Rockwell Automation menggunakan AI generatif untuk menangani masalah praktikal industri : cara merekod pengetahuan penyelenggaraan selama berdekad-dekad dan menjadikannya terus boleh digunakan oleh juruteknik. Di tapak pembuatan Singapura, Maintenance Copilot berkuasa AI menggabungkan dokumentasi mesin, data pembuatan dan pengetahuan penyelesaian masalah daripada jurutera berpengalaman untuk membantu juruteknik mengenal pasti kerosakan dan mengikuti tindakan pembetulan berstruktur.
Daripada Penyelesaian Masalah Berasaskan Manual kepada Penyelenggaraan Berbantukan Pengetahuan
Penyelesaian masalah mesin secara tradisional sering bergantung pada juruteknik yang mencari kod penggera yang betul dalam manual, mentafsir punca yang mungkin dan kemudian menentukan tindakan pembetulan yang perlu dicuba terlebih dahulu. Apabila dokumentasi tidak mencukupi, langkah seterusnya biasanya ialah bertanya kepada juruteknik berpengalaman yang pernah menghadapi kegagalan sama sebelum ini.
Proses ini mewujudkan dua batasan. Pertama, penyelesaian masalah boleh mengambil masa yang banyak sementara peralatan tidak dapat digunakan. Kedua, sebahagian besar maklumat yang paling berguna mungkin hanya wujud sebagai "pengetahuan suku" tidak formal yang dimiliki oleh kakitangan berpengalaman.
Maintenance Copilot Rockwell mengubah cara mengakses maklumat ini. Daripada mencari secara manual melalui ratusan halaman, juruteknik boleh menerangkan gejala mesin dalam bahasa semula jadi dan menerima maklumat yang disusun berdasarkan gejala, punca yang mungkin dan tindak balas yang disyorkan.
Ini merupakan perbezaan penting dalam persekitaran industri: nilai AI bukan sekadar menjana teks. Nilai praktikalnya terhasil daripada usaha menjadikan pengetahuan kejuruteraan sedia ada lebih mudah dicapai apabila keputusan penyelenggaraan perlu dibuat.
Merekod Pengalaman Kejuruteraan Berdekad-dekad
Sistem di Singapura menggabungkan pengetahuan penyelesaian masalah yang disumbangkan oleh jurutera Rockwell berpengalaman, termasuk kakitangan dengan pengalaman 20 hingga 30 tahun di lantai pengeluaran.
Pengetahuan itu boleh merangkumi butiran yang sukar direkodkan dalam manual konvensional: gejala yang cenderung muncul bersama, kegagalan komponen yang lazim berlaku, perkara yang biasanya ditunjukkan oleh penggera tertentu dan cara masalah serupa diselesaikan di barisan pengeluaran lain.
Bagi organisasi penyelenggaraan, hal ini mewujudkan mekanisme berpotensi untuk mengekalkan pengetahuan.
Juruteknik berpengalaman akhirnya bersara atau beralih ke peranan lain. Tanpa kaedah berstruktur untuk merekod pengalaman mereka, organisasi boleh kehilangan pengetahuan praktikal tentang penyelesaian masalah walaupun dokumentasi rasmi masih tersedia.
Sistem AI tidak dapat menggantikan pengalaman tersebut, tetapi boleh menyediakan antara muka yang boleh dicari kepada pengetahuan yang telah didokumenkan dan distrukturkan.
Aliran Kerja Penyelesaian Masalah yang Lebih Berstruktur
Salah satu aspek sistem yang menarik dari sudut teknikal ialah penyusunan maklumat penyelenggaraan kepada simptom, punca dan tindak balas.
Struktur ini menyerupai logik yang telah digunakan oleh jurutera penyelenggaraan berpengalaman:
- Kenal pasti simptom mesin yang boleh diperhatikan.
- Tentukan punca yang paling munasabah.
