مقدمه
فناوری پیشرفت کرده است و پلتفرم‌های هوش مصنوعی بدون کد، اکنون به مدیران دارایی، پرسنل تعمیر و نگهداری، تیم‌های عملیات و مهندسان اجازه می‌دهند از داده‌های خود بیاموزند و بینش‌هایی را برای کمک به تصمیم‌گیری های روزمره خود به دست آورند.
در همه صنایع و کارخانجات داده ها از اهمیت بسیاری بالایی برخوردار می باشد. مقدار داده های مربوط به «اشیا» اکنون به اینترنت متصل شده‌اند، از دستگاه‌های شخصی، چاپگر اداری، تا حسگر مختلف که برای روشن نگه داشتن صنعت کمک می‌کند. با این حال، بسیاری از شرکت‌های صنعتی از همه داده‌هایی که تولید می‌کنند استفاده یا سودی نمی‌برند. در واقع، گزارش شده است که بخش معدن و منابع کمتر از 1 درصد از داده های جمع آوری شده از تجهیزات خود را استفاده می کند.
بنابراین، چگونه شرکت‌ها مطمئن می‌شوند که بیشترین ارزش را از داده‌های تولید شده دریافت می‌کنند. و چگونه اطمینان حاصل کنیم که پروژه موفقیت‌آمیز بوده. و در 70 درصد تمام تحولات دیجیتالی که با شکست مواجه می‌شوند، به آمارها توجه می شود؟
این سؤالات را می توان با بررسی اینکه چه کسی در سازمان شما از داده ها استفاده می کند و چه داده هایی تجزیه و تحلیل می شود، حل کرد.
رویکرد علم داده
قبل از Industry 4.0، فقط کسب و کارهای صنعتی غیرمعمول بود که برای تصمیم گیری روزمره به داده های خود تکیه کنند. کسب و کارها به روش‌های ثبت زمان مانند تعمیر و نگهداری پیشگیرانه، تعمیر و نگهداری به‌موقع، اجرای مشخصات OEM (سازنده تجهیزات اصلی) و استفاده از شرکت‌های کوچک و متوسط و مشاوران خارجی در صورت نیاز برای کمک به حل مسائل مربوط جهت افزایش قابلیت اطمینان و بهینه‌سازی متکی بودند.
با معرفی Industry 4.0 و از آنجایی که حسگرهای IoT رایج تر شده بودند، کسب و کارها شروع به جمع آوری داده های خود کرده اند. بسیاری از سازمان های بزرگ تیم‌های علمی داده‌های داخلی ایجاد کردند تا از داده‌های تازه به‌دست‌آمده برای تجزیه و تحلیل بر روی مسائل مهم استفاده کنند.
به طور معمول، این مسائل با نگاه کردن به داده های یثبت شده در یک تاریخ مشخص حل می شود. تیم علم داده زمان زیادی را صرف کارهای تکراری دستکاری داده ها، برنامه نویسی و کدنویسی می کند. با این فرآیند، تولید بینش داده اغلب ماه ها طول می کشد.
این رویکرد تجزیه و تحلیل داده ها را به تیم علم داده محدود می کند. بله، این کسب و کارها از داده های خود استفاده می کنند. با این حال، مقیاس بندی نتایج به دلیل زمان مورد نیاز برای ایجاد بینش دشوار است. متأسفانه، در چند سال گذشته، تعداد زیادی از این تیم های علم داده کوچک شده اند، زیرا ارزش کسب و کار آن ها شناسایی نشده است.
رویکرد هوش مصنوعی بدون کدنویسی
اصطلاحی به نام “data democratization” زمانی اتفاق می افتد که افراد در یک سازمانی یا شرکتی شروع به استفاده از داده ها در موقعیت های کاری خود می کنند. این افراد آمارگیر، ریاضیدان، مهندس داده یا دانشمند داده نیستند. در واقع، آنها اصلاً علاقه ای به داده ها ندارند. آنها فقط به داده های که می توانند به آنها در کارشان کمک کنند ،علاقه مند هستند.
فناوری پیشرفت کرده است و پلتفرم‌های هوش مصنوعی بدون کد، اکنون به مدیران دارایی، پرسنل تعمیر و نگهداری، تیم‌های عملیات و مهندسان اجازه می‌دهند از داده‌های خود بیاموزند و بینش‌هایی را برای کمک به تصمیم‌گیری های روزمره خود به دست آورند.
