Ottimizzazione di TORO: classificazione automatica delle applicazioni utilizzando l'elaborazione del linguaggio naturale

Introduzione: Il problema della classificazione delle domande nel TORO

Nell'industria di oggi, dove l'efficienza produttiva è fondamentale, la gestione della manutenzione, riparazione e funzionamento (MRO) gioca un ruolo centrale. Ogni giorno vengono generate centinaia e talvolta migliaia di richieste di manutenzione, riparazione o pezzi di ricambio. La tradizionale classificazione manuale, l'assegnazione delle priorità e l'instradamento di queste richieste è un processo dispendioso in termini di tempo e soggetto a errori umani. Ciò si traduce in ritardi di risposta, errata allocazione delle risorse, aumento dei tempi di inattività delle apparecchiature e, di conseguenza, perdite finanziarie.

Per risolvere questo problema, UNITEC-D GmbH propone di considerare l'uso di tecnologie di intelligenza artificiale, in particolare Natural Language Processing (NPM), per automatizzare la classificazione delle applicazioni nei sistemi TORO. Questo approccio consente di trasformare una descrizione testuale non strutturata del problema in dati strutturati che possono essere immediatamente classificati, classificati in ordine di priorità e indirizzati agli attori appropriati. Ciò corrisponde ai principi dell’Industria 4.0 e consente alle imprese ucraine di aumentare l’efficienza operativa e l’affidabilità dei processi produttivi.

Principio di funzionamento dell'OPM per la classificazione delle domande

L'intelligenza artificiale è una branca dell'intelligenza artificiale che consente ai computer di comprendere, interpretare e generare il linguaggio umano. Nell'ambito della classificazione delle richieste TOO, il sistema OPM analizza la descrizione testuale del problema fornita dall'operatore o dal tecnico e la assegna ad una o più categorie predefinite. Il processo comprende diverse fasi chiave:

Raccolta e preelaborazione dei dati: il sistema necessita di dati storici: migliaia o decine di migliaia di domande già classificate con descrizioni testuali. Il testo viene ripulito da caratteri non necessari, errori tipografici, parole non necessarie (ad esempio "e", "ma", "y").
Tokenizzazione e rappresentazioni vettoriali (incorporamenti): il testo è diviso in parole o frasi separate (token). Ogni token viene convertito in un vettore numerico che ne riflette il significato semantico e il contesto nella frase. Modelli moderni come BERT o Word2Vec creano rappresentazioni vettoriali di alta qualità che consentono al sistema di "comprendere" sinonimi e contesto.
Addestramento di un modello di machine learning: sulla base di queste rappresentazioni vettoriali, viene addestrato un modello di machine learning (ad esempio, un classificatore basato su reti neurali profonde o un metodo del vettore di supporto). Il modello dell'insegnante abbina i vettori di testo alle categorie corrette, rivelando modelli.
Classificazione: dopo l'addestramento, quando il sistema riceve una nuova richiesta non classificata, passa attraverso le stesse fasi di elaborazione. Il modello addestrato analizza la rappresentazione vettoriale del nuovo testo e prevede la categoria più probabile (ad esempio, "Guasto elettrico", "Perdita idraulica", "Manutenzione programmata") con un certo livello di confidenza.

Questo approccio consente al sistema non solo di cercare parole chiave, ma di comprendere il contenuto dell'applicazione, anche se la formulazione non è chiara o contiene uno slang tecnico specifico caratteristico di una particolare impresa.

Requisiti dei dati

La qualità e il volume dei dati sono fondamentali per il successo dell'implementazione di un sistema OPM. Senza dati adeguati, qualsiasi modello sarà inefficace. I requisiti principali includono:

