למה בינה מלאכותית לא יכולה לייעל מפעל שהיא לא מבינה

מכונה נעצרת באמצע ייצור. ה-ERP יודע אילו הזמנות לקוחות ותאריכי יעד קשורים לכך, ה-MES יודע איזו פעולה נעצרה, המתחזוקה יודעת את סטטוס התיקון, ושכבת המכונה מכירה את קוד התקלה ואת חותמת הזמן המדויקת. ואז מישהו שואל את השאלה המתבקשת: מה עלינו לעשות עכשיו?

בינה מלאכותית יכולה לסכם את האזעקה, למצוא דפוסים בהשבתות היסטוריות ולהסביר מה כנראה קרה. אבל אלא אם היא גם מבינה איזה מוצר רץ, אילו הזמנות תלויות בפעולה הזו, אילו מכונות חלופיות מאושרות, אילו כלים זמינים, אילו מפעילים מוסמכים, ואילו כללי איכות או תהליך חלים, היא לא יכולה לייעל את התגובה בבטחה.
זו לא בעיה בעיקרה של בינה מלאכותית. זו בעיה של הקשר במפעל.

נתונים אינם זהים להקשר
מפעלים כבר מייצרים כמויות עצומות של נתונים. ERP, MES, מתחזוקה, איכות, היסטוריונים, PLC, פלטפורמות IoT וגיליונות אלקטרוניים מחזיקים כולם עובדות שימושיות.
הבעיה היא שהעובדות האלה לעתים קרובות נשארות מנותקות זו מזו. קוד עצירה של מכונה כשלעצמו לא אומר אם האירוע התרחש במהלך ייצור, החלפת תצורה, תחזוקה או אצווה עם חלון עיבוד קפדני. מכונה יכולה להיראות פנויה ועדיין להיות בלתי שמישה, כי המתקן הנדרש אינו זמין או שהמפעיל המוסמך אינו במשמרת.
הקשר מחבר את האירוע למצב התפעולי שסביבו.

זה כולל:

• זהות נכס ומשאב
• פעולה ופקודת עבודה פעילות
• מוצר וגרסת תכנון
• מסלול ייצור ומסלולים חלופיים
• סטטוס חומר ואצווה
• כלים ומתקנים
• כישורים וכיסוי משמרות
• הגבלות איכות
• סטטוס תחזוקה
• קיבולת ותלויות במורד הזרם
• התחייבויות ללקוחות

מדוע לוחות מחוונים אינם מספיקים
Power BI ולוחות מחוונים תפעוליים מצוינים להצגת מה השתנה. הם יכולים לחשוף השבתות, תורים הולכים וגדלים, הזמנות מאחרות, פסולת או קיבולת זמינה.

אבל הצגת בעיה שונה מהחלטה על מה הייצור צריך לעשות הלאה.
לוח מחוונים עשוי להראות שמכונה אחרת זמינה. הוא לא יודע באופן אוטומטי אם המכונה מאושרת לגרסת המוצר הנוכחית, אם המתקן כבר שמור לעבודה אחרת, אם האיכות חייבת לאשר את ההעברה, או אם הזזת העבודה יוצרת צוואר בקבוק חדש במורד הזרם.

כאשר דוחות מתחילים להכיל עשרות חישובים מיוחדים, ומתכננים עדיין מייצאים את התוצאה לאקסל כדי לבחון חלופות, החלק החסר בדרך כלל אינו עוד ויזואליזציה. הוא מודל מפורש של כללי המפעל שמאחורי ההחלטה.

חיזוי אינו אופטימיזציה
חיזוי יכול לומר שמכונה עלולה להיכשל או שלהזמנה יש הסתברות גבוהה להתעכב. זה שימושי, אבל הוא לא אומר מה לעשות.
לאופטימיזציה יש תפקיד אחר. היא מעריכה פעולות אפשריות מול הכללים והאילוצים של המפעל.

לדוגמה, לאחר תקלה במכונה, אופטימייזר עשוי לבחון האם העבודה המושפעת יכולה להישאר על המשאב המקורי, לעבור למכונה חלופית מאושרת, לשנות רצף או להשתמש בשעות נוספות.
תוכנית ישימה חייבת לכבד תנאים אמיתיים.
מגבלות בטיחות, אישורי תהליך, תאימות חומרים, הסמכת מפעילים, כלים, הגבלות איכות, חלונות תחזוקה וכללי רצף אינם יכולים להיעלם רק משום שמכונה אחרת נראית פנויה.

בינה מלאכותית, אופטימיזציה וכללים בעלי תפקידים שונים
בינה מלאכותית generative יכולה לעזור למתכננים להבין את המצב, לחפש מידע מחובר, להשוות חלופות, להסביר פשרות וליצור העברת משמרת מועילה.
מודלים prediction מעריכים סיכון.
מנועי אופטימיזציה מחפשים לוחות זמנים ישימים.
כללים דטרמיניסטיים מוודאים שפעולה מוצעת מכבדת תנאי ייצור ידועים.
הרכיבים האלה יכולים לעבוד יחד, אך אין לבלבל ביניהם.
מודל שפה יכול להפיק הסבר משכנע. זה לא מוכיח שתוכנית ייצור ניתנת לביצוע.