چند نمونه از انواع کمک های هوش مصنوعی بدون کد تصمیم گیری عبارتند از:
- نظارت مستقیم بر دارایی ها و فرآیندهای صنعتی تا تیم ها بدانند تلاش های خود را کجا متمرکز کنند
- پیش بینی خرابی های آینده تجهیزات برای مداخله اولیه
- بهینه سازی مصرف سوخت برای یک نیروگاه با شناسایی نقص در سیستم تامین هوا
- کاهش OPEX در دارایی های صنعتی اواخر عمر
- شناسایی دقیق علت اصلی یک حادثه احتمالی آلودگی، اجتناب از یک رویداد ایمنی مهم و بهبود نتایج زیست محیطی
- خطوط پایه انتشار Co2 را ایجاد کنید و به ارائه بینشی برای کاهش مصرف انرژی کمک کنید
- ارتباط بین سیستم‌ها و فرآیندهای مختلف را درک کنید و از بی‌ثباتی و آسیب اجتناب کنید، مانند تولید شن و ماسه بین سطح زیرین و بالای یک سکوی نفت و گاز.
- نقاط تنظیم زمان واقعی را برای دوز دقیق مواد شیمیایی در یک کارخانه تصفیه آب ارائه دهید
هوش مصنوعی بدون کد به نقش‌های غیرمتمرکز داده بینش‌هایی می‌دهد تا به آنها کمک کند در طول روز تصمیمات آگاهانه تری بگیرند. کاربران می توانند مدل هایی از تجهیزات و فرآیندهای خود را برای ارائه پیش بینی ها و بینش های محاسبه شده بسازند. data democratization زمانی اتفاق می‌افتد که SMEها، کاربران نهایی و اپراتورها بتوانند بینش‌های مهم را بدون برنامه‌نویسی، کدنویسی، محاسبه یا حتی باز کردن صفحه‌گسترده اکسل برون‌یابی کنند.
تجزیه و تحلیل داده ها
به طور معمول، سازمان ها دارای ساختمان های مختلف می باشند. عملیات و بهینه سازی بخش ها به صورت جداگانه انجام می شود. داده ها در بین بخش ها به اشتراک گذاشته نمی شوند. در برخی از سازمان‌ها، داده‌ها حتی بین واحدهای مختلف در یک بخش به اشتراک گذاشته نمی‌شود.
بدتر از این، روشی که داده ها معمولاً توسط آن تجزیه و تحلیل می شوند بسیار محدود است. به عنوان مثال، اگر مشکلی در کمپرسور وجود داشته باشد، ما فقط داده های تاریخی کمپرسور را تجزیه و تحلیل می کنیم. این رویکرد همیشه یک نتیجه دقیق را به ما نمایش نمی دهد. زیرا ممکن است علت اصلی مشکل در خود کمپرسور وجود نداشته باشد.
یک رویکرد کلی نگر برای استفاده از داده ها (اعم ازداده های به روز و گدشته ) برای تجزیه و تحلیل یک مشکل تضمین می کند که هیچ چیزی از دست نمی رود. هوش مصنوعی بدون کد، همبستگی هایی را در داده‌ها پیدا می‌کند که پیدا کردن آن ها ممکن است ماه ها طول بکشد. و این در صورتی است که از ابتدا مجموعه داده های درستی را تجزیه و تحلیل کنید. برخی از همبستگی هایی که هوش مصنوعی می‌تواند شناسایی کند، ناشی از فرآیندهای ظاهراً به هم پیوسته نیستند، و رویکرد های سنتی آن را شناسایی نمی‌کند.
رئیس یک عملیات فراساحلی خاطرنشان کرد: «از لحاظ فنی نمی‌توانید تصمیم خاصی را به این سرعت بگیرید». هنگام صحبت در مورد علت اصلی یک مشکل که از یک فرآیند جداگانه شناسایی می‌شود که به هم مرتبط نبود هوش مصنوعی بدون کد می‌تواند در عرض چند دقیقه، داده‌ها را تجزیه و تحلیل کند و بینش‌ها یا پیش‌بینی‌های حیاتی را برای کمک به تیم‌ها در اتخاذ تصمیمات بهبودیافته ارائه دهد.
مانیتورینگ ها، که معمولاً فقط زمانی که خطری به وجود بیاید، هشدارها را به راه می‌اندازد، می‌تواند توسط هوش مصنوعی برای تشخیص تخریب جزئی تقویت شوند و زمان بیشتری برای برنامه‌ریزی فراهم شود. فرمول هایی که به طور مداوم به روز می شوند می توانند کل امکانات و عملیات را زیر نظر بگیرند. ارائه دیدگاهی جامع از عملکرد، شناسایی ریسک ها و فرصت ها برای کمک به کسب و کارها برای پیشرفت.
نتیجه گیری
همانطور که یک کسب و کار هوشمندتر کار می کند و از تمام داده های موجود یاد می گیرد. کارایی و تصمیمات در سراسر سازمان بهبود می یابد. با data democratization و تجهیز پرسنل برای به دست آوردن بینش از داده‌هایی که می‌توانند فوراً روی کار پیاده‌سازی کنند، سرعت تولید ارزش از آن داده‌ها افزایش می‌یابد.
هنگامی که یک شرکت ارزش داده های خود را کشف کرد و شروع به استفاده از بینش داده در سراسر سازمان کرد، تحول دیجیتال واقعی امکان پذیر خواهد بود.
مطالب پیشنهادی