- Periksa peralatan atau isyarat yang berkaitan.
- Laksanakan tindakan pembetulan yang sesuai.
- Sahkan sama ada mesin telah kembali kepada keadaan operasi yang dijangka.
Pembantu AI juga boleh memaparkan komen dan pengalaman daripada juruteknik lain serta menghubungkan maklumat penyelesaian masalah dengan manual mesin sedia ada.
Dari perspektif kejuruteraan, pendekatan ini lebih berguna daripada menganggap model bahasa besar sebagai pihak berkuasa diagnostik yang berdikari. Model tersebut menjadi antara muka kepada maklumat teknikal terkawal, bukannya satu-satunya sumber kebenaran.
Mengurangkan Masa Henti dan Kos Penyelenggaraan
Menurut penjejakan dalaman Rockwell yang dipetik oleh Microsoft, operasi di Singapura mengurangkan masa henti mesin sebanyak 33% selepas melaksanakan pendekatan penyelenggaraan tersebut. Kos penyelenggaraan dan alat ganti dilaporkan telah berkurang kira-kira 25%.
Angka ini harus difahami sebagai hasil dalaman yang dilaporkan oleh Rockwell, bukannya penanda aras prestasi sejagat untuk penyelenggaraan berasaskan AI.
Walau bagaimanapun, mekanisme di sebalik peningkatan ini boleh difahami dari sudut teknikal. Jika juruteknik dapat mengenal pasti punca yang berkemungkinan dengan lebih cepat, kitaran penyelesaian masalah yang tidak perlu dapat dikurangkan. Diagnosis yang lebih pantas juga boleh mengurangkan tempoh peralatan tidak tersedia dan membantu juruteknik mengelakkan penggantian komponen tanpa bukti yang mencukupi.
Oleh itu, manfaat terbesar mungkin bukan datang daripada model AI itu sendiri, tetapi daripada memendekkan laluan antara simptom mesin -> pengetahuan yang berkaitan -> tindakan kejuruteraan.
AI Juga Boleh Mengurangkan Masa Pembelajaran Juruteknik
Satu lagi aplikasi ialah penerimaan pekerja baharu.
Rockwell melaporkan bahawa juruteknik yang sebelum ini memerlukan kira-kira sembilan bulan untuk mahir menyelesaikan masalah ratusan mesin boleh mencapai tahap itu dalam sekitar tiga bulan dengan bantuan AI.
Hal ini menangani cabaran biasa dalam pembuatan moden: kerumitan peralatan semakin meningkat, sedangkan kakitangan penyelenggaraan berpengalaman tidak sentiasa tersedia dalam jumlah yang mencukupi.
Bagi juruteknik baharu, pembantu AI boleh menyediakan akses kontekstual kepada dokumentasi mesin dan pengalaman penyelesaian masalah yang direkodkan sebelum ini. Hal ini tidak menghapuskan keperluan untuk latihan amali, pengetahuan keselamatan elektrik atau kecekapan khusus peralatan. Sebaliknya, ia boleh mengurangkan masa yang dihabiskan hanya untuk mencari maklumat.
Perbezaan ini penting. AI boleh mempercepatkan akses kepada maklumat; AI tidak menggantikan kemahiran diagnosis fizikal.
Menghubungkan AI dengan Lapisan Data Industri
Pelaksanaan Rockwell menggunakan teknologi Microsoft Azure, termasuk Azure OpenAI Service, Azure AI Search serta keupayaan keselamatan, identiti dan tadbir urus Microsoft.
Seni bina ini menggambarkan hala tuju penting bagi AI industri: mengintegrasikan model bahasa dengan maklumat perusahaan dan operasi, bukannya mengendalikannya sebagai aplikasi sembang terpencil.
