המהפיכה התעשייתית הרביעית (Industry 4.0) כבר כאן ואותותיה ניכרים בתעשייה. עם האימוץ ההולך וגובר של תפישת המפעל החכם, בעיקר בתעשייה התהליכית, מנהלים מבינים היום יותר ויותר כי שימוש בטכנולוגיות מעולם הבינה המלאכותית והלמידה חישובית (Machine Learning) יכול להשפיע ולשפר באופן ישיר את רווחיות החברה. אחד מהיישומים הראשונים של טכנולוגיות חדשניות אלו הוא ניטור פעילות המכונות במטרה להגביר את תפוקות הייצור וזאת מתוך הבנה כי הגורם המרכזי לפגיעה בתפוקות היא השבתה לא מתוכננת של מכונות – תקלות שבר.
השבתה לא מתוכננת מתרחשת כאשר מכונות במפעלים מפסיקות לעבוד באמצע הליך הייצור ללא התראה מוקדמת. כתוצאה מכך ישנה האטה או הפסקה של הייצור עד לביצוע תיקונים. המשמעות יכולה להיות הפסדים כספים ישירים, איחורים באספקה ללקוחות, עלויות נוספות בכח אדם ומשאבים אחרים. נתונים מראים שמכונה מאבדת בממוצע 17 יום מהייצור כל שנה בשל השבתות לא מתוכננות. לפי מחקר שבוצע, התעשייה מאבדת כ-20 מיליארד דולר או 5% מהייצור כל שנה בשל השבתות כאלו.
תפישת המפעל החכם מבוססת, בין היתר, על העיקרון של שימוש בניתוח “ביג דאטה” ע”י אלגורתימי למידה חישובית. ניתוח זה מספק תובנות הן ביחס לייצור והן ביחס לתפעול ולתחזוקה של מכונות המפעל.
במכונות שבמפעלים התעשייתיים, מוטמעים מראש, בזמן ייצורן, חיישנים שמנטרים את ביצועי המכונות והמשמשים לשליטה שוטפת בתהליך בזמן אמת. בקרי המכונה, וכן מהנדסי המפעל ואנשי הבקרה, מפקחים על החיישנים הללו – הכוללים מדי טמפרטורה, רעידות, לחץ ועוד – משום ששינויים מהותיים בקריאות שמספקים החיישנים מצביעים לעתים קרובות על כשל פוטנציאלי במכונה או בתהליך. ברוב המקרים, הפיקוח נעשה בעזרת מערכות מבוססות חוקים ומעקב אנושי בחדרי הבקרה. אחת הבעיות עם גישת ניטור מסורתית זו היא שבזמן שהמהנדסים כבר מבחינים בשינויים בהתנהגות החיישנים, במקרים הרבים, כבר מאוחר מדי והמכונה כבר התקלקלה והתהליך נפגע.
המדידות והנתונים המיוצרים בחיישנים הללו נשמרים בדרך כלל, מטעמים שונים, במאגרי מידע היסטורי במשך שנים רבות. יצרן המכונה מעוניין לעיתים לבצע ניתוח שלאחר המעשה של הדאטה, בעיקר לאחר כשל גדול, או שלעיתים הרגולטור דורש לשמור את הנתונים הללו במשך מספר שנים. כתוצאה מכך נצברים מאגרי דאטה היסטורי רבי ערך.
במצבים אלו, בינה מלאכותית נכנסת לתמונה כזרז לשינוי. בתוך כמויות העתק של נתוני החיישנים שמופקים על ידי המכונות תעשייתיות, מסתתרים דפוסים זעירים (Micro-Patterns) שיכולים להעיד על תקלה קרבה במכונה. ברוב המקרים, דפוסים אלו נפרשים על מספר רב של חיישנים והם כה קטנים שעין אנושית תתקשה מאוד להבחין בהם, על אחת כמה וכמה שמדובר לעיתים קרובות באלפי חיישנים.
