Razlika med napovedno analitiko in nadzorom v realnem času v industrijski umetni inteligenci

Uvod

Jezik, ki se uporablja v zvezi z umetno inteligenco v industrijskih operacijah, ima problem z zgoščevanjem. Izrazi, kot so prediktivna analitika, nadzor v realnem času, strojno učenje in avtonomne operacije, se v gradivih ponudnikov in poročanju o industriji uporabljajo zamenljivo, kar ustvarja vtis, da opisujejo različice istega pojava. A to ni res.

Prediktivna analitika in nadzor v realnem času sta ločeni zmogljivosti. Delujeta na različnih podatkih, delujeta v različnih časovnih okvirih in ustvarjata različne vrste vrednosti. Zamešavanje teh dveh pojmov vodi do neusklajenih pričakovanj, slabih nakupnih odločitev in uvajanja umetne inteligence, ki ne dosega pričakovanih rezultatov, ker je bila prodana kot ena stvar, uvedena pa kot druga.

Za kupce programske opreme in ekipe za digitalno strategijo, ki ocenjujejo industrijske platforme umetne inteligence, je razumevanje te razlike temeljnega pomena. Vprašanje ni, ali platforma uporablja umetno inteligenco; skoraj vse jo uporabljajo. Vprašanje je, kaj umetna inteligenca dejansko počne, ko se razmere v proizvodnji spremenijo.

Kaj počne prediktivna analitika

Prediktivna analitika se v industrijskem kontekstu ukvarja s predvidevanjem prihodnjih stanj na podlagi zgodovinskih vzorcev. Obdeluje operativne podatke, identificira statistične odnose med spremenljivkami in ustvarja napovedi: ta oprema bo verjetno odpovedala v naslednjih 72 urah; ta objekt kaže težnjo k prekoračitvi porabe energije; ta proizvodna serija je izpostavljena povečanemu tveganju odstopanja od kakovosti.

Vrednost te zmogljivosti je resnična in dobro dokumentirana. Raziskava, objavljena v reviji Sensors založbe MDPI, je ugotovila, da sistemi prediktivnega vzdrževanja, ki jih poganja umetna inteligenca, s povezovanjem podatkov senzorjev v realnem času z napredno analitiko omogočajo neprekinjeno učenje in odločanje, ki upošteva kontekst, kar bistveno presega tradicionalne pristope vzdrževanja, ki temeljijo na stanju. Sposobnost predvidevanja okvare namesto odzivanja nanjo pomembno spreminja ekonomiko upravljanja sredstev.

A napoved ni ukrep. Prediktivna analitika operaterju pove, da se bo verjetno nekaj zgodilo. Kaj bo operater s to informacijo naredil, je še vedno človeška odločitev, izvedena prek katerih koli nadzornih sistemov, ki so na voljo. V vrzeli med napovedjo in odzivom se izgubi večina operativne vrednosti.

Kje se prediktivna analitika konča

Razlika je pomembna, ker industrijski objekti delujejo v časovnih okvirih, ki jih človeški odziv ne more vedno dohajati. Hladilni sistem, ki se približuje toplotnemu dogodku, ne čaka na menjavo izmene. Porast povpraševanja po energiji, ki vodi do dragega koničnega zaračunavanja, se ne ustavi, medtem ko operater razlaga opozorilo na nadzorni plošči in se odloča, kaj storiti.

Industrijski proizvajalci zaradi nenačrtovanih izpadov delovanja letno izgubijo približno 50 milijard dolarjev, pri čemer povprečni stroški v vseh panogah presegajo 125.000 dolarjev na uro. Prediktivna analitika zmanjša to številko s podaljšanjem opozorilnega okna. Toda če opozorilno okno ustvari opozorilo, ki ostane v čakalni vrsti, medtem ko kadrovsko podhranjena ekipa razvršča konkurenčne prioritete, napoved ni preprečila izgube; le vnaprej jo je dokumentirala.

To je strukturna omejitev prediktivne analitike kot samostojne zmogljivosti. Je izboljšanje v primerjavi z reaktivnim vzdrževanjem. Ni enako kot nadzor.

Kaj dodaja nadzor v realnem času

Sistemi za nadzor v realnem času ne le opazujejo operativne podatke, ampak na njih tudi ukrepajo. V okviru opredeljenih parametrov in varnostnih omejitev prilagajajo nastavljene vrednosti, spreminjajo nadzorne sekvence, uravnavajo obremenitve in se neprestano odzivajo na spreminjajoče se razmere, ne da bi čakali, da človek razloži opozorilo in se odloči za ukrepanje.

Ta razlika se kaže v pomembni razliki v rezultatih. Prediktivni sistem vam pove, da kompresor deluje zunaj svojega optimalnega območja učinkovitosti. Sistem za nadzor v realnem času zazna isto stanje in prilagodi obratovalne parametre, da ga vrne v območje, pri čemer zabeleži ukrep in rezultat za pregled. Prvi proizvaja informacije. Drugi proizvaja rezultat.

Za kupce poslovne programske opreme, ki ocenjujejo platforme na tem področju, je praktično vprašanje: kje se konča pristojnost sistema? Platforme, ki so zgolj prediktivne, prikažejo vpoglede in se ustavijo. Platforme s pristojnostjo za nadzor v realnem času lahko zaprejo krog med zaznavanjem in odzivom, kjer se nahaja večina operativne vrednosti.

