คู่มือความพร้อมด้าน AI สำหรับ CTO ในอุตสาหกรรมการผลิต: ควรเริ่มต้นตรงไหนเมื่อข้อมูลของคุณยังไม่พร้อม

ผู้ผลิตส่วนใหญ่ไม่สามารถติดตั้ง AI ได้เพราะข้อมูลของพวกเขายังไม่พร้อม ไม่ใช่เพราะเทคโนโลยีของพวกเขาผิด เส้นทางสู่ความพร้อมด้าน AI ในอุตสาหกรรมการผลิตเริ่มต้นด้วยการแก้ไขชั้นโครงสร้างพื้นฐานด้านข้อมูล ได้แก่ การเชื่อมต่อเซนเซอร์ การทำให้ข้อมูลเป็นมาตรฐาน และโมเดลข้อมูลแบบรวมที่ระบบ AI สามารถอ่านได้จริง เริ่มต้นที่นั่นก่อนที่จะประเมินเครื่องมือ AI ใดๆ

ทำไมความพร้อมด้าน AI ในอุตสาหกรรมการผลิตจึงเริ่มต้นที่ข้อมูล ไม่ใช่ที่โมเดล

ความผิดพลาดที่พบบ่อยที่สุดในโครงการ AI ด้านการผลิตคือการประเมินผู้ให้บริการ AI ก่อนที่จะประเมินความพร้อมของข้อมูล โมเดล machine learning ต้องการข้อมูลอนุกรมเวลาที่สะอาด มีการติดป้ายกำกับ ในระดับใหญ่ สภาพแวดล้อมโรงงานส่วนใหญ่สร้างข้อมูลแบบแยกส่วน คือ PLC ที่ไม่สื่อสารกับ MES, MES ที่ไม่ซิงค์กับ ERP และข้อมูลคุณภาพที่อยู่ในสเปรดชีต

ก่อนที่โมเดล AI ใดๆ จะสามารถระบุความผิดปกติ ทำนายความล้มเหลว หรือปรับปรุงปริมาณงานให้เหมาะสมได้ สถาปัตยกรรมข้อมูลนั้นจำเป็นต้องรวมเป็นหนึ่งเดียวก่อน ชั้น AI คือระยะทางสุดท้าย ไม่ใช่จุดเริ่มต้น

สามปัญหาด้านข้อมูลที่ขัดขวาง AI ในอุตสาหกรรมการผลิต

ทั่วทั้งการดำเนินงานด้านการผลิตในอาเซียน มีสามปัญหาด้านข้อมูลที่ทำให้การติดตั้ง AI ล่าช้าอย่างสม่ำเสมอ

ปัญหาแรกคือการเชื่อมต่อ อุปกรณ์รุ่นเก่าสร้างข้อมูลการปฏิบัติงานแต่ไม่เปิดเผยผ่านอินเทอร์เฟซมาตรฐาน การปรับปรุง OPC-UA ชั้น edge computing และการติดตั้ง IoT gateway เป็นข้อกำหนดเบื้องต้น ไม่ใช่ส่วนเสริมทางเลือก

ปัญหาที่สองคือการทำให้เป็นมาตรฐาน ข้อมูลจากเครื่องจักรที่แตกต่างกัน ผู้ให้บริการที่แตกต่างกัน และสายการผลิตที่แตกต่างกันใช้หน่วยที่แตกต่างกัน การประทับเวลาที่แตกต่างกัน และแบบแผนการตั้งชื่อฟิลด์ที่แตกต่างกัน โมเดล AI ที่ฝึกด้วยข้อมูลที่ไม่ได้ทำให้เป็นมาตรฐานจะสร้างการคาดการณ์ที่ไม่น่าเชื่อถือ

ปัญหาที่สามคือการติดป้ายกำกับ การตรวจจับความผิดปกติและการบำรุงรักษาเชิงคาดการณ์ต้องการข้อมูลย้อนหลังที่มีการติดป้ายกำกับ ผู้ผลิตส่วนใหญ่มีบันทึกข้อผิดพลาดในบันทึกการบำรุงรักษาที่ไม่เคยถูกเชื่อมโยงกับข้อมูลเซนเซอร์ที่เกิดขึ้นก่อนหน้านั้น