עד לאחרונה, כמעט ולא היו כלים שאיפשרו לנתח כמויות כה גדולות של נתוני חיישנים ולחלץ תובנות תפעוליות מתוכם ולעשות זאת בזמן אמת. עם התקדמות מחשוב הענן, הבינה המלאכותית וטכניקות הלמידה החישובית, כיום ניתן לאתר דפוסים של התנהגות חריגה של המכונות על פני חיישנים ומכונות רבות. בנוסף, זיהוי אוטומטי ובלתי מונחה, כלומר שאינו מונחה אדם, של קורלציות בין החיישנים אף משמש לצורך זיהוי סיבת השורש לכשל הצפוי במכונה. תובנות אלו, בנוסף על היותן סממנים לתקלה מתקרבת, מספקות לטכנאים מידע מפורט על אופיה של התקלה המתהווה ואלו יכולים להזמין חלפים ולהערך לתיקןן לפני שמתרחשת ההשבתה בפועל.
ברמות ההנהלה, ישנה תמיכה גדולה ברעיון של יישום למידה חישובית לניתוח הנתונים המופקים על ידי המכונות והמפעלים. עם זאת, עד לא מכבר הבעיה הייתה מחסור במדעני נתונים Data) (Scientists שיחלצו את התובנות המסתתרות בהם.
במחקר שנערך לאחרונה על ידי חברת Presenso מחיפה ואוניברסיטת Emory מאטלנטה, המחסור במיומנות החיונית של מדעני נתונים במפעלי הייצור נמצא כגורם המשמעותי ביותר המונע אימוץ של פתרונות מבוססי למידת חישובית לצורך תחזוקה חזויה.
על מנת ליישם פתרונות של “למידה חישובית” ברמת המפעל, יש צורך להעסיק מדעני נתונים. כפי שצויין, ישנו כיום מחסור חמור במדעני נתונים בשוק, ורובם נמשכים לתעשיות המציעות שכר גבוה יותר, כגון היי-טק ושירותים פיננסיים. בנוסף, בהינתן הכמויות העצומות של “ביג-דאטה” המיוצרות כל הזמן וכמות המכונות השונות הפועלות במפעלים השונים, קשה להתאים את פתרונות הלמידה החישובית למפעלים תעשייתיים בהם מספר רב של מכונות מסוגים שונים ואשר מיוצרות על ידי יצרנים שונים. למעשה התקנה של פתרונות אלו על מספר רב של מכונות מצריכה הרבה עבודת התאמה ידנית של מדען נתונים, ותחזוקה מתמדת של תוכנת הניטור גם לאחר שזו הותקנה.
עובדה שאינה מובנת תמיד בנוגע לדיסציפלינת מדעי הנתונים, היא ההיקפים של העבודה הידנית המבוצעת על ידי מדעני הנתונים עצמם. אלה כוללים פיתוח שיטות מידול של למידה חישובית, בחירת המודל הנכון ליישום בתרחיש נתון וכיול מתמיד של מודל זה.
לאחרונה חלה התקדמות גדולה במדעי הנתונים הידועה כ”למידת חישובית אוטומטית” או AutoML. היא פותחה על מנת לתת מענה למגבלות שצויינו לעיל..
במובן מסוים, “למידה חישובית אוטומטית” מייעלת את יישום הלמידה חישובית לתחום מדעי הנתונים. משימות שגרתיות החוזרות על עצמן וכוללות בין השאר, עבודה ידנית ואינטנסיבית, מבוצעות כעת באופן אוטומטי. במקום שמדעני נתונים בשר ודם ייבחרו באיזה אלגוריתם ועם איזה כיול להשתמש על בסיס נתונים נתון, אלגוריתם מאומן לבצע את הבחירה הזו במקומם. התוכנה בוחרת לעצמה את שיטות המידול המאימות ביותר, מכיילת בעצמה את המודלים ודואגת לאופטימיזציה וולידציה של המודלים לאורך הזמן.
ההשפעה של השימוש בלמידה חישובית אוטומטית היא נרחבת.
