AI w utrzymaniu ruchu

Trudno dziś znaleźć osobę, która nie korzysta z AI. Sztuczna inteligencja pomaga pisać e-maile, tworzyć raporty i proste analizy do pracy, analizować dokumenty czy wyszukiwać informacje w kilka sekund. Coraz częściej wspiera również programistów, handlowców i inżynierów, dzięki czemu „każdy może być specjalistą”.

Nic więc dziwnego, że temat sztucznej inteligencji coraz częściej pojawia się również podczas rozmów pod kątem utrzymania ruchu i systemów CMMS. Tu jednak dobrze jest zapytać, czy warto wykorzystać AI, a co ważniejsze, jak zrobić to rozsądnie?

Jaka może być funkcja AI w utrzymaniu ruchu?

W obszarze utrzymania ruchu sztuczna inteligencja nie powinna zastępować człowieka. Jej zadaniem jest wspieranie pracowników poprzez analizę, podpowiedzi i szybkie wyszukiwanie informacji.

Dobrze wdrożone AI może skrócić czas diagnozy awarii, pomóc w planowaniu prewencji czy wskazać obszary wymagające optymalizacji. Ale z drugiej strony może być również przyczyną znaczących problemów.

Przykład 1. Podpowiedzi podczas dodawania zgłoszenia awarii

Jednym z najprostszych zastosowań AI jest wykorzystanie go do wsparcia operatora lub pracownika produkcji podczas zgłaszania awarii.

Zamiast krótkiego komunikatu:

Maszyna nie działa

system może automatycznie zadawać pytania pomocnicze:

• Czy maszyna zatrzymała się całkowicie?
• Czy pojawił się alarm?
• Kiedy problem wystąpił po raz pierwszy?
• Czy wcześniej występowała podobna sytuacja?
• Czy wykonano już jakieś działania?

Dzięki temu technik utrzymania ruchu otrzymuje znacznie lepiej opisane zgłoszenie i może szybciej rozpocząć diagnozę.

Ryzyko

Jeżeli AI będzie wymagało odpowiedzi na kilkanaście pytań przy każdej awarii czy usterce, pracownicy produkcji szybko zaczną się irytować, wpisywać nieprawidłowe dane, a nawet przestaną dodawać zgłoszenia ze względu na utrudnienia. Należy więc zachować umiar.

Przykład 2. Podpowiedzi podczas wykonywania zgłoszenia przez technika

Technik otwierając zgłoszenie awarii lub usterki może od razu otrzymać informacje o podobnych awariach, które wcześniej wystąpiły na tej samej lub podobnej maszynie.

System może zaproponować:

• podobne przypadki,
• wykonane wcześniej czynności,
• wykorzystane części zamienne,
• dokumentację techniczną,

Dzięki temu nowy pracownik może skorzystać z wiedzy bardziej doświadczonych techników
w szybki sposób.

Ryzyko

Jeżeli sztuczna inteligencja będzie opierała się na pojedynczym przypadku, może zbyt mocno sugerować rozwiązanie, które nie koniecznie musi sprawdzić się w innych. Do tego będzie je zalecać często, bez cienia wątpliwości. Dlatego rekomendacje powinny wynikać z odpowiednio dużej liczby podobnych zdarzeń, a nie z jednego wpisu w historii systemu.

Przykład 3. Propozycje optymalizacji prewencji

Na podstawie historii prewencji system może proponować optymalizacje prewencyjne, czyli wydłużenia lub skrócenia czasu między przeglądami. System może zauważyć, że określony przegląd wykonywany jest co miesiąc, jednak od dwóch lat nie wykryto podczas niego żadnej nieprawidłowości. Jednocześnie inny element ulega regularnym awariom pomiędzy planowanymi przeglądami.

Ryzyko

Jeżeli technicy nie rejestrują rzeczywistych czasów pracy lub listy kontrolne są wypełniane nierzetelnie, AI będzie proponowało optymalizacje na podstawie błędnych danych, które mogą zdestabilizować dobrą prewencję.

Przykład 4. Proponowanie części zamiennych

AI może podpowiadać części najczęściej wykorzystywane przy podobnych awariach, wskazywać zamienniki czy przygotowywać zapotrzebowania.

Ryzyko

Jedno błędne przypisanie części może uruchomić lawinę kolejnych błędów. AI może sugerować zakup niewłaściwych komponentów, mimo że właściwe od miesięcy znajdują się w magazynie. Im większa automatyzacja, tym większe konsekwencje pojedynczego błędu.

