Meningkatkan Keahlian Manusia dengan Pembelajaran Mesin | Senseye

Oleh Adam Poole, Pemimpin Desain Produk

Teknologi hanya berharga jika membuat hidup kita lebih mudah, namun kebenaran sederhana itu bisa hilang dalam promosi sihir teknis terbaru.

Dalam lingkungan kerja, hal terakhir yang dibutuhkan orang adalah solusi yang membuat mereka pusing dengan sistem ekstra untuk dikelola. Dalam gelombang inovasi dan antusiasme saat ini seputar pabrik pintar dan Industri 4.0, menemukan solusi yang mendukung orang-orang untuk membangun bisnis yang lebih kuat menjadi lebih penting daripada membuat kehidupan kerja mereka menjadi lebih kompleks.

Data yang mengalir bebas dengan cepat menjadi mata uang utama di lingkungan cerdas ini. Meski begitu, data tidak ada gunanya kecuali jika itu memberdayakan orang untuk membuat keputusan bisnis yang lebih baik. Dengan mengingat hal itu, sangat penting bagi sistem industri generasi baru untuk memberikan pengalaman pengguna yang membuat kehidupan kerja orang-orang menjadi lebih baik.

Bantu keahlian untuk melangkah lebih jauh

Lakukan dengan benar dan sistem ini dapat memainkan peran besar dalam membantu meningkatkan keahlian manusia yang langka. Mereka dapat memberi orang lebih banyak waktu untuk membuat keputusan sementara sebagian besar analisis data rutin dilakukan secara otomatis di belakang layar.

Untuk benar-benar memanfaatkan kekuatan pabrik pintar, kita perlu menghubungkan manusia dan mesin dengan cara yang benar. Ini bukan tentang kecerdasan buatan (AI) yang menggantikan keahlian manusia selama bertahun-tahun, ini tentang manusia dan mesin yang menjadi 'sistem pintar':berkolaborasi dan saling melengkapi.

Tetapkan prioritas untuk mengoptimalkan sumber daya

Senseye PdM adalah contoh yang bagus. Sistem Pemeliharaan Prediktif berbasis cloud kami dapat memantau ribuan aset yang terhubung, secara otomatis mendeteksi perilaku dan pola abnormal yang cocok dengan mode kegagalan yang diketahui dari masing-masing mesin. Tujuannya adalah untuk menemukan masalah pemeliharaan lebih awal, memungkinkan pengguna untuk memperbaiki masalah sebelum mereka dapat mengganggu operasi.

Tim pemeliharaan yang sibuk biasanya hanya memiliki waktu beberapa menit di awal setiap shift untuk mengidentifikasi mana di antara ribuan aset mereka yang paling membutuhkan perhatian mereka. Uniknya, Senseye PdM menyajikan informasi kembali kepada pengguna dalam bentuk daftar prioritas, diurutkan berdasarkan Attention Index. Hal ini memungkinkan pengguna untuk segera melihat ke mana mereka harus mengarahkan sumber daya mereka.

Bergerak Melampaui Kesehatan Aset

Sama dengan kebanyakan sistem pemantauan kondisi, Senseye PdM sebelumnya membantu pengguna menetapkan prioritas dengan menunjukkan skor Kesehatan Aset untuk setiap aset. Ini sekarang digantikan oleh Indeks Perhatian, yang menyediakan cara tunggal untuk menyortir aset. Pendekatan baru ini merupakan bagian dari analitik generasi berikutnya yang diterapkan menggunakan rangkaian algoritme internal yang baru.

Indeks Perhatian memperhitungkan semua cara Senseye PdM dapat mendeteksi atau memprediksi masalah:deteksi anomali, tren, ambang batas dan prognostik. Perangkat lunak, di setiap level, memandu pengguna untuk menentukan masalah mendasar, memperbaikinya, dan menangkapnya dalam sistem. Ini memberi makan algoritme pembelajaran mesin sehingga kegagalan dapat mulai terlihat cukup awal untuk mengambil tindakan.

Kesehatan Aset, sebagai sebuah konsep, memberi kesan bahwa sistem memahami segala sesuatu tentang suatu aset. Ini tidak pernah terjadi. Sistem pemantauan kondisi hanya dapat mendasarkan skor ini pada sensor dan indikator kondisi yang disiapkan untuk setiap aset (yaitu tingkat getaran). Jika ini mengarah ke skor 0, apa artinya? Ini menyesatkan pengguna.

Wawasan sekilas

Attention Index mendukung pengambilan keputusan dengan menyajikan daftar aset yang diprioritaskan. Keahlian penggunalah yang menentukan langkah selanjutnya. Dengan menjaga desain perangkat lunak tetap sederhana dan lugas, waktu yang berharga dapat dihemat. Dengan memanfaatkan kekuatan pembelajaran mesin, keputusan yang tepat dibuat, dan dengan menangkap pekerjaan yang sebenarnya dilakukan, semua bagian dari sistem terus belajar.

Dengan membantu pengguna mengidentifikasi di mana mereka harus memfokuskan sumber daya pemeliharaan mereka, Senseye PdM memberikan hasil yang mengesankan, dengan peningkatan akurasi pemeliharaan sebesar 85% yang disertai dengan pengurangan waktu henti sebesar 50% dan peningkatan produktivitas sebesar 55%.

Ingin informasi lebih lanjut tentang Indeks Perhatian® dalam Senseye PdM? Unduh whitepaper kami "Meningkatkan Keahlian Manusia dengan Pembelajaran Mesin".