- Konu Yazar
- #1
🤔 Üretimde Yapay Zeka Yatırımları: Nereye Gidiyoruz?
Üretim liderleri, yapay zekaya yatırım yapma ve bu yatırımların ölçülebilir iş değeri sunmasını sağlama konusunda artan bir baskıyla karşı karşıya. PwC'nin anketine göre, 500'den fazla yöneticinin %81'i önümüzdeki üç yıl içinde yapay zeka harcamalarını artırmayı planlıyor. Bu durum, üst düzey yöneticiler için kritik bir soruyu gündeme getiriyor: Bir sonraki yapay zeka projesi, kuruluşu ölçeklenebilir bir stratejiye doğru mu ilerletiyor, yoksa sadece yapay zeka ile bir şeyler yapma baskısına mı yanıt veriyor?
🚧 Operasyonel Temel Olmadan Yapay Zeka Hayalden Öteye Geçemez
Birçok üretici için, özellikle eski tesislerde faaliyet gösterenler için, asıl zorluk potansiyel bir yapay zeka uygulaması bulmak değil. Bu uygulamanın güvenilir sonuçlar üretmesi ve sonunda ölçeklenmesi için gereken operasyonel temeli oluşturmaktır.
Yatırım yapmadan önce, liderliğin istenen iş sonucunu tanımlaması gerekir. Hangi sorunu çözmeye çalışıyoruz? Yapay zeka bu sorun için doğru teknoloji mi? Ve eğer öyleyse, bu yatırım tesisin uzun vadeli stratejisine nasıl uyuyor?
Bu sorular hızla, yönetim kurulunda tarihsel olarak çok daha az dikkat çeken bir konuya yol açar: operasyonel teknoloji (OT).
🔗 Yapay Zeka Stratejisi = OT Stratejisi
Etkili bir üretim yapay zeka stratejisi, bir OT stratejisinden ayrılamaz. Yapay zeka hazırlığı bağlantı ile başlar. Gerekli operasyonel bilgilerin mevcut olması için ekipman ağa bağlı olmalıdır.
Ancak sadece makineleri bağlamak yeterli değildir. Üretim sistemlerinden gelen verilerin de kataloglanması, bağlamsallaştırılması ve normalleştirilmesi gerekir, böylece eylemler ve süreç durumları tutarlı bir anlam taşır.
Örneğin, aynı üretim hattında ilgili işlevleri yerine getiren iki makineyi düşünün. Deneyimli operatörler, farklı etiketlerin, adlandırma kurallarının veya sinyallerin esasen aynı olayı temsil ettiğini anlayabilir. Bir yapay zeka uygulaması bu kurumsal bilgiye doğal olarak sahip değildir.
Bir makine bir eylemi bir şekilde tanımlarken, bir sonraki makine aynı eylemi farklı şekilde tanımlarsa, sistemin bu ilişkiyi anlaması için yeterli bağlam verilmesi gerekir. Bu nedenle, fabrika katı verilerini toplamak, bu verileri yapay zeka için kullanılabilir hale getirmekle aynı şey değildir.
Bu, özellikle eski tesislerde zorlayıcı hale gelir; burada tesisler farklı üreticilerden onlarca yıllık ekipman, birden fazla nesil kontrol sistemi ve değişen otomasyon seviyeleri içerebilir. Çok az tesis, başlangıçtan itibaren tek bir veri modeli veya ağ mimarisi etrafında tasarlanmıştır.
Bu, üreticilerin yapay zekayı kullanmadan önce her varlığın modernize edilmesini beklemesi gerektiği anlamına gelmez. Bu, liderliğin bugün neyin hazır olduğu ve yapay zekanın operasyonda daha fazla ilerlemesi için neyin değişmesi gerektiği konusunda net bir resme sahip olması gerektiği anlamına gelir.
🎯 Doğru Sorunla Başlayın, En Büyük Sorunla Değil
Bugün üretimde yapay zeka için değerli uygulamalar mevcuttur. Önemli olan, uygulamanın hırsını ortamın hazır olma durumuyla eşleştirmektir.
En güçlü erken fırsatlardan bazıları kasıtlı olarak dar olabilir: büyük hacimli operasyonel bilgileri analiz ederek kalıpları belirlemek, iş zekasını desteklemek, iyileştirmeler önermek veya iyi anlaşılan bir otomasyon adasında yapay zeka uygulamak.
Yapay zekanın makineleri kontrol etmesini veya tüm üretim ortamındaki süreçleri yönetmesini beklemek çok daha büyük bir sıçramadır.
Daha hedefli yaklaşıma iyi bir örnek, E Tech Group'un bilim insanlarının makine öğrenimini kullanarak deneyleri optimize etmelerine yardımcı olmak için geliştirdiği bir proses kimyası uygulamasından geliyor.
