Pemeliharaan Prediktif dan Memprediksi Revolusi Industri
Seberapa transformasional kecerdasan buatan? Pertanyaan yang tampaknya sederhana itu bisa jadi sulit untuk dijawab.
Pertama-tama, istilah ini sering memiliki arti yang samar-samar. Seringkali, istilah ini merupakan singkatan dari "kecerdasan umum buatan" atau "AI yang kuat." Dalam konstruksi teoretis ini, kecerdasan non-organik memiliki kemampuan untuk menalar dan melakukan serangkaian tugas. Jenis AI Hollywood ini juga telah direferensikan dalam film-film seperti "The Terminator," serta variasi yang memunculkan ketakutan dystopian seperti Elon Musk dan Bill Gates. Tetapi pertanyaan tentang kapan bentuk AI seperti itu akan ada tidak mungkin dijawab dengan pasti. Gartner beralasan bahwa mungkin perlu beberapa dekade sebelum para peneliti menciptakan mesin yang mampu mendekati penalaran manusia, meskipun mesin yang dilatih untuk tugas-tugas sempit dapat mengungguli manusia dalam permainan intelektual seperti catur dan, yang lebih baru, Go. Martin Ford, penulis “Architects of Intelligence:The Truth about AI from the people build it,” mengatakan sebagian besar ahli percaya bahwa AI yang kuat adalah hal yang tidak dapat diprediksi.
Begitu juga, tampaknya, revolusi industri. Sementara konsep-konsep seperti Industri 4.0 secara luas mengisyaratkan bahwa konvergensi AI, IIoT, dan teknologi lainnya dapat memicu revolusi industri berikutnya, produktivitas di negara-negara Barat telah lamban selama beberapa dekade. Produksi industri A.S. untuk pabrik, tambang, dan utilitas turun 0,1% pada bulan Maret, yang, seperti yang dikatakan WSJ, “memperkuat pandangan bahwa manufaktur telah mencapai titik lemah.”
Tetapi sementara makrokosmos industri, diukur dengan berbagai indeks produktivitas, ada semakin banyak kisah sukses yang muncul dari perusahaan industri yang merangkul teknologi IIoT bersamaan dengan pembelajaran mesin. Startup FogHorn, misalnya, membantu perusahaan elektronik industri Jepang, Daihen, menghilangkan entri data manual selama 1.800 jam di satu pabrik. Dan sebuah perusahaan minuman terkemuka menghemat setara dengan 1 juta kaleng bir melalui pemeliharaan prediktif dalam satu gerakan. Perusahaan memasang teknologi pemantauan mesin dari perusahaan Augury, yang menggabungkan getaran nirkabel, ultrasonik, sensor suhu dan magnetik dengan pembelajaran mesin untuk mendeteksi masalah mesin untuk berbagai mesin industri, termasuk yang digunakan oleh pabrik. “Dan kami mendeteksi keausan bantalan yang parah pada pengisi — mesin yang mengisi kaleng dengan bir,” kata Saar Yoskovitz, salah satu pendiri dan kepala eksekutif di Augury. “Penemuan ini memungkinkan tempat pembuatan bir untuk mengatasi masalah selama waktu henti yang direncanakan. “Karena mereka adalah fasilitas 24-kali-7, mereka tidak memiliki ruang untuk waktu henti yang tidak direncanakan,” kata Yoskovitz. Tetapi masalah bantalan pada akhirnya dapat memicu kegagalan yang mengakibatkan hilangnya produktivitas selama delapan jam. “Itu berarti 1 juta kaleng bir dan pendapatan $ 200.000,” tambah Yoskovitz.
Alizent, anak perusahaan digital Air Liquide, memberikan contoh lain tentang kekuatan teknologi Industri 4.0. Menggabungkan teknologi dari OSIsoft, Air Liquide menciptakan platform pengoptimalan pabrik yang dikenal sebagai SIO beberapa tahun yang lalu. Perangkat lunak PI OSIsoft berfungsi sebagai mesin data tertanam untuk platform, yang memungkinkan pengumpulan dan penyempurnaan data untuk analitik. “Air mencapai pengembalian dalam tiga bulan dengan SIO dan pengembalian 10x dalam tahun pertama,” tulis Michael Kanellos,
Analis IoT dan manajer senior komunikasi korporat di OSIsoft dalam email. “Mereka kemudian pindah untuk menggunakannya untuk mengelola pabrik dengan cara mati lampu (yaitu tidak ada karyawan) di seluruh Prancis dan Asia Tenggara.” Setelah itu, Air Liquide memutuskan untuk memisahkan grup digital menjadi unit Alizent untuk melayani Air Liquide maupun perusahaan lain.
Contoh lain dari perusahaan dengan ROI transformasi digital yang cepat adalah Distrik Utilitas Gedung Putih. Salah satu utilitas air dan saluran pembuangan teratas di Tennessee, organisasi ini mengurangi kebocoran air dari sekitar 32% menjadi 15%. Penghematan air juga menghasilkan penghematan jutaan dolar. “Tetapi mereka juga memangkas manajemen data, menghemat $30.000 per tahun,” kata Kanellos. “Mereka menunda pabrik baru senilai $15 juta selama 11 tahun. Reputasi komunitas naik. Lembaga pemeringkat kredit bahkan menaikkan peringkat mereka.”
