Automatisering van applicatieclassificatie bij onderhoud: NLP-oplossingen voor Oekraïense ondernemingen

1. Inleiding

Een moderne industriële onderneming genereert een enorme hoeveelheid informatie over de staat van apparatuur, die in de vorm van technische toepassingen komt. In MRO-systemen (Maintenance, Repair en Operations) is de efficiëntie van de verwerking van deze gegevens in cruciaal belang afhankelijk van de snelheid en nauwkeurigheid van de classificatie. Traditionele handmatige verwerking van aanvragen door coördinatoren veroorzaakt vertragingen, routeringsfouten en verminderde beschikbaarheid van apparatuur. Classificatieautomatisering met behulp van natuurlijke taalverwerkingstechnieken (NLP) lost dit probleem op door ongestructureerde teksten om te zetten in gestructureerde gegevens voor ERP-systemen.

2. Hoe het werkt

NLP-algoritmen analyseren de tekstbeschrijving van de fout die door de operator of het monitoringsysteem wordt verstrekt. Het hoofdproces omvat:

• Tokenisatie: het verdelen van de tekst in afzonderlijke woorden of symbolen.
• Inbedding (Embedding): Transformatie van woorden in vectorrepresentaties, waarbij woorden met een vergelijkbare betekenis dichtbij elkaar staan ​​in een multidimensionale ruimte.
• Classificatie: Met behulp van modellen van het Transformer-type (bijvoorbeeld DeBERTa) die de waarschijnlijkheid schatten dat een toepassing tot een bepaalde categorie behoort (bijvoorbeeld 'elektrisch', 'hydraulisch', 'mechanisch').

Het model leert van historische gegevens en onthult patronen die niet door mensen met grote hoeveelheden gegevens kunnen worden begrepen.

3. Gegevensvereisten

De volgende voorwaarden zijn nodig om een betrouwbaar classificatiesysteem op te bouwen:

• Gegevenskwaliteit: Beschikbaarheid van een historisch archief van applicaties (minimaal 10.000 - 50.000 records) die al door specialisten zijn geclassificeerd.
• Opschoning: verwijdering van technische rommel, duplicaten en spelfouten.
• Indeling: gegevens moeten een machinaal leesbaar formaat hebben (SQL, CSV) met duidelijke labels van categorieën.

4. Implementatiearchitectuur

Het systeem functioneert volgens het volgende schema:

1. Bron: osTicket of ander applicatieboekhoudsysteem.
2. Preprocessor: Service (Worker V8) die tekstopschoning uitvoert en query's uitvoert op het AI-model.
3. Gevolgtrekking: het model classificeert de tekst en retourneert een categorietag met een betrouwbaarheidsniveau.
4. Actie: Het resultaat wordt naar de SQL-database (bijvoorbeeld ERP Unitec) geschreven, waardoor automatisch het bijbehorende werkproces wordt gestart.

5. Praktische resultaten

De implementatie van geautomatiseerde classificatie laat de volgende indicatoren zien:

Bij een middelgrote onderneming maakte de implementatie van een dergelijk systeem het bijvoorbeeld mogelijk om de MTTR (gemiddelde hersteltijd) met 15% te verminderen dankzij de onmiddellijke routering van applicaties naar gespecialiseerde specialisten.

6. Beperkingen en risico's

AI is geen one-size-fits-all tool. Belangrijkste risico's:

• Fouten met nieuwe typen fouten: als het model tijdens de training geen vergelijkbare gevallen heeft gezien, kan het een fout maken.
• Data Drift (Data Drift): Veranderende terminologie of technische processen in de fabriek vereisen regelmatige herscholing van het model.
• Menselijke factor: de behoefte aan een 'human-in-the-loop'-mechanisme om applicaties met een laag AI-vertrouwen te verifiëren.

7. Aankoop van een kant-en-klare oplossing of eigen ontwikkeling

Interne ontwikkeling: Handig als u over specifieke terminologie beschikt en over een eigen team van ontwikkelaars beschikt. Biedt volledige controle over gegevens.

Commerciële oplossingen: Geschikt voor een snelle start. Voordeel in ondersteuning en kant-en-klare integrators voor populaire ERP.

8. Eerste stappen

Aanbevolen plan voor het engineeringteam:

1. Voer een audit uit van historische aanvragen van de afgelopen 2 jaar.
2. Selecteer een proefinstallatie of type testapparatuur.
3. Geef toegang tot de database voor analyse (schrijven naar PROD-servers is verboden).
4. Ontwikkel een mechanisme voor verificatie van automatische tags door ingenieurs.

9. Samenvatting

Het automatiseren van applicatieclassificatie is een eerste maar cruciale stap op weg naar Industrie 4.0. Hierdoor kunnen ingenieurs hun inspanningen richten op het oplossen van technische problemen, in plaats van op bureaucratie. Gebruik de UNITEC-D E-Catalog voor efficiënt apparatuuronderhoud en de selectie van reserveonderdelen.

10. Koppelingen

• ISO 55001:2014 – Activabeheer. Beheersystemen. Vereisten.
• DIN 31051:2012 – Basisprincipes van onderhoud.
• Documentatie over de ontwerpprincipes van NLP-systemen (volgens industriële softwareontwikkelingsstandaarden).