Volume di applicazioni storiche: per l'addestramento iniziale del modello, sono richieste un minimo di 5.000 - 10.000 applicazioni classificate qualitativamente. Per ottenere un'elevata precisione, è auspicabile avere da 20.000 a 50.000 applicazioni o più.
Qualità delle descrizioni testuali: le descrizioni devono essere quanto più dettagliate e chiare possibile. Le descrizioni poco chiare, troppo brevi o piene di abbreviazioni non decodificate nel sistema riducono la precisione. È necessario effettuare una verifica dei dati e, se possibile, unificare la terminologia.
Accuratezza della classificazione manuale: le applicazioni storiche devono essere classificate correttamente dagli esseri umani. Se i dati di addestramento contengono errori, il modello li riprodurrà. Si consiglia di verificare e correggere le classificazioni esistenti.
Formato dei dati: i dati devono essere disponibili in un formato strutturato (ad esempio CSV, JSON o direttamente dal database STUOiR/SAUAP). Ciascuna voce deve contenere una descrizione testuale del problema e la categoria (o le categorie) corrispondente. Campi aggiuntivi come ID risorsa, data, priorità, esecutore possono essere utilizzati per arricchire il modello.
Privacy e protezione dei dati: secondo i requisiti della legislazione ucraina (ad esempio, la legge dell'Ucraina "Sulla protezione dei dati personali") e gli standard internazionali (ISO/IEC 27001), è necessario garantire un'adeguata protezione delle informazioni riservate contenute nelle domande.

La preparazione dei dati è la fase di implementazione dell’OPM che richiede più tempo. Gli investimenti nella qualità dei dati si ripagano con una precisione e un’affidabilità del sistema significativamente più elevate.

Architettura di implementazione del sistema

L'integrazione del sistema OPM nel panorama produttivo esistente richiede un'architettura ben congegnata. Una tipica architettura include i seguenti componenti:

Operatori/Sensori → Sistema di Gestione TORO (SUTOiR/SUAP) → Modulo OPM → Sistema di Dispacciamento/Database → Esecutori

Fonte delle applicazioni: possono essere operatori che inseriscono manualmente le descrizioni dei problemi nel sistema (ad esempio, SAP PM, IBM Maximo, 1C:TORO) o sistemi di monitoraggio automatico delle condizioni (Condition Monitoring), che generano notifiche basate sui dati provenienti dai sensori (temperatura, vibrazioni, pressione secondo EN ISO 10816-1).
Toro Management System (SUTOiR/SUAP): il sistema esistente dell'azienda che raccoglie, archivia e gestisce le applicazioni. Il modulo OPM si integra con questo sistema per ricevere domande non classificate e restituire dati classificati.
Modulo OPM: Il componente centrale che esegue l'elaborazione del linguaggio naturale. Può essere distribuito come server locale (on-premise) per garantire la massima sicurezza dei dati o come servizio cloud (basato su cloud) per flessibilità e scalabilità. Il modulo include:
- Interfaccia di input/output: per l'interazione con SUTOiR/SUAP tramite API (Application Programming Interface).
- Sottosistema di pre-elaborazione: Pulizia del testo, tokenizzazione.
- Sottosistema di rappresentazioni vettoriali: conversione del testo in vettori numerici.
- Modello di classificazione: modello di machine learning addestrato.
Sistema di spedizione e database: le richieste classificate vengono automaticamente indirizzate ai team appropriati o ai singoli tecnici specializzati in questa categoria di malfunzionamenti. Le informazioni vengono archiviate in un database per ulteriori analisi e reporting.
Feedback e riqualificazione: un elemento fondamentale. I tecnici o i responsabili TORO controllano la classificazione automatica. Se la classificazione era errata, la correggono. Questi dati modificati vengono utilizzati per riqualificare periodicamente il modello, migliorandone l'accuratezza nel tempo.

È importante garantire che l'integrazione sia conforme agli standard di sicurezza dei dati e dei sistemi informativi come DSTU ISO/IEC 27001:2015.

Risultati reali ed efficienza economica

L’implementazione dell’OPM per la classificazione delle applicazioni TORO dimostra miglioramenti significativi negli indicatori operativi:

Migliorare la precisione della classificazione: i sistemi OPM automatizzati raggiungono una precisione della classificazione dell'85-95%, un valore significativamente superiore rispetto alla classificazione manuale, che spesso si aggira intorno al 60-70% a causa della fatica, della mancanza di standardizzazione e della soggettività.
Riduzione del tempo di elaborazione della domanda: il tempo dalla ricezione di una domanda alla sua classificazione e instradamento è ridotto da 15-30 minuti (con elaborazione manuale) a meno di 1 minuto. Ciò accelera la risposta ai malfunzionamenti critici.
Diminuzione del numero di richieste instradate in modo errato: fino al 20-40% delle richieste che in precedenza venivano inviate al team o allo specialista sbagliato vengono ora classificate e instradate correttamente. Ciò riduce il "rollover" della domanda tra i dipartimenti.
Diminuzione del tempo medio di ripristino (MTTR): un dispatch più rapido e accurato porta a una riduzione dell'MTTR, che ha un impatto diretto sui tempi di inattività delle apparecchiature. Un calo del 10-15% nell’MTTR è tipico.
Analisi dei dati migliorata: la classificazione automatica standardizzata genera dati di alta qualità per un'ulteriore analisi delle cause profonde, previsione dei guasti e ottimizzazione dei programmi di manutenzione preventiva.
Risparmio sui costi e ritorno sull'investimento (ROI): Grazie alla riduzione dei tempi di inattività, all'ottimizzazione dell'orario di lavoro del personale (fino al 10-15% dell'orario di lavoro dei responsabili della manutenzione) e alla maggiore efficienza dei lavori di riparazione, il ritorno sull'investimento è solitamente di 12-24 mesi.