Mark Willnerd, chief executive officer dan presiden perusahaan pembelajaran mesin industri Toumetis, memperkirakan peningkatan produktivitas industri yang akan datang dalam lima tahun ke depan. “Berkat teknologi seperti pembelajaran mesin, kita akan melihat peningkatan besar,” katanya. “[Kita bisa melihat kembalinya] peningkatan produktivitas tipe 1990-an,” tambah Willnerd, mengacu pada dekade yang terkait dengan peningkatan cepat dalam output.
Toumetis bekerja sama dengan sebuah perusahaan energi dengan ladang minyak yang Willnerd harapkan suatu hari nanti bisa menjadi salah satu lokasi produksi teratas di dunia. Salah satu faktor yang menghambat produktivitas situs adalah tidak dapat diandalkannya pompa submersible listrik, yang dapat membuat sumur keluar dari produksi. Tetapi jika para ahli yang mengawasi peralatan perusahaan mengawasi 1.500 sumur dan 100 sinyal data yang berbeda, mereka dapat dengan mudah kehilangan data yang menunjukkan kegagalan pompa yang akan segera terjadi. “Mereka tidak tahu sumur mana yang akan rusak kapan,” kata Willnerd. “Tetapi jika saya dapat memprediksi mana yang akan gagal dalam jangka waktu 14 hari, saya dapat menjadwalkan perbaikan untuk memaksimalkan keuntungan dan produksi.”
Tetapi proses penerapan pembelajaran mesin — atau penerapannya dalam pemeliharaan prediktif — di ranah industri jarang sederhana. “Datanya bisa tidak konsisten. Anda bisa mendapatkan pembacaan yang salah dari sensor. Anda bisa kehilangan data, ”tambah Willnerd. “Dan ada banyak hal yang harus dibersihkan sebelum Anda dapat menganalisisnya.”
Willnerd menduga bahwa kita masih dalam tahap awal menerapkan pembelajaran mesin ke aplikasi industri.
Sebuah studi dari Bain &Co. berjudul “Beyond Proofs of Concept:Scaling the Industrial IoT” mencapai kesimpulan serupa setelah mensurvei 600 eksekutif teknologi tinggi. IIoT secara umum dan pemeliharaan prediktif, khususnya, seringkali lebih menantang untuk diterapkan daripada yang diharapkan — seperti halnya prospek mengekstraksi “wawasan berharga dari data” dari proyek IIoT. Namun, laporan tersebut kemudian menyimpulkan bahwa “IoT industri tetap merupakan peluang yang menjanjikan.”
Salah satu tantangan utama adalah bahwa memahami data semacam itu juga membutuhkan perpaduan langka antara keahlian domain dan pengetahuan ilmu data. Untuk membantu menjembatani kesenjangan, Toumetis mempekerjakan pakar industri yang telah bekerja pada analisis data sejak akhir 1990-an dan awal 2000-an. "Ini masih bentuk seni," kata Willnerd. “Anda harus memahami dengan jelas masalah apa yang ingin Anda pecahkan dan apa nilai bisnis yang terkait dengannya.”
Yoskovitz memiliki pandangan serupa. Setelah berkeliling ke berbagai fasilitas industri di seluruh Amerika Serikat, dia sampai pada kesimpulan bahwa salah satu tantangan paling umum adalah menemukan bakat. Sementara banyak yang telah dibuat tentang kesulitan menemukan seorang ahli, katakanlah, keamanan siber industri atau ilmu data industri, masalahnya lebih besar. “Suatu kali, saya pergi ke sebuah ruangan untuk melakukan pelatihan di fasilitas pelanggan kami. Usia rata-rata adalah 55 tahun,” kenang Yoskovitz. “Kami memiliki orang-orang di sana yang hampir pensiun dan pendatang baru yang berusia 20-an. Dan Anda memiliki 30 tahun yang baik di antara mereka.”
Sebagian besar pengalaman manufaktur warisan di Amerika Serikat akan hilang ketika karyawan industri yang lebih tua pensiun dalam lima hingga 10 tahun ke depan. Sementara itu, pekerjaan industri rendah dalam daftar untuk karyawan yang lebih muda. “Hampir tidak ada seorang milenial atau Gen Z yang ingin menjadi teknisi pemeliharaan,” kata Yoskovitz.
Jadi, meskipun mungkin terlalu dini untuk mengatakan apakah teknologi luas seperti IoT dan AI akan menciptakan era produktivitas yang menyaingi revolusi industri pertama, atau apakah Industri 4.0 akan menjadi sesuatu yang lebih seperti software revisi daripada revolusi yang didorong oleh sistem fisik siber. Untuk saat ini, pertanyaan yang lebih praktis adalah menanyakan bagaimana teknologi semacam itu dapat memenuhi kebutuhan mereka yang paling mendesak — membawa orang yang tepat (teknisi) ke tempat yang tepat (mesin yang berpotensi gagal) pada waktu yang tepat (sebelum mesin itu rusak).
