V nedávnej prípadovej štúdii o aplikácii GenAI v jednom nemenovanom podniku bolo do existujúcich systémov integrované rozhranie chatbota na podporu monitorovania a rozhodovania o celkovej efektívnosti zariadení (OEE). OEE je kľúčovou metrikou výkonnosti vo výrobe, ktorá kombinuje dostupnosť, výkon a kvalitu do jedného ukazovateľa prevádzkovej efektívnosti. Napriek svojej relevantnosti sú tradičné informačné obrazovky OEE v prevádzke často nedostatočne využívané kvôli ich zložitosti a nedostatku kontextových informácií.
Prístup založený na GenUI rieši túto výzvu tým, že umožňuje personálu závodu interagovať s údajmi o výkonnosti v reálnom čase prostredníctvom dotazov v prirodzenom jazyku. Implementované riešenie využilo rámec Retrieval-Augmented Generation (RAG), ktorý kombinuje silu modelov veľkých jazykov (z angl. Large Language Model) so živými procesnými údajmi a technickou dokumentáciou. Architektúra umožňuje systému poskytovať personálu závodu kontextualizované odpovede, či už sa pýtajú na aktuálny výkon stroja, hlavnú príčinu straty výroby alebo postup spustenia konkrétneho zariadenia.
Jedným z kľúčových rozlišovacích znakov tohto prístupu je jeho dizajn zameraný na používateľa. Chatbot nahradil pasívne informačné obrazovky interaktívnym rozhraním, ktoré podporuje textové aj hlasové vstupy. Operátori mohli klásť otázky typu: „Prečo je čerpadlo P4392 nedostupné?“ alebo „Ako dnes funguje závod?“ a dostávať presné a včasné odpovede vychádzajúce z kombinácie historických záznamov, aktuálnych kľúčových ukazovateľov výkonnosti a dokumentácie k zariadeniam.
Tento dizajn odstránil potrebu rozsiahleho školenia a umožnil širšie zapojenie digitálnych nástrojov v rámci všetkých pracovných pozícií. Implementácia tohto riešenia sa zamerala na päť hlavných smerov: zlepšená dátová gramotnosť, skrátený čas riešenia problémov, zvýšené zapojenie operátorov, zlepšená medzifunkčná spolupráca a rýchlejšie rozhodovanie. Kontextualizovaním údajov o OEE pre každú oblasť alebo zariadenie systém pomohol zvýrazniť úzke miesta v reálnom čase a vizualizovať trendy výkonnosti, ktoré boli predtým skryté v správach. Inžinieri a manažéri uvádzali väčšiu dôveru v každodenné rozhodnutia, pretože systém umelej inteligencie podporoval ich analýzy jasnými vysvetleniami a odporúčaniami podloženými údajmi.
Systém GenUI sa ukázal ako obzvlášť účinný pri podpore údržbárskych činností. Prostredníctvom interakcie v prirodzenom jazyku sa používatelia mohli informovať o plánoch údržby, dostupnosti aktív a bežných poruchových vzorcoch. Umelá inteligencia získavala informácie zo systémov CMMS, procesných protokolov a technických manuálov, čím pomáhala používateľom robiť informované rozhodnutia bez nutnosti manuálneho prehľadávania viacerých platforiem.
Metodika riešenia sa riadila štruktúrovaným prístupom: Vyhľadávanie dokumentov: Technické manuály, protokoly, postupy a interné správy boli indexované a použité na vybudovanie spoľahlivej základne znalostí špecifických pre danú oblasť. Integrácia údajov v reálnom čase: Živé údaje zo snímačov, PLC a informačných obrazoviek boli prepojené s vrstvou GenUI, čím sa zabezpečilo, že odpovede odrážajú aktuálny stav v podniku/prevádzke.
Dynamická analýza údajov: Pomocou vstavaných modelov strojového učenia systém dokázal zistiť vzory, ako sú opakujúce sa príčiny prestojov, odchýlky vo výkone alebo skoré príznaky degradácie aktív. Kombináciou týchto troch vrstiev chatbot fungoval nielen ako reaktívny asistent, ale aj ako proaktívny nástroj na podporu rozhodovania. V niektorých prípadoch ponúkal preskriptívne odporúčania, ako napríklad úpravu intervalov údržby alebo presmerovanie procesných tokov na základe predpokladaných strát.
Prípadová štúdia tiež zdôraznila dôležitosť riadenia zmien a iteratívneho vývoja pri zavádzaní umelej inteligencie do priemyselných prostredí, ktoré možno aplikovať v celulózo-papierenskom priemysle. Prijatie riešenie zamestnancami podniku bolo postavené na jednoduchosti používania, minimálnom narušení existujúcich pracovných postupov a neustálej spätnej väzbe od používateľov. Navyše postupne dochádzalo k zlepšovaniu tohto riešenia, keďže systém sa učil zo správania používateľov a rozširoval svoje pokrytie procesov v závode.
Hoci sa tento prípad zameral na OEE, metodika je použiteľná aj v iných oblastiach priemyselnej výkonnosti. Flexibilita GenUI ju robí vhodnou na nasadenie v oblasti správy aktív, optimalizácie energie, dodržiavania bezpečnostných predpisov a ďalších. Kľúčom je zabezpečiť, aby rozhranie UI bolo založené na vysokokvalitných dátach, prispôsobené prevádzkovému kontextu a navrhnuté s ohľadom na koncového používateľa.
Integrácia konverzačnej AI do priemyselného prostredia predstavuje posun v spôsobe, akým organizácie interagujú so svojimi dátami – prechod od statických informačných obrazoviek k dynamickým systémom založeným na dialógu. Vďaka neustálemu vývoju rámcov UI, ako je RAG, a ich väčšej dostupnosti, sa ich uplatnenie vo výrobe pravdepodobne čoskoro ešte viac rozšíri. Podniky, vrátane tých z celulózo-papierenského priemyslu, ktoré tento vývoj prijmú dnes, budú mať lepšiu pozíciu na to, aby využili ďalšiu vlnu priemyselných inovácií.
Zdroj: Furtado, A. R.: Leveraging GenAI for enhanced plant performance: An OEE case study, Pulp&Paper Canada, publikované 17. 6. 2025, dostupné online
-tog-