Metriche applicate:

Costo del progetto pilota: 20.000 – 50.000 EUR (inclusa la preparazione dei dati e l'implementazione del modello di base).
Costo dell'integrazione completa: 100.000 – 500.000 EUR (dipende dalla complessità dell'integrazione, dalla quantità di dati e dalla necessità di personalizzazione).
Riduzione dei costi amministrativi: Fino a 0,5 - 1,5 EUR per ogni domanda elaborata. Con 10.000 richieste al mese, ciò si traduce in un risparmio di 5.000 - 15.000 EUR al mese.

Limitazioni e potenziali problemi

Nonostante i vantaggi significativi, i sistemi OPM non sono una soluzione universale e presentano i loro limiti:

Garbage In, Garbage Out: Se i dati di addestramento sono di scarsa qualità, il modello produrrà previsioni imprecise. Descrizioni inadeguate, terminologia incoerente o classificazione manuale errata creano problemi fondamentali.
Ambiguità e contesto: il linguaggio umano è complesso. I modelli OPM possono avere difficoltà a comprendere descrizioni altamente ambigue, sarcastiche o eccessivamente brevi che richiedono una profonda comprensione del contesto.
Specificità del dominio: i modelli addestrati su corpora di testo generali non saranno efficienti per il gergo tecnico TORO. È necessaria la formazione sui dati specifici del settore. Ciò richiede uno sforzo significativo nella raccolta e nell’etichettatura dei dati.
Supporto e riqualificazione: Processi di produzione e modifica delle attrezzature. Compaiono nuovi tipi di malfunzionamenti, nuove risorse, cambiano le scadenze. Il modello OPM richiede un monitoraggio regolare e una riqualificazione periodica (ad esempio, una volta ogni 3-6 mesi) sui nuovi dati per mantenerne la pertinenza e l'accuratezza.
Dipendenza dall'infrastruttura IT: l'implementazione e il funzionamento dei sistemi OPM richiedono una solida infrastruttura IT, risorse informatiche e possibilmente competenze specializzate in machine learning.

Costruisci o acquista: analisi decisionale

Quando si pianifica l'implementazione di un sistema OPM per la classificazione delle domande, le imprese si trovano di fronte a un dilemma: sviluppare una soluzione internamente (Build) o acquistare una soluzione commerciale (Buy).

Sviluppo con forze proprie (Build):

Vantaggi:

Personalizzazione completa per le esigenze specifiche dell'azienda.
Conservazione della proprietà intellettuale.
Profonda integrazione con i sistemi interni esistenti senza compromessi.

Svantaggi:

Elevati costi iniziali di sviluppo e manutenzione.
La necessità di un team di dati specializzato (data scientist, ingegneri ML).
Tempi di implementazione lunghi (12-24 mesi).
La necessità di supporto e sviluppo costanti.

Acquisto di una soluzione commerciale (Acquisto):

Vantaggi:

Distribuzione più rapida (3-6 mesi per l'integrazione di base).
Costi iniziali inferiori (sebbene i costi complessivi di licenza e supporto possano essere significativi).
Supporto e aggiornamenti dal fornitore.
Spesso include modelli preaddestrati che richiedono la riqualificazione su dati client specifici.

Svantaggi:

Meno flessibilità nella personalizzazione.
È possibile il blocco del fornitore.
Problemi di sicurezza dei dati se la soluzione è basata su cloud.
Le soluzioni standard potrebbero non corrispondere completamente ai processi aziendali unici.

