تکامل فناوری

 اتوماسیون صنعتی که از سال 1920 شروع شد، مراحل مختلفی از تکامل فناوری را پشت سر گذاشت. در حال حاضر هوش مصنوعی، یادگیری ماشین، واقعیت مجازی، واقعیت افزوده، پرینت سه بعدی و سیستم‌های بینایی هوشمند هستند که بخش‌های تولید و دیگر صنعت را مختل می‌کنند. در آینده، BCI (رابط کامپیوتر مغزی) همراه با هوش مصنوعی (هوش مصنوعی) برای ایجاد هوش مشترک (CI) انسان و ماشین خواهد بود تا تکامل فناوری آینده را برای اتوماسیون صنعتی ایجاد کند.

 

برای استفاده از قدرت AI/ML، به داده های حجیمی که در حال حاضر در فروشگاه موجود است، وابستگی دارد. چالش ها دو دسته هستند:

1. داده ها وجود دارد اما کنترل کننده های ترکیبی وجود دارد و همه کنترل کننده ها به مخزن مرکزی متصل نیستند، و

 

2. کارخانه های قدیمی که در آن خطوط تولید ترکیبی از ماشین های قدیمی و جدید است، ماشین های قدیمی ممکن است داده هایی برای تجزیه و تحلیل بیشتر نداشته باشند.

 

برای غلبه بر این، بخشی از تجزیه و تحلیل را می توان روی دستگاه های محاسباتی لبه متصل به یک ماشین انجام داد، که بر روی داده های موجود ماشین کار می کند. بخشی از داده ها را می توان از طریق دستگاه های لبه به ابر منتقل کرد، که می تواند برای تجزیه و تحلیل پیش بینی استفاده شود. چنین داده هایی را می توان از چندین کارخانه سازنده جمع آوری کرد و به اهرم در توسعه مدل های پیش بینی بر اساس داده های جمع آوری شده از سناریوهای مختلف کمک کرد. همچنین می‌تواند برخی از عوامل مکانی را که بر مدل‌های پیش‌بینی تأثیر می‌گذارند، در نظر بگیرد. در صورت ناکافی بودن داده ها، می توان دوقلوهای دیجیتالی برای تولید داده های مصنوعی برای مدل های آموزشی ایجاد کرد. در آینده، من انتظار دارم که سازندگان کنسرسیوم هایی را برای به اشتراک گذاشتن داده های غیررقابتی تشکیل دهند، که می تواند به یکدیگر برای توسعه مدل های پیش بینی مبتنی بر هوش مصنوعی یا ML کمک کند.

 

استفاده از مدل‌های AI/ML به طبقه فروشگاه محدود نمی‌شود، بلکه در حوزه‌های مختلف عملیات در تولید است. از پیش‌بینی‌های زنجیره تامین شروع می‌شود تا پیش‌بینی منابع انسانی و پیش‌بینی بازار محصولات. بسته به داده های گذشته و همچنین نقاط داده عوامل مسلط خارجی، مدل های پیش بینی قوی را می توان برای همه حوزه های تجاری مرتبط ساخت. در واقع برای آزمایش آن، یک مدل پیش‌بینی قیمت سهام با استفاده از همه این عوامل ایجاد کردیم که منجر به دقت 95-97٪ شد. مفاهیم مشابهی را می توان برای پیش بینی پارامترهای عملیاتی در تولید برای زنجیره تامین و پیش بینی تقاضای محصولات در بازار گسترش داد.

 

در حالی که انجام این کار برای تولیدکنندگان بزرگ نسبتاً آسان است، SME ها آن را یک چالش می دانند. برای رسیدگی به این موضوع، راه‌حل‌های خود را به جوامع فروشنده مربوطه گسترش می‌دهیم، که دارای مزایای دوگانه است:

1. SME ها می توانند راه حل های مشابهی دریافت کنند، و

 

2. برخی از عیوب حتی قبل از رسیدن به OEM زود تشخیص داده می شوند.

 

با راه حل های دیجیتال پیچیدگی هایی در توسعه راه حل ها وجود دارد. با این حال، رابط کاربری را می توان ساده و آسان نگه داشت. اگر از کانال های دیجیتال استفاده می کنیم، می تواند از طریق کانال های معمول ارتباط باشد. یا در ماشین ها می توان از راه حل های HMI آسان استفاده کرد. اگر استفاده از رابط های  دلتاHMI ساده باشد، استقرار فناوری چالشی نخواهد بود حتی اگر یک راه حل پیچیده هوش مصنوعی در پشتیبان اجرا شود. همچنین سیستم‌های هوشمند باید بتوانند اصلاحات یا گام‌های بعدی را که بدون دخالت انسان انجام می‌شوند، خودکار کنند. با این حال، اگر نیاز به مداخله انسانی داشته باشد و فناوری‌های موجود آنقدر بالغ نباشند، حتی ترتیبات صوتی و تصویری ساده برای تشخیص نقص همراه با راه‌حل‌های هوش مصنوعی که در backend کار می‌کنند، می‌توانند به اندازه کافی خوب باشند تا به اپراتور سیگنال دهند که یک کار خاص باید رد شود. بنابراین یک رابط کاربری ساده می تواند نیاز به نیروی انسانی مجدد را با استقرار فناوری های پیشرفته در backend به حداقل برساند.

 دلتا hmi

دکتر پرادیپ چاترجی رئیس تجارت مدیریت تحول دیجیتال و تجربه در TML Business Services Limited است. او در نوآوری فناوری، توسعه و استقرار استراتژی، مدیریت روابط تجاری و ترجمه مفاهیم به نوآوری و فرصت های تجاری از طریق پیش بینی روندهای فناوری کار کرده است.