W dyskusjach o sztucznej inteligencji w produkcji często pada zdanie: „potrzebujemy więcej danych”. Brzmi rozsądnie, ale w praktyce jest jednym z największych uproszczeń w projektach, gdzie AI odgrywa główną rolę.
AI nie potrzebuje po prostu dużej ilości danych.
Potrzebuje odpowiednich danych, we właściwym kontekście.
W środowisku produkcyjnym to właśnie system MES jest miejscem, w którym ten kontekst powstaje. Problem polega na tym, że nie wszystkie dane zbierane przez MES są równie przydatne do budowy modeli analitycznych. Niektóre są kluczowe, inne mają znaczenie drugorzędne, a jeszcze inne – mimo że zajmują ogromne ilości miejsca w bazie – niewiele wnoszą.
Dlatego zanim organizacja zacznie mówić o algorytmach, warto zadać prostsze pytanie: jakie dane z MES faktycznie mają wartość dla AI?
AI nie uczy się z pojedynczych sygnałów
Maszyny generują ogromne ilości danych: temperatury, prędkości, czasy cykli czy statusy pracy. W wielu zakładach dane te są zbierane przez systemy automatycznie.
Problem polega na tym, że pojedynczy sygnał procesowy rzadko ma znaczenie sam w sobie.
Temperatura 180°C nie mówi jeszcze niczego istotnego. Dopiero w kontekście dowiadujemy się:
- jaki produkt był wytwarzany,
- jaka receptura była aktywna,
- która partia była produkowana,
- na której zmianie odbywała się produkcja,
- jaki był wynik jakościowy.
To właśnie ten kontekst sprawia, że dane stają się uczalne dla modelu. AI nie szuka pojedynczych wartości. Szuka zależności między procesem, a wynikiem.
Trzy typy danych, które mają największą wartość dla AI
W praktyce projekty AI w produkcji najczęściej korzystają z trzech kategorii danych.
1. Dane procesowe – to dane opisujące to, co dzieje się na maszynie i w procesie technologicznym. Przykłady:
- temperatury
- ciśnienia
- prędkości
- czasy cykli
- parametry receptur
- sygnały pracy i postoju
To właśnie z tych danych modele uczą się zachowania procesu.
Przykład: jeśli w danych historycznych przed awarią zawsze pojawia się subtelna zmiana drgań, model może nauczyć się rozpoznawać taki wzorzec wcześniej niż człowiek. Ale same dane procesowe to wciąż za mało.
2. Dane kontekstowe – to najbardziej niedoceniana kategoria danych w projektach AI. Dane kontekstowe odpowiadają na pytanie: w jakich warunkach proces się odbywał. Najczęściej obejmują:
- produkt lub wariant produktu
- numer partii
- zlecenie produkcyjne
- recepturę
- zmianę produkcyjną
- linię lub gniazdo produkcyjne
- operatora
Dlaczego to tak ważne? Bo proces produkcyjny rzadko jest identyczny dla wszystkich produktów. Parametry, które dla jednego wariantu są poprawne, dla innego mogą oznaczać problem jakościowy. Bez danych kontekstowych model AI bardzo łatwo zaczyna uczyć się fałszywych zależności.
3. Dane wynikowe – to dane opisujące efekt procesu. Przykłady:
- wynik kontroli jakości
- liczba braków
- scrap
- rework
- klasyfikacja wad
- OEE
- przyczyny przestojów
Dla modelu AI są one niezwykle ważne, ponieważ stanowią punkt odniesienia. Model musi wiedzieć, które sytuacje były dobre, a które złe. Bez danych wynikowych AI może analizować proces w nieskończoność, ale nigdy nie nauczy się rozróżniać:
- poprawnej produkcji
- produkcji prowadzącej do problemów jakościowych
- sytuacji poprzedzających awarie.
Najczęstszy problem: dane są, ale nie są użyteczne
W wielu zakładach system MES zbiera ogromne ilości danych, które teoretycznie powinny nadawać się do analizy. W praktyce pojawia się jednak kilka powtarzających się problemów.
1. Niespójne oznaczenia zdarzeń
Przykładowo przyczyna przestoju może być zapisana jako:
- „awaria”
- „awaria maszyny”
- „problem techniczny”
Dla człowieka to oczywiste. Dla modelu to trzy różne kategorie.
2. Brak synchronizacji czasu
Jeśli dane z różnych systemów mają różne znaczniki czasu, bardzo trudno odtworzyć prawdziwą sekwencję zdarzeń. W analizie AI czas jest jedną z ważniejszych danych.
3. Brak powiązania procesu z wynikiem
Często dane jakościowe są przechowywane w osobnym systemie i nie są bezpośrednio powiązane z:
- konkretną partią,
- konkretnym cyklem produkcyjnym,
- konkretnymi parametrami procesu.
W takiej sytuacji model nie ma możliwości nauczenia się relacji między przyczyną, a skutkiem.
Czy więcej danych zawsze oznacza lepsze modele?
To mit często powtarzany w kontekście AI. W praktyce ważniejsze są:
- spójność danych
- ich kompletność
- możliwość powiązania różnych źródeł informacji
niż sama liczba rekordów w bazie. Model uczący się na mniejszym, ale dobrze opisanym zbiorze danych bardzo często działa lepiej niż model trenowany na ogromnej ilości niespójnych informacji.
Co warto sprawdzić w danych MES przed projektem AI
Zanim organizacja zacznie budować modele, warto odpowiedzieć na kilka praktycznych pytań:
- Czy dane procesowe są zapisywane w sposób ciągły i spójny?
- Czy każde zdarzenie produkcyjne ma powiązanie z partią lub zleceniem?
- Czy wyniki jakości są powiązane z konkretnym procesem produkcyjnym?
- Czy przyczyny przestojów są standaryzowane?
- Czy znaczniki czasu są zsynchronizowane między systemami?
Te elementy często decydują o powodzeniu projektu bardziej niż wybór konkretnego algorytmu.
MES jako fundament dla AI
System MES pełni w projektach AI bardzo ważną rolę: łączy dane z wielu źródeł w jedną historię procesu produkcyjnego. To właśnie dzięki temu możliwe jest powiązanie:
- parametrów maszyny,
- kontekstu produkcyjnego,
- wyników jakościowych,
- zdarzeń operacyjnych.
Bez takiego kontekstu modele AI analizują tylko pojedyncze sygnały. Z kontekstem zaczynają analizować rzeczywisty przebieg procesu produkcyjnego.
Podsumowanie
AI w produkcji nie zaczyna się od algorytmów, lecz od danych. A dokładniej — od danych, które mają kontekst i pozwalają zrozumieć zależności między procesem a jego wynikiem.
Największą wartość dla modeli analitycznych mają trzy grupy informacji: dane procesowe, dane kontekstowe oraz dane wynikowe. Dopiero ich połączenie tworzy pełny obraz produkcji, na którym AI może się uczyć. System MES odgrywa tu kluczową rolę, ponieważ integruje te elementy w spójną historię procesu. Dzięki temu sztuczna inteligencja przestaje analizować pojedyncze sygnały, a zaczyna rozumieć rzeczywiste zachowanie produkcji. W praktyce oznacza to, że jakość danych i ich struktura mają większe znaczenie niż sama ilość informacji. Organizacje, które najpierw uporządkują fundamenty danych w MES, zyskują znacznie większą szansę na to, że projekty AI przyniosą realną wartość operacyjną.