מוצר, תהליך, משאב
מודל מפעל שימושי מתחיל מ-Product, Process ו-Resource.
Product מתאר מה מיוצר, כולל גרסה, חומר, כללי אצווה ודרישות ספציפיות ללקוח.

Process מתאר את הפעולות, הרצף, תנאי ההכנה, הבדיקות, המסלולים החלופיים והכללים הנדרשים לייצורו.

Resource מתאר מה יכול לבצע את העבודה. משאב יכול להיות מכונה, כלי, מתקן, תנור, תחנת בדיקה, התקן הובלה או אדם.
החלק החשוב הוא הקשר ביניהם.

השאלה אינה:
"איזו מכונה פנויה?"

השאלה השימושית היא:
"איזה משאב זמין יכול לבצע את הפעולה הבאה הנדרשת עבור המוצר והזמנה המדויקים הללו, בהתאם לתהליך המאושר, לכלים, לחומרים, לאיכות, לכוח האדם ולתנאי התזמון?"

גרפי ידע ללא הייפ
גרף ידע מספק דרך אחת לייצג את הקשרים המחוברים הללו במפעל.
במקום לאחסן מכונות, פעולות, הזמנות, כלים וחומרים כרשומות מבודדות, הגרף מייצג גם את הקשרים ביניהם.

מכונה יכולה לבצע פעולה. הפעולה שייכת למסלול. המסלול שייך לגרסת מוצר. פקודת עבודה דורשת את המסלול הזה. מתקן מסוים עשוי להידרש לפעולה. ייתכן שהמתקן כרגע מוקצה לעבודה אחרת.

זה הופך שאלות כמו "למה לא ניתן להעביר את ההזמנה למכונה 7?" להרבה יותר קלות להסבר.
התשובה לא צריכה להיות פשוט "לא ישים".

היא צריכה להסביר שמכונה 7 תומכת בפעולה, אבל המתקן הנדרש אינו זמין, לגרסת המוצר אין אישור, או שתנאי איכות במורד הזרם חוסם את המסלול.

לתאום דיגיטלי יש תפקיד
לוח מחוונים חי אינו תאום דיגיטלי באופן אוטומטי.
תאום שימושי מייצג חלק מוגדר של הפעולה הפיזית ומחבר בין מבנה, מצב, כללים ונתוני מקור סביב מטרה מסוימת.

תאום נכס עשוי לתמוך בהחלטות תחזוקה.
תאום קו עשוי לעזור להבין זרימה וצווארי בקבוק.
תאום מערכת ייצור עשוי לחבר מצב ציוד להזמנות, מסלולים, חומרים, אנשים, כללי איכות והתחייבויות אספקה.

השאלה החשובה אינה "האם יש לנו תאום דיגיטלי?"
אלא "איזה משתמש, איזו החלטה ואיזה חלון זמן התאום הזה תומך בהם?"

זהות נכס היא הבסיס
למכונה פיזית אחת יכולות להיות כמה זהויות.
תחזוקה עשויה להשתמש במספר נכס. MES משתמש במשאב ייצור. ה-ERP משתמש במרכז עבודה. שכבת ה-IoT רואה בקר או נתיב תג.

המזהים האלה לא צריכים להיעלם, אבל יש לנהל את הקשרים ביניהם.
אם מערכת בינה מלאכותית מנחשת ששני שמות מכונה דומים מייצגים את אותו נכס פיזי, כל החלטה מאוחרת יכולה להיות שגויה, גם אם הנתונים הבסיסיים נקיים מבחינה טכנית.

לכן מיפויי נכסים צריכים בעלות, תאריכי תוקף, הפניות למקור וניהול שינויים.

אילוצים הם חלק מהנתונים
מסלול עשוי להיות אפשרי מבחינה טכנית ועדיין לא מקובל לייצור.

אילוצים קשיחים יכולים לכלול:
• גבולות בטיחות
• מתכונים מאושרים
• תאימות חומרים
• יכולת מכונה
• הסמכת מפעיל
• שחרור איכות
• זמינות כלים
• הגבלות תחזוקה

אילוצים אחרים מייצגים פשרות ולא מגבלות מוחלטות. החלפת תצורה נוספת עשויה להתקבל כדי להגן על אספקה דחופה. שעות נוספות עשויות להיות מותרות להתחייבות לקוח אחת אך לא לאחרת.

המערכת צריכה לחשוף את הפשרות האלה ולא להסתיר אותן בתוך המלצה אטומה.

נתונים נקיים הכרחיים — אך לא מספיקים
חותמות זמן מדויקות, אירועים מלאים, מזהים סטנדרטיים וממשקים אמינים הם הכרחיים.

אבל גם טבלה נקייה לחלוטין אינה מסבירה מה המשמעות של "זמין", "הושלם" או "קיבולת". מכונה עשויה להיות זמינה מכנית אך לא זמינה לפעולה הנוכחית.