het rapporteren over cijfers en gegevens komt vertrouwen voort uit transparantie in de communicatie over hoe de LLM tot een bepaalde conclusie is gekomen, en dat elke keer accuraat is.

Bezorgdheid over gegevensbeveiliging

In het onderzoek van pwc en Microsoft AI in Operations stonden IT en Data Security op de tweede plaats op de lijst van uitdagingen.

LLM's verwerken momenteel grote hoeveelheden gevoelige gegevens zonder dat er voldoende gegevensbescherming of beveiliging aanwezig is. Veel van de gegevens in kwestie zijn privé en moeilijk toegankelijk.

De lijst eindigt hier natuurlijk niet. Er bestaan nog steeds uitdagingen met geschoold personeel. Natuurlijk vraag je dan...

Dus waar moet je beginnen met het implementeren van AI in de maakindustrie?

1. Begin met een plan

In sommige gevallen beginnen mensen met AI als de oplossing die ze willen implementeren, en zoeken ze vervolgens naar problemen die daarmee kunnen worden opgelost. Maar als je een hamer bent, ziet alles eruit als een spijker. Dat is waarschijnlijk de verkeerde aanpak.

De juiste aanpak: Begin met een businesscase. Welk probleem probeer je op te lossen met AI? Heb je zelfs AI nodig om dat probleem op te lossen? Als je na beraadslaging tot een bonafide use case komt, kun je doorgaan naar de volgende stap.

2. Gegevens verzamelen en centraliseren

Verzamel gegevens van sensoren via PLC, SCADA of handmatig verzamelde gegevens in één enkele bron van waarheid. Omdat gegevens voortdurend van meerdere machines binnenkomen, in afzonderlijke Excel-sheets worden gedumpt, op papier worden opgeslagen en handmatig ingevulde formulieren worden ingevuld, kan het een uitdaging zijn om te weten welk type gegevens waar worden opgeslagen.

3. Verrijk je data

a. Context aan de gegevens toevoegen

Metagegevens en beschrijvingen van tags toevoegen. Is het een temperatuurmeting? In welke eenheid zit het? Wat zijn de maximale en minimale waarden die kunnen worden gebruikt? Wat is het normale bereik voor deze meting?

b. Datasemantiek en -structuur toevoegen

Enterprise  
└── Site  
    └── Area A  
        └── Line 1  
        |   └── Mixer
        |       └── Level
        |       └── Batch
        └── Storage Tank 1
            ├── Material
            └── Level

‍


Weten hoe uw planten, productlijnen en machines aan elkaar gerelateerd zijn, bijvoorbeeld in een assetmodel, kan een AI meer context geven. In dit geval kan het bijvoorbeeld een pH-waarde koppelen aan de juiste opslagtank. Hier is hoe je dat kunt doen in Factory Historian.

4. Maak standaardgebeurtenissen en belangrijke berekeningen

Een tijdvenster instellen of Evenementen die de manier waarop u werkt weergeven, kunnen helpen bij het berekenen en vergelijken van aggregaten tussen die gebeurtenissen. Als batchmonitoring bijvoorbeeld een interessante toepassing is voor AI-implementatie, kunt u een productiebatch instellen als een gebeurtenis, waarbij u mogelijk de hoeveelheid energie die een batch verbruikt, kunt controleren en deze vergelijken met een basislijn.

En soms vertelt een meting zelf slechts een deel van het verhaal. Stel dat u elke minuut de energie-efficiëntie van een proces wilt weten en u wilt dat AI die informatie ophaalt. Daarvoor wil je instellen Berekeningen voor KPI's die je eigenlijk wilt dat de AI ophaalt, bijvoorbeeld. Energieverbruik/geproduceerde hoeveelheid.

Kortom, hoe meer context, structuur en relaties je voor de data kunt creëren, hoe zekerder je kunt zijn als je die aan AI toevoegt en hoe meer je op de suggesties van AI kunt vertrouwen.

5. AI-analyse

Door te investeren in de kwaliteit van je data en een sterke gegevensbasis op te bouwen, ben je goed voorbereid op AI-analyse.

Er zijn twee manieren om dit te doen:

1. Exporteer de gegevens naar een AI-analyseplatform: Met een open platform zoals Factry Historian is het net zo eenvoudig om gegevens te verzamelen als om ze te exporteren en te integreren met uw analyseplatform naar keuze.
2. (Binnenkort beschikbaar!) Stel Factry Historian vragen als een mens: De MCP-server voor Factry Historian is onderweg. Binnenkort kun je hem vragen om de temperatuur op Mixer 2 voor Batch 412 in kaart te brengen of om een rapport op te halen. We kunnen niet wachten om binnenkort meer te delen!

Iets om naar uit te kijken

Samenvattend: de status quo is onhoudbaar gezien de ambities van fabrikanten om van niets naar alles te gaan. Maar ze missen een aantal stappen: een reden om AI te implementeren en een solide gegevensbasis die dit kan ondersteunen.

Kortom: afhankelijk van in welke fase je je bevindt, Fabriek kan u nu al helpen om van geen gegevensverzameling naar gegevens gereed te zijn en AI-inzichten te verkrijgen. Neem contact op voor een korte demo!

‍