การประเมินความพร้อมด้าน AI ที่ CTO ในอุตสาหกรรมการผลิตทุกคนควรทำ

การประเมินความพร้อมด้าน AI ที่มีโครงสร้างจะระบุว่าปัญหาใดควรแก้ไขตามลำดับใด ครอบคลุมสี่ด้าน คือการเชื่อมต่อ คุณภาพข้อมูล สถาปัตยกรรม และศักยภาพของทีม

การประเมินการเชื่อมต่อ

ทำแผนที่แหล่งข้อมูลทุกแหล่งบนพื้นโรงงาน ได้แก่ PLC ระบบ SCADA, MES ระบบตรวจสอบคุณภาพ และเซนเซอร์สิ่งแวดล้อม สำหรับแต่ละแหล่ง ให้บันทึกว่าข้อมูลสามารถเข้าถึงได้ผ่าน API หรือไม่ ความถี่ในการ polling คือเท่าใด และปัจจุบันมีการนำเข้าสู่ระบบส่วนกลางหรือไม่ แหล่งใดก็ตามที่ไม่สามารถเข้าถึงได้หรือเข้าถึงได้เฉพาะผ่านการส่งออกด้วยมือถือเป็นช่องว่างด้านการเชื่อมต่อ

การประเมินคุณภาพข้อมูล

สำหรับแต่ละแหล่งข้อมูลที่เชื่อมต่อแล้ว ให้ประเมินความสมบูรณ์ (ค่าที่อ่านได้ที่คาดหวังมีอยู่กี่เปอร์เซ็นต์) ความแม่นยำ (ค่าที่อ่านได้อยู่นอกช่วงที่เป็นไปได้ทางกายภาพบ่อยเพียงใด) และความสอดคล้อง (หน่วยและแบบแผนการตั้งชื่อตรงกันระหว่างแหล่งต่างๆ หรือไม่)

การประเมินสถาปัตยกรรม

ประเมินว่าสถาปัตยกรรมปัจจุบันของคุณมี data lake หรือ data warehouse แบบรวมที่รวบรวมข้อมูลการผลิต ฐานข้อมูลอนุกรมเวลาที่สามารถจัดการข้อมูลเซนเซอร์ความถี่สูงได้ และไปป์ไลน์ข้อมูลที่ทำงานโดยไม่ต้องมีการแทรกแซงด้วยมือหรือไม่

การประเมินศักยภาพของทีม

ความพร้อมด้าน AI ไม่ใช่แค่ปัญหาด้านเทคโนโลยี ประเมินว่าทีมวิศวกรรมของคุณมีวิศวกรข้อมูลที่สามารถสร้างและดูแลไปป์ไลน์หรือไม่ และเจ้าหน้าที่ปฏิบัติงานเข้าใจวิธีตรวจสอบความถูกต้องของคำแนะนำจาก AI โดยอ้างอิงจากความเชี่ยวชาญเฉพาะด้านหรือไม่

ควรเริ่มต้นตรงไหนเมื่อข้อมูลของคุณยังไม่พร้อม

ผู้ผลิตส่วนใหญ่ค้นพบช่องว่างที่สำคัญในการประเมินความพร้อม ลำดับของการแก้ไขมีความสำคัญ

เริ่มต้นด้วยสายการผลิตเดียว

การพยายามแก้ไขโครงสร้างพื้นฐานด้านข้อมูลทั่วทั้งโรงงานพร้อมกันมักจะล้มเหลว เริ่มต้นด้วยสายการผลิตเดียวที่มีอุปกรณ์ค่อนข้างทันสมัย มีตัวชี้วัดผลผลิตที่วัดได้ชัดเจน และมีทีมปฏิบัติงานที่มีส่วนร่วม สร้างการเชื่อมต่อ การทำให้เป็นมาตรฐาน และการติดป้ายกำกับสำหรับสายการผลิตนั้น พิสูจน์โมเดล จากนั้นจึงขยายผล