Untuk aplikasi penyelenggaraan, data berguna boleh datang daripada beberapa sumber:
- Manual arahan mesin
- Rekod penyelenggaraan
- Maklumat penggera dan kerosakan
- Nota penyelesaian masalah juruteknik
- Perisian pembuatan
- Sejarah peralatan
- Pemerhatian di barisan pengeluaran
Oleh itu, cabaran kejuruteraan bukan sekadar memilih model AI. Cabarannya ialah mewujudkan sumber data yang boleh dipercayai, kawalan akses, perolehan semula maklumat dan tadbir urus di sekitar model tersebut.
AI Harus Menyokong Jurutera, Bukan Memintas Kawalan Kejuruteraan
Terdapat batasan praktikal yang tidak patut diabaikan.
Cadangan penyelenggaraan yang dijana oleh sistem AI tidak sepatutnya secara automatik menjadi arahan kawalan mesin. Peralatan industri boleh melibatkan bahaya elektrik, tenaga mekanikal, bahaya proses dan fungsi yang dilengkapi instrumen keselamatan.
Atas sebab ini, penyelesaian masalah berbantukan AI paling sesuai digunakan sebagai lapisan sokongan keputusan. Juruteknik kekal bertanggungjawab untuk mengesahkan keadaan fizikal peralatan serta melaksanakan prosedur penyelenggaraan, penguncian/penandaan dan keselamatan yang telah ditetapkan.
Bagi sistem kawalan kritikal dan keselamatan, pengasingan antara maklumat yang dijana AI dengan logik kawalan deterministik amat penting.
AI boleh membantu menjawab:
“Apakah yang patut saya siasat?”
Ia tidak seharusnya membuat keputusan secara bebas:
"Laksanakan tindakan kritikal keselamatan ini."
Batasan itu akan menjadi penting apabila pengilang beralih daripada penyelenggaraan berbantukan AI kepada operasi yang semakin autonomi.
Melangkaui Penyelenggaraan: Kualiti dan Operasi Ramalan
Kilang di Singapura menggunakan AI untuk lebih daripada sekadar penyelenggaraan.
Rockwell turut menerangkan sistem kualiti berbilang ejen yang direka untuk mengesan dan menangani kecacatan produk semasa pemasangan, bersama-sama keupayaan penyelenggaraan ramalan yang bertujuan mengenal pasti keadaan yang boleh menyebabkan masa henti peralatan yang tidak dirancang.
Gabungan ini membentuk seni bina industri yang lebih luas:
Data operasi -> analisis AI -> wawasan kejuruteraan -> tindakan manusia atau automatik -> maklum balas
Hal ini lebih penting daripada menggunakan chatbot yang berdiri sendiri. Ia mewakili penyepaduan AI secara beransur-ansur ke dalam pelbagai peringkat kitar hayat pembuatan.
Penetapan kemudahan Singapura sebagai tapak Global Lighthouse oleh Forum Ekonomi Dunia pada Jun 2026 turut menyebut peningkatan termasuk kenaikan 43% dalam unit setiap jam kerja, pengurangan 35% dalam kecacatan dan pengurangan 67% dalam masa untuk mencapai kecekapan.
Hasil ini merangkumi pelbagai teknologi dan perubahan operasi, jadi hasil tersebut tidak seharusnya dikaitkan semata-mata dengan kopilot penyelenggaraan.
Pandangan Kejuruteraan Saya: Kualiti Data ialah Asas Sebenar
Pengajaran paling penting daripada projek ini bukanlah pilihan model GPT.
Bagi AI industri, data kejuruteraan yang mendasari biasanya lebih penting daripada antara muka perbualan. Jika rekod penyelenggaraan tidak lengkap, dokumentasi mesin sudah lapuk atau pengetahuan penyelesaian masalah tidak distrukturkan dengan baik, model yang lebih canggih tidak akan secara automatik menghasilkan keputusan penyelenggaraan yang lebih baik.