Vprašanje pristojnosti za nadzor

Pristojnost za nadzor v realnem času v industrijskih okoljih ni funkcija, ki se lahko dodaja; gre za izbiro zasnove z znatnimi operativnimi, varnostnimi in zaščitnimi posledicami. Industrijski obrati imajo zahteve glede kakovosti izdelkov, varnostne omejitve in regulativne obveznosti, ki določajo, kaj lahko kateri koli avtomatizirani sistem počne in česa ne. Platforma, ki lahko samostojno prilagaja nastavitve, mora zanesljivo delovati v okviru teh omejitev, ekipa obrata pa mora zaupati, da bo to tudi storila.

Zato je model upravljanja v zvezi s pooblastilom za nadzor enako pomemben kot tehnične zmogljivosti. Prava arhitektura za industrijski nadzor v realnem času ni popolnoma avtonomno delovanje; gre za nadzor z dovoljenji z opredeljenimi mejami, revizijskimi sledmi in možnostjo človeškega prevzema na vseh ravneh. Vodstvo določi parametre. Sistem deluje znotraj njih. Operaterji lahko vidijo, kaj je sistem naredil in zakaj.

Razumevanje tega, kaj AI v industrijski avtomatizaciji dejansko zahteva od arhitekture nadzora, je tisto, kar ločuje platforme, ki si pridobijo zaupanje operaterjev, od tistih, ki povzročajo zaskrbljenost. Razlika ni v sofisticiranosti AI; je v jasnosti modela upravljanja okoli nje.

Ključni vpogled: Prediktivna analitika podaljšuje časovno okno za opozorila. Nadzor v realnem času zapira krog med zaznavanjem in odzivom. Večina industrijskih uvedb umetne inteligence se ustavi pri napovedovanju. V vrednostni vrzeli med tema dvema zmogljivostma se skrivajo nenačrtovani izpadi in izguba energije.

Zakaj morata obe zmogljivosti sobivati

Najbolj zmogljive industrijske implementacije umetne inteligence se ne odločajo med prediktivno analitiko in nadzorom v realnem času; te integrirajo. Prediktivni modeli obveščajo o odločitvah glede nadzora in podaljšujejo obzorje, v katerem lahko nadzorni sistem optimizira. Podatki o nadzoru v realnem času se vračajo v prediktivne modele in sčasoma izboljšujejo njihovo natančnost, saj se sistem uči iz dejanskih operativnih rezultatov in ne le iz zgodovinskih vzorcev.

Leta 2025 je trg prediktivne analitike dosegel ocenjeno vrednost 22 milijard dolarjev, pri čemer so bile industrijske in proizvodne aplikacije med glavnimi gonilnimi silami rasti. Ta rast odraža dejansko sprejetje prediktivnih zmogljivosti v operativnih okoljih. Tržni podatki ne zajemajo, koliko teh naložb so absorbirale platforme, ki zagotavljajo napovedovanje brez nadzora, pri čemer ostaja neizkoriščena zadnja stopnja vrednosti.

Za organizacije, ki ocenjujejo industrijske platforme AI, relevantna vprašanja ne zadevajo le arhitekture AI. Zadevajo celoten krog: kaj sistem zazna, kako se odzove, kako izgleda človeški nadzor in kako se sistem sčasoma uči iz rezultatov. Prediktivna analitika odgovarja na prvo vprašanje. Nadzor v realnem času odgovarja na drugo. Tretje in četrto sta vprašanja upravljanja, ki jih nobena stopnja izpopolnjenosti AI ne more nadomestiti.

Kaj naj vprašajo kupci

Pri ocenjevanju industrijske platforme AI nekaj konkretnih vprašanj hitro razkrije razliko med prediktivnim in nadzornim pristopom.

Prvo je: kaj se zgodi, ko sistem zazna anomalijo? Če je odgovor »pošlje se opozorilo«, je platforma prediktivna. Če je odgovor »sistem prilagodi ustrezne kontrolne parametre znotraj določenih omejitev in zabeleži dejanje«, ima platforma zmogljivost nadzora v realnem času.

Drugo vprašanje je: kako sistem obravnava mešana okolja opreme? Večina industrijskih portfeljev uporablja nadzorne sisteme več proizvajalcev originalne opreme (OEM), ki so bili nameščeni v različnih časovnih obdobjih in delujejo po različnih protokolih. Platforma, ki za delovanje zahteva homogeno infrastrukturo, ni uporabna v realnem portfelju. Nadzor v realnem času v mešanih okoljih zahteva platformo, ki se nahaja nad sistemi OEM in komunicira z vsemi, namesto da jih nadomešča.

Tretje vprašanje je: kdo lahko vidi, kaj je sistem naredil, in kako? Revizijske sledi in preglednost niso neobvezni v reguliranih industrijskih okoljih. To so osnovne zahteve, in vsaka platforma, ki ne more jasno odgovoriti na to vprašanje, ni pripravljena za uvedbo v podjetju.

Razlika med napovedovanjem in nadzorom ni zgolj akademična. Prav v njej leži večina vrednosti industrijske umetne inteligence, in prav to vprašanje ločuje platforme, ki izboljšujejo delovanje, od platform, ki izboljšujejo poročanje.