สร้างไปป์ไลน์ข้อมูลก่อนโมเดล AI

สิ่งล่อใจที่จะรันโครงการ AI แบบพิสูจน์แนวคิดบนข้อมูลดิบที่ไม่สมบูรณ์จะสร้างผลลัพธ์ที่ทำให้เข้าใจผิด โมเดลที่ฝึกด้วยข้อมูลที่มีช่องว่างและค่าที่อ่านได้ที่ไม่ได้ทำให้เป็นมาตรฐานจะมีประสิทธิภาพต่ำในสภาพแวดล้อมการผลิตจริง ทำให้โปรแกรม AI เสื่อมความน่าเชื่อถือก่อนที่จะได้รับการทดสอบอย่างเป็นธรรม แก้ไขไปป์ไลน์ก่อนเป็นอันดับแรก

ฝังศักยภาพด้านวิศวกรรม ไม่ใช่แค่เครื่องมือ

ความพร้อมด้าน AI ในอุตสาหกรรมการผลิตต้องการศักยภาพด้านวิศวกรรมที่คงอยู่หลังจากโครงการเริ่มต้น ทีมที่สามารถดูแลไปป์ไลน์ ฝึกโมเดลใหม่ และแก้ไขข้อผิดพลาดของความผิดปกติมีค่ามากกว่าการเลือกเครื่องมือเฉพาะใดๆ สร้างหรือฝังศักยภาพนั้นตั้งแต่เริ่มต้น

คำถามที่พบบ่อย

ผู้ผลิตจะรู้ได้อย่างไรว่าข้อมูลของพวกเขาพร้อมสำหรับ AI หรือไม่?

การประเมินความพร้อมของข้อมูลในด้านการเชื่อมต่อ คุณภาพ สถาปัตยกรรม และศักยภาพของทีมจะระบุช่องว่างที่เฉพาะเจาะจง ผู้ผลิตส่วนใหญ่ยังไม่พร้อม และนั่นเป็นปัญหาด้านวิศวกรรมที่แก้ไขได้ ไม่ใช่เหตุผลที่จะเลื่อนการวางแผน AI ออกไป

ต้องใช้เวลานานเท่าใดในการแก้ไขโครงสร้างพื้นฐานด้านข้อมูลการผลิตก่อนติดตั้ง AI?

การแก้ไขแบบเจาะจงบนสายการผลิตเดียวมักใช้เวลาสามถึงหกเดือน การแก้ไขทั่วทั้งโรงงานขึ้นอยู่กับจำนวนแหล่งข้อมูลและความซับซ้อนของระบบที่มีอยู่

ความผิดพลาดที่ใหญ่ที่สุดที่ผู้ผลิตทำเมื่อเริ่มโครงการ AI คืออะไร?

การเริ่มต้นด้วยการประเมินผู้ให้บริการ AI ก่อนที่จะประเมินความพร้อมของข้อมูล ลำดับที่ถูกต้องคือ ประเมินข้อมูล แก้ไขโครงสร้างพื้นฐาน จากนั้นจึงประเมินเครื่องมือ AI โดยอ้างอิงจากข้อมูลจริง

ผู้ผลิตสามารถรันโครงการ AI ไปพร้อมกับการแก้ไขโครงสร้างพื้นฐานด้านข้อมูลของพวกเขาได้หรือไม่?

ได้ โดยมีขอบเขตที่ชัดเจน โครงการนำร่อง AI บนชุดข้อมูลที่สะอาดและแยกส่วนสามารถดำเนินต่อไปได้ในขณะที่การแก้ไขโครงสร้างพื้นฐานที่กว้างขึ้นดำเนินไปพร้อมกัน หลีกเลี่ยงการรัน AI ระดับการผลิตบนข้อมูลที่ยังไม่พร้อม

ผู้ผลิตต้องการศักยภาพด้านวิศวกรรมอะไรเพื่อรักษาการติดตั้ง AI ไว้อย่างยั่งยืน?

อย่างน้อยที่สุด คือวิศวกรข้อมูลที่สามารถดูแลไปป์ไลน์และผู้เชี่ยวชาญเฉพาะด้านที่สามารถตรวจสอบความถูกต้องของผลลัพธ์จากโมเดลโดยอ้างอิงจากความเป็นจริงในการปฏิบัติงาน เครื่องมือ AI เปลี่ยนแปลงอยู่เสมอ ศักยภาพในการประเมินและดูแลรักษามันต้องเป็นสิ่งที่มีอยู่ภายในองค์กร