Oleh itu, pelaksanaan yang berjaya memerlukan beberapa asas:
- Maklumat peralatan dan aset yang tepat
- Rekod kerosakan dan penyelenggaraan yang konsisten
- Pengetahuan kejuruteraan yang berstruktur
- Pemilikan maklumat yang jelas
- Kawalan keselamatan siber yang sesuai
- Akses berasaskan peranan
- Pengesahan cadangan oleh manusia
- Mekanisme maklum balas untuk membetulkan maklumat yang tidak tepat
Dengan kata lain, AI mendedahkan kualiti asas pengetahuan industri sesebuah organisasi. Syarikat yang telah bertahun-tahun mengekalkan data peralatan yang bersih dan rekod penyelenggaraan yang berdisiplin berkemungkinan mempunyai asas yang lebih kukuh untuk menerima pakai AI industri.
Daripada Kepakaran Individu kepada Pengetahuan Organisasi
Nilai yang lebih mendalam daripada pendekatan Rockwell ialah usahanya untuk mengubah pengalaman individu juruteknik menjadi pengetahuan organisasi.
Jurutera yang sangat berpengalaman mungkin mengenali corak kegagalan dalam masa beberapa minit kerana mereka telah menghadapinya berkali-kali. Juruteknik baharu mungkin memerlukan berjam-jam untuk mencapai kesimpulan yang sama.
Jika pengalaman itu dapat didokumentasikan, diindeks dan dipaparkan apabila diperlukan, organisasi menjadi kurang bergantung pada sebilangan kecil individu.
Ini tidak menjadikan jurutera berpengalaman kurang penting. Malah, pengetahuan mereka menjadi lebih bernilai kerana boleh direkodkan dan digunakan semula merentasi populasi juruteknik yang jauh lebih besar.
Daripada Satu Kilang kepada Operasi Global
Rockwell merancang untuk memperluas kopilot penyelenggaraan ke lokasi pembuatan di Twinsburg, Ohio, serta Poland dan Mexico.
Penskalaan aplikasi AI industri daripada satu loji kepada pelbagai kemudahan akan memperkenalkan cabaran kejuruteraan tambahan. Mesin, prosedur, bahasa, amalan penyelenggaraan dan set data sejarah boleh berbeza antara tapak.
Oleh itu, sistem yang boleh diskalakan di seluruh dunia memerlukan seni bina yang sama, sambil masih membenarkan pengetahuan khusus tapak.
Di sinilah data berasaskan awan, identiti, keselamatan dan perkhidmatan AI boleh memberikan kelebihan, dengan syarat data operasi asas terus ditadbir dengan baik.
Peringkat Seterusnya dalam Penyelenggaraan Industri
Penggunaan di Singapura menggambarkan perubahan yang lebih luas dalam automasi industri.
Generasi pendigitalan terdahulu banyak menumpukan pada pengumpulan data mesin. Peringkat seterusnya semakin menumpukan pada menjadikan data itu berguna kepada orang yang perlu mendiagnosis, menyelenggara dan mengendalikan peralatan fizikal.
Sistem AI industri yang paling praktikal berkemungkinan tidak akan berjaya semata-mata kerana sistem tersebut boleh menjana jawapan yang meyakinkan. Sistem ini akan berjaya apabila dapat menghubungkan keadaan mesin sebenar dengan maklumat kejuruteraan yang dipercayai serta aliran kerja manusia yang sesuai.
Bagi pasukan penyelenggaraan, ini boleh bermakna kurang masa untuk mencari manual, akses lebih pantas kepada prosedur penyelesaian masalah yang terbukti dan pendekatan yang lebih konsisten terhadap kerosakan berulang.
Peluang jangka panjang adalah lebih luas lagi: mengekalkan pengetahuan kejuruteraan, mempercepat pembangunan tenaga kerja dan menggunakan AI sebagai lapisan maklumat tambahan di sekeliling sistem PLC, DCS, SCADA, MES dan penyelenggaraan sedia ada.
