จากโครงการนำร่องสู่การผลิตจริง: การส่งมอบฟีเจอร์ AI ในอุตสาหกรรมการผลิตในระดับใหญ่

ผู้ผลิตที่นำการใช้งานจริงของ AI ในการผลิตจากโครงการนำร่องไปสู่ระดับเต็มรูปแบบมีวินัยร่วมกันอย่างหนึ่ง คือพวกเขามองว่าการเปลี่ยนผ่านสู่การผลิตจริงเป็นความท้าทายด้านวิศวกรรมที่แยกต่างหาก ไม่ใช่ความต่อเนื่องของโครงการนำร่อง คู่มือนี้ครอบคลุมสิ่งที่การเปลี่ยนผ่านนั้นต้องการและจุดที่มันมักจะล้มเหลวมากที่สุด

ทำไมโครงการนำร่อง AI ด้านการผลิตส่วนใหญ่จึงไม่ไปถึงขั้นการผลิตจริง

โครงการนำร่องประสบความสำเร็จภายใต้เงื่อนไขที่ควบคุมได้ การผลิตจริงล้มเหลวเมื่อเงื่อนไขเหล่านั้นไม่มีอยู่ในระดับใหญ่ จุดล้มเหลวที่พบบ่อยที่สุดสามจุด ได้แก่:

• ช่องว่างด้านโครงสร้างพื้นฐานข้อมูล: ข้อมูลนำร่องมักสะอาด ผ่านการคัดสรร และมีขนาดเล็ก ข้อมูลการผลิตจริงยุ่งเหยิง กระจัดกระจาย และมีปริมาณมาก
• หนี้ด้านการผสานรวม: ระบบบนพื้นโรงงาน แพลตฟอร์ม MES และเครื่องมือ ERP ไม่ได้ถูกออกแบบมาสำหรับชั้น inference ของ AI แบบเรียลไทม์
• ความเป็นเจ้าของด้านการปฏิบัติงาน: โครงการนำร่องมีทีมเฉพาะ การผลิตจริงต้องการความเป็นเจ้าของถาวร และทีมนั้นแทบไม่เคยมีอยู่ก่อนที่โครงการนำร่องจะสิ้นสุด

กรอบการเปลี่ยนผ่าน: ห้าขั้นตอน

ขั้นตอนที่ 1: ตรวจสอบสิ่งที่โครงการนำร่องพิสูจน์ได้จริง

ก่อนขยายขนาด ให้บันทึกสิ่งที่โครงการนำร่องวัดได้และสิ่งที่ไม่ได้วัด โมเดลตรวจสอบคุณภาพที่มีความแม่นยำ 94% บนสายการผลิตเดียวภายใต้เงื่อนไขที่มีการกำกับดูแลยังไม่ได้พิสูจน์ว่ามันทำงานได้ในสามกะการทำงาน ห้าสายการผลิต และวัสดุนำเข้าที่หลากหลาย ให้ทำแผนที่ช่องว่างระหว่างขอบเขตของโครงการนำร่องกับขอบเขตของการผลิตจริง

ขั้นตอนที่ 2: เสริมความแข็งแกร่งให้ไปป์ไลน์ข้อมูล

การติดตั้ง AI บนพื้นโรงงานขึ้นอยู่กับข้อมูลที่เชื่อถือได้และมีความหน่วงต่ำ ซึ่งหมายถึง:

• แทนที่การดึงข้อมูลแบบเฉพาะกิจด้วยไปป์ไลน์ที่ออกแบบทางวิศวกรรม
• กำหนดสัญญา schema ระหว่างแหล่งข้อมูลและโมเดล AI
• สร้างระบบเฝ้าติดตามเพื่อให้ปัญหาคุณภาพข้อมูลปรากฏขึ้นก่อนที่จะทำให้ผลลัพธ์ของโมเดลเสียหาย

สำหรับผู้ผลิตในอาเซียน ขั้นตอนนี้มักเผยให้เห็นปัญหาการเชื่อมต่อรุ่นเก่า เซนเซอร์ที่ใช้โปรโตคอลเฉพาะของผู้ผลิต เครื่องจักรที่ไม่มีการเข้าถึง API และฐานข้อมูลที่แยกส่วนซึ่งไม่เคยถูกออกแบบมาเพื่อการผสานรวม