Ignition'da oluşturulan SCADA entegre panolar, laboratuvar otomasyon ekipmanlarını, analitik enstrümanları ve bulut tabanlı makine öğrenimi modellerini merkezi bir ortamda birbirine bağladı.
Bilim insanları, deney kampanyalarını yönetebilir, model tarafından önerilen deneyleri izleyebilir ve sonuçları çok daha az manuel takip ile yakalayabilirlerdi. Çözüm, izlenebilirliği ve tekrarlanabilirliği iyileştirdi ve gelecekteki kapalı döngü otonom deneyler için bir temel oluşturdu.
Önemli olan, her üreticinin bu özel uygulamayı takip etmesi gerektiği değildir. Önemli olan, yapay zekanın, gerekli bağlantı, veri ve süreç bağlamının kurulabileceği bir ortamda açıkça tanımlanmış bir soruna uygulanmasıdır.
Üreticiler, fabrika katında aynı yaklaşımı benimseyebilirler: Altyapının ve verilerin değerli bir kullanım durumunu zaten desteklediği yerleri belirleyin, orada başarıyı sağlayın ve daha geniş uygulamalar için gereken temeli oluşturmaya devam edin.
🚫 BT Uygulamaları OT'ye Doğrudan Aktarılamaz
Yapay zeka hazır bir temel oluşturmak başka bir önemli ayrım gerektirir: BT ve OT ortamları birbirinin yerine geçemez. Ağ ilkeleri örtüşebilir, ancak OT ağları, kullanılabilirlik, öngörülebilir iletişim ve üretim sürekliliğinin çok farklı işletim gereksinimleri oluşturduğu fiziksel üretim süreçlerini destekler.
Örneğin, BT odaklı bir izleme aracı, bağlı cihazları aktif olarak tarayabilir ve bir ağ boyunca bilgi isteyebilir. Aynı metodolojiyi mimarisini anlamadan bir OT ortamına uygulamak, zaten zamana duyarlı üretim iletişimlerini taşıyan ağlara trafik sokabilir.
E Tech Group, BT ortamından tesise getirilen izleme yaklaşımlarının aralıklı gecikme ve üretim sorunlarına katkıda bulunduğu durumlarla karşılaştı. Teknolojinin kendisi mutlaka sorun değildi; sorun, BT metodolojisini OT operasyonları üzerindeki aşağı yönlü etkisini hesaba katmadan uygulamaktı.
Bağlantı genişledikçe BT ve OT ekiplerinin birlikte çalışması gerekir. İlkeler benzer olabilir, ancak bir üretim ortamında yürütme, özellikle üretim ekipmanı çalışmaya devam ederken değişiklikler yapılması gerektiğinde OT deneyimi gerektirir.
Siber güvenlik riskleri daha da artırır. Bir gıda ve içecek tesisinde, daha önceki bir BT/OT değerlendirmesi ağ segmentasyonunu bir öncelik olarak belirlemişti. Daha sonra bir kurumsal siber olay meydana geldiğinde, bu segmentasyon üretimi izole etmeye yardımcı oldu ve üretim operasyonlarının devam etmesini sağladı.
Ders siber güvenliğin ötesine geçer. Bir zamanlar arka uç altyapısı gibi görünen işler (ağ segmentasyonu, güvenlik duvarları, OT mimarisi ve varlık görünürlüğü) artık bir üreticinin daha geniş dijital ve yapay zeka girişimlerini destekleme yeteneğini doğrudan etkiliyor.
📈 Başarılı Bir Pilot Proje Ölçeklenebilirliği Kanıtlamaz
Üretim yapay zeka adaptasyonu hızla ilerliyor, ancak adaptasyon ve olgunluk aynı şey değildir. Smart Industry ayrıca, Rootstock'un 520 dijital dönüşüm lideriyle yaptığı bir anketin, üretim kuruluşlarının yaklaşık %94'ünün bir tür yapay zeka kullandığını, ancak uygulamaların çoğunun deney veya pilot aşamalarında kaldığını bildirdi.
Bu ayrım önemlidir. Başarılı bir yapay zeka pilot projesi bir kullanım durumunu kanıtlar. Tesisin onu ölçeklendirmeye hazır olduğunu kanıtlamaz. Pilottan üretime geçişteki en büyük zorluklardan biri, uç durumları hesaba katmaktır.
Yapay zeka son derece güçlü olabilirken, deneyimli bir insan operatöre açık görünen bağlamsal koşulları hala kaçırabilir. İnsanlar, bir üretim ortamında "normal"in neye benzediğini öğrenmek için yıllar harcarlar. Anormallikleri neredeyse içgüdüsel olarak fark ederler.
