Pemeliharaan Prediktif: Katalis untuk Revolusi Industri Berikutnya
Potensi transformatif artificial intelligence adalah topik yang memicu perdebatan di seluruh industri. Sementara dampak masa depannya sering dibahas, ruang lingkup pengaruhnya tetap kompleks dan multifaset.
“Artificial intelligence” dapat merujuk pada segala sesuatu dari algoritma spesifik tugas yang sempit hingga konsep spekulasi artificial general intelligence (AGI)—mesin yang bereal dan bertindak dengan kecerdasan tingkat manusia. Hollywood telah mendramatisasi visi ini dalam film seperti The Terminator, dan tokoh publik seperti Elon Musk dan Bill Gates telah mengungkapkan khawatir tentang implikasinya. Namun, kapan dan apakah AGI akan terwujud masih tidak yakin. Gartner memprediksi dekade mungkin berlalu sebelum mesin mendekati penalaran manusia, meskipun AI sempit sudah melampaui manusia dalam arena khusus seperti catur dan Go. Martin Ford, penulis Architects of Intelligence, mengucapkan hal yang sama, mencatat bahwa kedatangan AGI tetap tidak dapat diprediksi.
Demikian pula, revolusi industri berikutnya tetap sulit dicapai. Sementara konsep seperti Industrie 4.0 menyarankan bahwa AI, IIoT, dan teknologi terkait dapat memicu gelombang produktivitas baru, produktivitas Barat telah stagnan selama bertahun-tahun. Produksi industri AS turun 0,1 persen pada Maret—sebuah penurunan yang Wall Street Journal sebut sebagai bukti bahwa manufaktur telah memasuki “soft patch.”
Meskipun tren makro ini, banyak perusahaan industri mendapatkan manfaat nyata dengan memadukan IIoT dengan machine learning. FogHorn, sebuah startup, membantu Daihen, perusahaan elektronik industri Jepang, menghapus 1.800 jam entri data manual dalam satu pabrik. Produsen minuman terkemuka menghemat setara dengan satu miliar kaleng bir dengan menerapkan platform pemeliharaan prediktif Augury, yang menggabungkan sensor getaran nirkabel, ultrasonik, suhu, dan magnetik dengan ML untuk mendeteksi fault peralatan. Saar Yoskovitz, pendiri dan CEO Augury, menjelaskan bahwa mengidentifikasi aus bearing yang parah pada mesin pengisian memungkinkan pabrikan bir untuk melakukan perbaikan yang dijadwalkan selama waktu henti, mencegah padamnya delapan jam yang akan mengakibatkan kerugian $200.000 pendapatan yang hilang.
Alizent, cangkir digital Air Liquide, menunjukkan kekuatan Industrie 4.0 dalam skala. Memanfaatkan perangkat lunak PI OSIsoft sebagai mesin data platform, Air Liquide meluncurkan platform optimasi pabrik SIO beberapa tahun yang lalu. Menurut Michael Kanellos, senior manager komunikasi korporat di OSIsoft, Air Liquide mencapai payback dalam waktu tiga bulan dan return sepuluh kali lipat dalam tahun pertama. Perusahaan kemudian memperluas platform untuk mengelola pabrik “lights-out” di Prancis dan Asia Tenggara, akhirnya memisahkan Alizent menjadi unit terpisah untuk melayani baik Air Liquide maupun klien eksternal.
White House Utility District, utilitas air dan saluran air terkemuka di Tennessee, mengurangi kebocoran air dari 32 persen menjadi 15 persen melalui transformasi digital, menghasilkan jutaan dolar dalam penghematan. Distrik juga mengurangi biaya manajemen data sebesar $30.000 per tahun dan menunda peningkatan pabrik sebesar $15 juta selama 11 tahun, meningkatkan reputasi komunitas dan penilaian agensi rating kredit.
Mark Willnerd, CEO dan presiden Toumetis—sebuah perusahaan machine learning untuk aplikasi industri—mengantisipasi lonjakan produktivitas dalam lima tahun ke depan. “Berkat teknologi seperti machine learning, kita siap untuk peningkatan yang signifikan,” katanya, membandingkan peningkatan yang diharapkan dengan boom produktivitas tahun 1990-an.
Toumetis bekerjasama dengan sebuah perusahaan energi pada sebuah bidang minyak yang bisa menjadi salah satu produsen terbaik di dunia. Pompa sumur listrik yang tidak terpercaya telah menghambat output. Dengan memantau 1.500 sumur dan 100 aliran data, Toumetis dapat memprediksi kegagalan pompa hingga 14 hari di depan, memungkinkan perbaikan proaktif yang memaksimalkan keuntungan dan produksi.
Menerapkan machine learning di lingkungan industri jaranglah sederhana. Ketidakkonsistenan data—bacaan sensor palsu, nilai yang hilang, dan kebutuhan akan pembersihan ekstensif—dapat menghambat analisis. Willnerd mencatat bahwa kita masih dalam tahap awal penerapan ML di industri.
Sebuah studi Bain & Co., Beyond Proofs of Concept: Scaling the Industrial IoT, menyurvei 600 eksekutif high-tech dan menemukan bahwa IIoT, terutama pemeliharaan prediktif, lebih sulit diterapkan dari yang diharapkan. Namun, laporan menyimpulkan bahwa IoT industri tetap menjadi peluang yang menjanjikan.
Salah satu tantangan inti adalah kebutuhan akan campuran langka antara keahlian domain dan kecakapan data-science. Toumetis mengatasi hal ini dengan merekrut ahli industri berpengalaman yang telah bekerja di analitik data sejak akhir tahun 1990-an dan awal 2000-an. Willnerd menekankan bahwa keberhasilan bergantung pada pemahaman yang jelas tentang masalah dan nilainya bagi bisnis.
Yoskovitz menyampaikan perasaan yang sama, mencatat bahwa kesenjangan talenta menyeluruh. Dalam satu sesi pelatihan, usia rata-rata peserta adalah 55, mengilustrasikan kesenjangan generasi. Dengan pekerja tua yang pensiun dan generasi muda yang tidak tertarik pada peran pemeliharaan, AS berisiko kehilangan pengetahuan warisan manufaktur yang berharga selama dekade ke depan.
Sementara mungkin terlalu dini untuk menyatakan apakah IoT dan AI akan membawa era produktivitas yang setara dengan revolusi industri pertama—atau apakah Industrie 4.0 akan mirip dengan upgrade perangkat lunak daripada revolusi sistem siber-fisik—organisasi masih dapat menjawab pertanyaan praktis: bagaimana teknologi ini dapat memberikan nilai segera dengan memastikan teknisi yang tepat mencapai mesin yang tepat pada waktu yang tepat?