ขั้นตอนที่ 3: กำหนดสถาปัตยกรรม Inference

ตัดสินใจว่า inference จะทำงานที่ edge บนคลาวด์ หรือในรูปแบบผสมผสาน (hybrid) inference แบบ edge เหมาะกับข้อกำหนดด้านความหน่วงต่ำ การตรวจจับข้อบกพร่องบนสายการผลิตที่กำลังเคลื่อนที่ไม่สามารถรอการเดินทางไปกลับกับคลาวด์ได้ inference บนคลาวด์เหมาะกับการทำนายแบบเป็นชุด การพยากรณ์ความต้องการหรือการจัดตารางบำรุงรักษาสามารถทนต่อความหน่วงที่สูงกว่าได้

ทีม AI ด้านการผลิตในเวียดนามที่ทำงานร่วมกับ Gradion มักจะรัน inference แบบ edge บนฮาร์ดแวร์ในพื้นที่พร้อมกับการฝึกโมเดลใหม่บนคลาวด์ วิธีนี้ช่วยให้ความหน่วงต่ำโดยไม่ต้องอาศัยการเชื่อมต่อคลาวด์อย่างถาวร

ขั้นตอนที่ 4: สร้างการส่งมอบงานด้านปฏิบัติการเข้าไว้ในแผน

ทีมวิศวกรรมที่สร้างฟีเจอร์ AI ไม่ควรเป็นเจ้าของด้านปฏิบัติการถาวร กำหนดก่อนการติดตั้งใช้งาน:

• ใครเป็นผู้เฝ้าติดตามประสิทธิภาพของโมเดล
• ใครเป็นเจ้าของรอบการฝึกโมเดลใหม่
• ใครจัดการการยกระดับการแจ้งเตือนเมื่อความแม่นยำในการทำนายลดลง

หากไม่จัดการเรื่องนี้ หมายความว่าฟีเจอร์ AI จะถูกทิ้งร้างไปโดยปริยายหลังจากเปิดตัว ยังคงทำงานอยู่ แต่เสื่อมลงโดยไม่มีใครรับผิดชอบดูแลรักษา

ขั้นตอนที่ 5: ติดตั้งเครื่องมือวัดและทำซ้ำ

AI ในการผลิตจริงไม่ใช่ผลิตภัณฑ์ที่เสร็จสมบูรณ์ การเบี่ยงเบนของโมเดลเป็นสิ่งที่คาดหวังได้เมื่อเงื่อนไขนำเข้าเปลี่ยนแปลง สร้างแดชบอร์ดที่ติดตามความแม่นยำในการทำนาย ความสดใหม่ของข้อมูล และความหน่วงของ inference กำหนดตารางการทบทวนรายไตรมาสเพื่อประเมินว่าจำเป็นต้องฝึกโมเดลใหม่หรือไม่

การติดตั้งใช้งาน AI Factory ในอาเซียนมีหน้าตาเป็นอย่างไรในทางปฏิบัติ

ทั่วทั้งลูกค้าด้านการผลิตในภูมิภาคอาเซียน Gradion ได้สังเกตว่าการติดตั้งใช้งานที่ประสบความสำเร็จมากที่สุดมีทางเลือกเชิงโครงสร้างร่วมกันสามประการ:

• การเปิดตัวแบบเป็นระยะ: การผลิตเริ่มต้นที่หนึ่งสายการผลิตหรือหนึ่งสถานที่ ทีมงานตรวจสอบความถูกต้องของประสิทธิภาพในเงื่อนไขจริงก่อนที่จะขยายผล
• วิศวกรผสานรวมเฉพาะทาง: วิศวกรหนึ่งคนเป็นเจ้าของขอบเขตระหว่างระบบ AI และโครงสร้างพื้นฐานที่มีอยู่ของโรงงาน บทบาทนี้ไม่ใช่ตัวเลือก
• ธรรมาภิบาลโมเดลที่ชัดเจน: นโยบายที่เป็นลายลักษณ์อักษรครอบคลุมว่าใครสามารถฝึกโมเดลใหม่ได้ ภายใต้เงื่อนไขใด และใครเป็นผู้อนุมัติการติดตั้งใช้งาน

