تصور کنید مدیر عملیاتی یک پالایشگاه هستید که هزاران حسگر در اختیار دارد، اما برای تصمیمات حیاتی تنها از ۸ درصد این داده‌ها استفاده می‌کند. این شکاف اطلاعاتی، دلیل اصلی وقوع توقف‌های ناگهانی و حوادث صنعتی در مقیاس جهانی است.
به گزارش منابع صنعتی، استارتاپ لندنی Applied Computing که در زمینه هوش مصنوعی صنعتی تخصص دارد، موفق شد در دور Series A مبلغ ۲۰ میلیون دلار سرمایه جذب کند. این جذب سرمایه که توسط غول مهندسی KBR رهبری شد و Databricks Ventures نیز در آن مشارکت داشت، برای پیشبرد مأموریت این شرکت در تحول مدیریت محیط‌های عملیاتی پیچیده در صنایع نفت، گاز و پتروشیمی از طریق مدل بنیادی تخصصی خود به نام Orbital اختصاص یافته است.
تأسیسات صنعتی مدرن با حجم عظیمی از داده‌ها شناخته می‌شوند. این سیستم‌ها اغلب دارای هزاران حسگر هستند که متغیرهای حیاتی مانند دما، فشار، سرعت و ویسکوزیته (گرانروی) را به‌طور مداوم پایش می‌کنند. با این حال، این فراوانی داده‌ها به‌ندرت به پتانسیل کامل خود می‌رسد. طبق گفته کالوم آدامسون، هم‌بنیان‌گذار و مدیرعامل Applied Computing، اکثر اپراتورها تصمیمات عملیاتی حیاتی خود را با استفاده از کمتر از ۸ درصد داده‌های موجود می‌گیرند. مانع اصلی در اینجا کمبود اطلاعات نیست، بلکه پراکندگی شدید آن‌هاست. در حال حاضر، خوانش‌های حسگرها، مستندات مهندسی و قوانین بنیادی فیزیک و شیمی در سیلوهای جداگانه قرار دارند و ترکیب این اطلاعات در زمان واقعی برای انجام پیش‌بینی‌های دقیق، برای اپراتورها تقریباً غیرممکن است.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی تخصص‌یافته شدن مدل‌های زبانی اشاره کردیم، مدل‌های عمومی برای محیط‌های صنعتی ساخته نشده‌اند. برای حل این مشکل، Applied Computing مدل Orbital را توسعه داد که از نظر ساختاری با مدل‌های زبانی بزرگ (LLM) استاندارد تفاوت بنیادین دارد. در حالی که LLMهای سنتی برای پیش‌بینی کلمه بعدی در یک توالی طراحی شده‌اند، Orbital یک مدل چندوجهی (Multimodal) است که سه جزء متمایز را یکپارچه می‌کند:
- یک مدل سری زمانی (Time-series) برای پردازش داده‌های حسگرها
- یک مدل مبتنی بر فیزیک برای تضمین دقت علمی و رعایت قوانین طبیعت
- یک مدل زبانی برای تفسیر مستندات فنی و مهندسی
این ترکیب به Orbital اجازه می‌دهد تا وضعیت کلی یک تأسیسات را پیش‌بینی کند، در حالی که هم‌زمان محدودیت‌های تجهیزات را رعایت کرده و فعالیت‌های انسانی اپراتورها را نیز در محاسبات خود لحاظ می‌کند. یکی از مهم‌ترین ارزش‌های پیشنهادی مدل Orbital، توانایی آن در تسهیل شبیه‌سازی‌های سریع است. تکنسین‌ها می‌توانند از این هوش مصنوعی استفاده کنند تا مدل‌سازی کنند که چگونه یک تغییر خاص در یک بخش از Plant ممکن است اثرات موج‌گونه‌ای در سایر بخش‌های عملیاتی ایجاد کند و از این طریق از خرابی‌های پیش‌بینی‌نشده جلوگیری نمایند.
این استارتاپ «سرعت» را به عنوان مزیت رقابتی اصلی خود معرفی می‌کند. آدامسون ادعا می‌کند که Orbital می‌تواند ناهنجاری‌ها را شناسایی کند، ریشه مشکل را مورد بررسی قرار دهد و راهکارهای اصلاحی احتمالی را تنها در عرض چند دقیقه مدل‌سازی نماید. در محیط‌های سنتی، این نوع بررسی‌ها اغلب روزها یا حتی هفته‌ها زمان می‌برند و نیازمند تطبیق دستی داده‌ها و تحلیل‌های مهندسی گسترده هستند. با فشرده کردن این بازه زمانی به چند ثانیه، Applied Computing امیدوار است زمان توقف تولید (Downtime) را به‌طور قابل‌توجهی کاهش داده و ایمنی را در محیط‌های صنعتی پرخطر بهبود بخشد.
در حالی که بخش انرژی با فشار فزاینده‌ای برای بهینه‌سازی بهره‌وری و کاهش ردپای کربن مواجه است، توانایی بهره‌برداری از داده‌های خفته به یک ضرورت استراتژیک تبدیل شده است. مشارکت با KBR به Applied Computing تخصص عمیق در حوزه دامنه (Domain Expertise) و راهی برای ادغام ابزارهای هوش مصنوعی خود در پروژه‌های مهندسی مقیاس‌بزرگ می‌دهد. این استارتاپ با پر کردن شکاف بین خروجی‌های خام حسگرها و هوش مهندسی کاربردی، خود را به عنوان یک لایه حیاتی در تحول دیجیتال صنایع سنگین positioning می‌کند تا از نظارت ساده به سمت یک مدل عملیاتی پیش‌بینانه و تجویزی حرکت کند که قادر به مدیریت پیچیدگی‌های عظیم پالایش پتروشیمی باشد.
گام بعدی شما
- مدیران صنعتی باید بررسی کنند که چه مقدار از داده‌های حسگرهایشان در حال حاضر بدون تحلیل رها می‌شود.
- بررسی قابلیت‌های مدل‌های چندوجهی در تحلیل داده‌های سری زمانی (Time-series) برای پیش‌بینی خرابی‌ها.
- مطالعه اثر ادغام قوانین فیزیک در مدل‌های یادگیری ماشین برای کاهش توهمات مدل.
اما چالش اصلی این است که آیا سخت‌افزارهای فعلی می‌توانند این حجم از پردازش چندوجهی را در لبه شبکه (Edge) مدیریت کنند؛ تحلیلی که در گزارش بعدی ما درباره رایانش لبه خواهید خواند.
گفتگو