Per la maggior parte delle imprese industriali ucraine, soprattutto nella fase iniziale, un approccio ibrido è ottimale: l'acquisto di una piattaforma già pronta che consenta un'ulteriore formazione sui propri dati e l'integrazione con EMS/ACS esistenti. Ciò consente di ottenere i vantaggi della velocità di implementazione e del supporto mantenendo l'adattabilità.

Passaggi pratici per l'implementazione

Al team tecnico dell'azienda si consiglia il seguente piano passo passo per l'implementazione di OPM:

Verifica dei dati: conduci un'analisi dettagliata delle applicazioni storiche esistenti nel tuo EMS/ACS. Valutare il volume, la qualità delle descrizioni testuali e l'accuratezza dell'attuale classificazione. Determina se sono presenti dati sufficienti per addestrare il modello.
Definizione dello scenario di utilizzo: inizia con una categoria specifica di reclami ad alto volume in cui la classificazione manuale è la più problematica (ad esempio, guasti di un singolo tipo di attrezzatura o di un'officina specifica).
Formazione di un team interdisciplinare: Creare un gruppo di lavoro che comprenda specialisti di manutenzione, dipartimento IT, dipartimento di automazione ed eventualmente personale operativo.
Progetto pilota: implementa un piccolo progetto pilota. Utilizza un set di dati limitato e concentrati su una o due categorie. Ciò consentirà di testare la tecnologia, valutarne l’efficacia e identificare potenziali problemi senza investimenti significativi.
Selezione delle soluzioni: sulla base dei risultati del progetto pilota e dell'analisi di mercato, scegli la soluzione commerciale più appropriata o sviluppa un piano di sviluppo interno.
Integrazione: garantisce la perfetta integrazione del modulo OPM con il tuo EMS/SMS esistente seguendo gli standard di scambio dati come DSTU ISO/IEC 19505-1:2015 (UML).
Monitoraggio e ottimizzazione: dopo l'implementazione, monitora continuamente l'accuratezza della classificazione, raccogli il feedback degli utenti e riqualifica regolarmente il modello su dati nuovi e modificati per mantenere prestazioni elevate.

UNITEC-D GmbH supporta le strategie di trasformazione digitale nell'industria fornendo pezzi di ricambio e componenti affidabili e certificati (CE, UkrSEPRO) conformi agli standard EN e ISO. La nostra vasta gamma di prodotti, disponibile attraverso il catalogo elettronico, consente di trovare e ordinare rapidamente gli elementi necessari per qualsiasi sistema diagnosticato con l'aiuto dei sistemi intelligenti TORO. Ciò garantisce il funzionamento ininterrotto delle apparecchiature e riduce al minimo i tempi di inattività, il che è fondamentale per realizzare con successo i vantaggi di OPM.

Sommario

La classificazione automatica delle richieste di manutenzione utilizzando l'elaborazione del linguaggio naturale è un potente strumento per migliorare l'efficienza della manutenzione nell'industria ucraina. Permette di ridurre i tempi di risposta, ottimizzare l'allocazione delle risorse e migliorare significativamente la qualità dei dati per ulteriori analisi. Sebbene l’implementazione richieda investimenti in dati e tecnologia, i potenziali risparmi e la maggiore affidabilità operativa garantiscono un rapido ritorno dell’investimento.

Per supportare le vostre iniziative di M&A e garantire l'affidabilità dei processi produttivi, vi invitiamo a familiarizzare con la nostra gamma di pezzi di ricambio e componenti industriali di alta qualità. Visita il Catalogo elettronico UNITEC-D.

Collegamento

DSTU ISO 9001:2015 Sistemi di gestione della qualità. Requisiti
DSTU ISO/IEC 27001:2015 Tecnologie dell'informazione. Metodi e mezzi per garantire la sicurezza. Sistemi di gestione della sicurezza delle informazioni. Requisiti
DSTU EN ISO 10816-1:2006 Vibrazioni. Misura e valutazione delle vibrazioni della macchina. Requisiti generali.
IT ISO 13849-1:2015 Sicurezza delle macchine. Parti dei sistemi di controllo legate alla sicurezza. Principi generali per la progettazione.
Direttive sulla marcatura CE per le macchine (2006/42/CE).
Regola tecnica di sicurezza delle macchine, approvata con delibera della CMU del 30 gennaio 2013 n. 62 (corrisponde alla Direttiva 2006/42/CE).
DSTU 4163-2003 Sistema di documentazione di progettazione. Regole per la progettazione di documenti di testo.