Przykład 5. Analiza danych i proponowanie optymalizacji

Największy potencjał AI pojawia się przy analizie dużej liczby danych. System może wskazać najbardziej awaryjne maszyny, rosnące koszty utrzymania czy nieskuteczne działania prewencyjne oraz koszty utrzymania poszczególnych maszyn.

Ryzyko

AI bardzo rzadko odpowiada „nie wiem”. Zamiast tego często buduje przekonująco brzmiące wnioski na podstawie niepełnych lub źle zinterpretowanych danych, co może mieć poważne konsekwencje. Jeśli negatywne skutki złej decyzji już się pojawią, AI na niewiele się przyda. Przyzna jedynie: Masz rację popełniłem błąd.

Co jest potrzebne, aby zacząć korzystać z AI

Wiele firm rozpoczyna rozmowę od pytania, jak wdrożyć AI.

Wcześniej warto odpowiedzieć na inne:

„Do czego właściwie chcemy sztuczną inteligencję wykorzystać?”

Pierwszym krokiem powinno być określenie celu biznesowego. AI nie powinno być wdrażane dlatego, że jest modne, ale dlatego, że ma rozwiązać konkretny problem.

Drugim elementem jest odpowiednio przygotowana baza danych. To pracownicy utrzymania ruchu, operatorzy i specjaliści przez miesiące oraz lata budują wiedzę organizacji poprzez codzienną pracę z systemem CMMS.

Oczywiście można korzystać również z modeli AI opartych na wiedzy ogólnej, jednak należy pamiętać, że nie znają one specyfiki zakładu ani historii. A co gorsze mogą wystąpić ryzyka wycieku danych wrażliwych.

Ogromne znaczenie mają również odpowiednio przygotowane prompty oraz mechanizmy, które pozwolą AI powiedzieć: „Na podstawie obecnych danych nie jestem w stanie udzielić wiarygodnej odpowiedzi.”

To znacznie lepsze rozwiązanie niż tworzenie odpowiedzi „na siłę”.

Na końcu zawsze pozostaje jeszcze doświadczenie człowieka oraz zdrowy rozsądek. Wyniki analiz AI powinny być punktem wyjścia do dyskusji, a nie jedynym źródłem decyzji.

Na co należy uważać?

Największym błędem jest wdrażanie AI równocześnie z systemem CMMS.

Jeżeli organizacja nie posiada historii awarii, rzetelnych opisów napraw ani dobrze prowadzonych danych magazynowych, sztuczna inteligencja będzie próbowała uzupełniać luki własnymi przypuszczeniami.

Drugim zagrożeniem jest ślepe zaufanie odpowiedziom AI.

To, że odpowiedź brzmi profesjonalnie, nie oznacza jeszcze, że jest prawidłowa.

Na końcu pozostaje kwestia bezpieczeństwa danych. Coraz więcej firm zaczyna zadawać sobie pytanie, czy informacje o awariach, technologii czy infrastrukturze powinny trafiać do publicznych modeli AI. To temat, który warto uwzględnić już na etapie planowania architektury rozwiązania.

Podsumowując:

AI niewątpliwie będzie odgrywać coraz większą rolę w utrzymaniu ruchu. Warto jednak pamiętać o kilku zasadach.

• AI jest tylko tak dobre, jak dane, na których pracuje. Bez historii awarii, przeglądów i napraw będzie jedynie zgadywać.
• Najpierw należy zbudować bazę wiedzy organizacji, a dopiero później wykorzystać AI do jej analizy.
• AI powinno pomagać użytkownikowi, a nie komplikować jego codzienną pracę. Jeżeli wykonanie prostego zgłoszenia trwa dwa razy dłużej, to znaczy, że procedura została źle zaprojektowana.
• Każda rekomendacja AI powinna zostać zweryfikowana przez człowieka. Sztuczna inteligencja analizuje dane, ale nie zna całego kontekstu funkcjonowania zakładu.
• Nie warto wdrażać AI tylko dlatego, że jest modne. Warto wdrożyć je wtedy, gdy organizacja posiada już odpowiednią ilość wiarygodnych danych, z których może ono wyciągać wnioski.
• Największą wartością firmy jest wiedza jej pracowników, zanim wszyscy będą nawzajem kopiować to, co mówi AI.