אם נחזור לרגע אל השוק התעשייתי ואל המהפיכה הטכנולוגית שהוא עובר בימים אלו, Industry 4.0, השימוש בלמידה חישובית אוטומוטית (AutoML) מאפשר התקנת תוכנת ניטור ואתראה בזמן קצר על מספר רב של מכונות מייצרנים ומסוגים שונים. מנקודת מבט תפעולית, היות וצוותי התחזוקה מקבלים התראה מראש הכוללת גם מידע על סוג ואופי הכשל מתהווה, הם מסוגלים כיום להערך לתיקון במקום להגיב לתקלת שבר. פרק זמן זה מאפשר להם לתכנן, להסיט ייצור, להקצות משאבי תיקון נדרשים, להזמין חלפים במידת הצורך ולקבוע מועד לתיקון מבלי להפריע לייצור.
בעוד שעד כה דובר בעיקר על יצרני הקצה המפעילים את המכונות והציוד במפעלים, תוצאה נוספת של המהפיכה תעשייתית המודרנית היא שיצרני הציוד (OEMs) המייצרים ומוכרים את אותן המכונות התעשייתיות, נוטלים תפקיד פעיל יותר בתחזוקתן ותפעולן לאחר שאלו נמכרו ועובדות כבר באתרי הלקוח. בעוד שבעבר יצרנים אלו מכרו מכונות למפעלים שהפכו בתורם לאחראים על תפעולן ותחזוקתן, מודל זה עובר כעת שינוי. יצרני מכונות כמו סימנס, GE, ABB והרבה אחרות מבינות שהיות וה-“ביג-דאטה” שמופק מהחיישנים ניתן לניטור מרחוק, ישנה כעת הזדמנות להרחיב את סל שירותיהם, ומעבר למכירת המכונות גם לקחת אחריות על תחזוקתן באתרי הלקוחות השונים.
מודל מכירות חדש זה, הידוע בשם “חומרה כשירות” (Hardware as a Service) מתפתח וצובר תאוצה כעת. במסגרתו יצרני המכונת מחכירים מכונות תעשייתיות למפעלים ומספקים שירותי תחזוקה ותמיכה שוטפים.
למעשה הם אינם מוכרים את המכונה יותר, אלא מוכרים שירות. (לדוגמה, במקום למכור מדחס בעסקה חד פעמית, מוכרים היצרנים שירותי דחיסה בתשלום חודשי מתחדש)
אם כן, גם יצרני הציוד יכולים מעתה לעשות שימוש בהתפתחות הפתרונות מסוג AutoML כדי לשרת את לקוחותיהם טוב יותר ולהציע להם פלטפורמות ניטור ותחזוקה המאפשרות להם להגדיל את ההכנסה מהלקוח גם לאחר מכירת הציוד. בנוסף, מאפשרות הפלטפורמות האלה ליצרן לשמור על קשר עם הציוד הפועל בשטח, להבין איך הוא פועל בתנאים שונים וללמוד ממנו תובנות חדשות שישפיעו על תכנוני ציוד עתידי.
לסיכום,
לפני זמן לא רב, מדעי הנתונים היו בעיקרם תחום לימוד תיאורטי המוגבל לאקדמיה. עם זאת, בתוך תקופה קצרה יחסית חלה התקדמות משמעותית ביכולות ניתוח הביג דאטה וחילוץ תובנות תפעוליות מתוכו. ההשפעות של אימוץ טכנולוגיה זו אינן מתבטאות רק בפן הפיננסי או בהיבטי תפעול הייצור. עם הזמן, נהיה עדים להתפתחות ואף שינוי יסודי באופן שבו יצרני ציוד ומפעלים תעשייתיים מתפעלים ומתחזקים מכונות בקווי הייצור.
המייסדים, איתן וסלי, מנכ”ל, דדי לביד, סמנכ”ל טכנולוגיות, ד”ר דוד אלמגור, יו”ר