การเลือกพันธมิตรด้านวิศวกรรมเพื่อขยายขนาด

บริษัทด้านการผลิตไม่ได้มีศักยภาพด้านวิศวกรรมภายในเสมอไปที่จะดำเนินการเปลี่ยนผ่านนี้ เมื่อเลือกพันธมิตรภายนอก ให้มองหา:

• ประสบการณ์ด้านการผสานรวมบนพื้นโรงงาน ไม่ใช่แค่การพัฒนาโมเดล
• การมีตัวตนอยู่ในเขตเวลาหรือภูมิภาคของคุณเพื่อการสนับสนุนด้านปฏิบัติการ
• ประวัติผลงานด้านธรรมาภิบาลโมเดล ไม่ใช่แค่ความเร็วในการส่งมอบงาน

คำถามที่พบบ่อย

การเปลี่ยนผ่านจากโครงการนำร่องสู่การผลิตจริงมักใช้เวลานานเท่าใด?

สำหรับการติดตั้งใช้งานแบบสายการผลิตเดียวที่มีโครงสร้างพื้นฐานข้อมูลสะอาด การเปลี่ยนผ่านใช้เวลาสามถึงห้าเดือน สำหรับการเปิดตัวหลายสถานที่ที่มีระบบข้อมูลรุ่นเก่า หกถึงสิบสองเดือนมีความสมจริงมากกว่า

เราจำเป็นต้องฝึกโมเดล AI ใหม่หลังจากเข้าสู่การผลิตจริงหรือไม่?

ใช่ ประสิทธิภาพของโมเดลเสื่อมลงตามเวลาเมื่อเงื่อนไขการผลิตเปลี่ยนแปลง วัสดุนำเข้าเปลี่ยนไป รูปแบบการสึกหรอของเครื่องจักรพัฒนาไป และพฤติกรรมของผู้ปฏิบัติงานปรับตัว ตารางการฝึกโมเดลใหม่เป็นส่วนที่จำเป็นของการติดตั้งใช้งาน AI ในการผลิตจริงทุกครั้ง

ปริมาณข้อมูลขั้นต่ำที่จำเป็นสำหรับโมเดล AI การผลิตจริงในอุตสาหกรรมการผลิตคือเท่าใด?

ขึ้นอยู่กับกรณีการใช้งาน โมเดลตรวจจับข้อบกพร่องมักต้องการภาพที่ติดป้ายกำกับหลายพันภาพต่อประเภทข้อบกพร่อง โมเดลบำรุงรักษาเชิงคาดการณ์อาจต้องการประวัติเซนเซอร์หลายเดือน การตรวจสอบข้อมูลก่อนที่โครงการนำร่องจะสิ้นสุดจะกำหนดความต้องการข้อมูลสำหรับการผลิตจริง

เราจะวัด ROI ของการติดตั้งใช้งาน AI ด้านการผลิตได้อย่างไร?

กำหนดตัวชี้วัดพื้นฐานก่อนการติดตั้งใช้งาน ได้แก่ อัตราข้อบกพร่อง ชั่วโมงหยุดทำงาน ปริมาณงานต่อกะ วัดตัวชี้วัดเดียวกันนี้หกเดือนหลังจากเปิดตัวการผลิตจริง และระบุส่วนต่างนั้นให้กับระบบ AI โดยควบคุมการเปลี่ยนแปลงอื่นๆ

จะเกิดอะไรขึ้นหากโมเดล AI ทำงานได้ดีในการทดสอบแต่ทำงานได้ไม่ดีในการผลิตจริง?

นี่เป็นปัญหาด้านการกระจายตัวของข้อมูล ข้อมูลการฝึกไม่ได้เป็นตัวแทนของเงื่อนไขการผลิตจริงอย่างถูกต้อง วิธีแก้ไขคือการรวบรวมข้อมูลการผลิตจริง ติดป้ายกำกับ และฝึกใหม่ นี่คือเหตุผลที่ขั้นตอนที่ 1 การตรวจสอบสิ่งที่โครงการนำร่องพิสูจน์ได้จริงมีความสำคัญก่อนที่จะมีข้อผูกพันด้านการผลิตใดๆ