Rockwell Automation primenjuje generativnu veštačku inteligenciju na praktičan industrijski problem: kako obuhvatiti decenije znanja o održavanju i učiniti ga odmah upotrebljivim tehničarima. U svom proizvodnom pogonu u Singapuru, Maintenance Copilot zasnovan na veštačkoj inteligenciji objedinjuje dokumentaciju o mašinama, proizvodne podatke i znanje iskusnih inženjera o rešavanju problema kako bi pomogao tehničarima da identifikuju kvarove i prate strukturirane korektivne postupke.
Od rešavanja problema na osnovu priručnika do održavanja potpomognutog znanjem
Tradicionalno rešavanje problema na mašinama često zavisi od toga da tehničar pronađe odgovarajući kod alarma u priručniku, protumači moguće uzroke i zatim odluči koju korektivnu meru prvo da isproba. Kada dokumentacija nije dovoljna, sledeći korak obično je da pita iskusnog tehničara koji se ranije susreo sa istim kvarom.
Ovaj proces stvara dva ograničenja. Prvo, rešavanje problema može zahtevati mnogo vremena dok oprema ostaje van upotrebe. Drugo, veliki deo najkorisnijih informacija može postojati samo kao neformalno „plemensko znanje“ koje poseduju iskusni radnici.
Rockwell-ov Maintenance Copilot menja način pristupa ovim informacijama. Umesto da ručno pretražuju stotine stranica, tehničari mogu da opišu simptom mašine prirodnim jezikom i dobiju informacije organizovane oko simptoma, mogućeg uzroka i preporučene reakcije.
Ovo je važna razlika u industrijskom okruženju: vrednost veštačke inteligencije nije samo u generisanju teksta. Njena praktična vrednost proizlazi iz toga što postojeće inženjersko znanje čini lakše dostupnim u trenutku kada je potrebno doneti odluku o održavanju.
Beleženje decenija inženjerskog iskustva
Singapurski sistem uključuje znanje o rešavanju problema koje su preneli iskusni inženjeri kompanije Rockwell, uključujući osoblje sa 20 do 30 godina iskustva u proizvodnji.
To znanje može obuhvatati detalje koje je teško zabeležiti u konvencionalnim priručnicima: koji simptomi se obično javljaju zajedno, koji kvarovi komponenti su uobičajeni, na šta određeni alarm obično ukazuje i kako su slični problemi rešeni na drugim proizvodnim linijama.
Za organizacije koje se bave održavanjem, ovo stvara potencijalni mehanizam za očuvanje znanja.
Iskusni tehničari vremenom odlaze u penziju ili prelaze na druge funkcije. Bez strukturiranog načina beleženja njihovog iskustva, organizacija može izgubiti praktično znanje o rešavanju problema čak i kada formalna dokumentacija ostane dostupna.
Sistem veštačke inteligencije ne može da zameni to iskustvo, ali može da pruži interfejs za pretraživanje znanja koje je već dokumentovano i strukturisano.
Strukturisaniji proces dijagnostikovanja kvarova
Jedan od tehnički zanimljivih aspekata sistema jeste organizovanje informacija o održavanju u kategorije simptom, uzrok i reakcija.
Ova struktura podseća na logiku koju već koriste iskusni inženjeri održavanja:
- Identifikujte uočljivi simptom na mašini.
- Utvrdite najverovatnije uzroke.
- Proverite relevantnu opremu ili signal.
- Primenite odgovarajuću korektivnu meru.
- Proverite da li se mašina vratila u očekivano radno stanje.
Asistent veštačke inteligencije takođe može da prikaže komentare i iskustva drugih tehničara i da poveže informacije o otklanjanju kvarova sa postojećim priručnicima za mašine.
Iz inženjerske perspektive, ovaj pristup je korisniji od tretiranja velikog jezičkog modela kao samostalnog autoriteta za dijagnostiku. Model postaje interfejs ka kontrolisanim tehničkim informacijama, a ne jedini izvor istine.
Smanjenje vremena zastoja i troškova održavanja
Prema internom praćenju kompanije Rockwell koje navodi Microsoft, pogon u Singapuru smanjio je vreme zastoja mašina za 33% nakon uvođenja pristupa održavanju. Prijavljeno je da su troškovi održavanja i rezervnih delova smanjeni za približno 25%.
Ove brojke treba shvatiti kao interne rezultate koje je prijavio Rockwell, a ne kao univerzalne pokazatelje učinka sistema veštačke inteligencije za održavanje.
Ipak, mehanizam koji stoji iza poboljšanja tehnički je razumljiv. Ako tehničari mogu brže da utvrde verovatne uzroke, nepotrebni ciklusi dijagnostikovanja kvarova mogu se smanjiti. Brže postavljanje dijagnoze takođe može skratiti vreme tokom kojeg oprema nije dostupna i pomoći tehničarima da izbegnu zamenu komponenti bez dovoljno dokaza.
Najveća korist stoga možda ne proizlazi iz samog modela veštačke inteligencije, već iz skraćivanja puta između simptoma na mašini -> relevantnog znanja -> inženjerske akcije.
Veštačka inteligencija može da skrati i vreme potrebno tehničarima za učenje
Još jedna primena jeste uvođenje zaposlenih u posao.
Rockwell navodi da tehničari kojima je ranije bilo potrebno približno devet meseci da ovladaju dijagnostikovanjem kvarova na stotinama mašina mogu da dostignu taj nivo za oko tri meseca uz pomoć veštačke inteligencije.
Ovo rešava čest izazov u savremenoj proizvodnji: složenost opreme raste, dok iskusno osoblje za održavanje nije uvek dostupno u dovoljnom broju.
Za novog tehničara, AI asistent može pružiti kontekstualni pristup dokumentaciji o mašinama i prethodno zabeleženom iskustvu u rešavanju problema. To ne ukida potrebu za praktičnom obukom, znanjem o električnoj bezbednosti ili kompetencijama specifičnim za opremu. Umesto toga, može smanjiti vreme koje se jednostavno troši na traženje informacija.
Razlika je važna. Veštačka inteligencija može ubrzati pristup informacijama; ona ne zamenjuje fizičke dijagnostičke veštine.
Povezivanje veštačke inteligencije sa industrijskim slojem podataka
Rešenje kompanije Rockwell koristi tehnologije Microsoft Azure, uključujući Azure OpenAI Service, Azure AI Search i Microsoftove mogućnosti za bezbednost, identitet i upravljanje.
Ova arhitektura ilustruje važan pravac za industrijsku veštačku inteligenciju: integrisanje jezičkih modela sa poslovnim i operativnim informacijama, umesto njihovog rada kao izolovanih čet aplikacija.
Za primene u održavanju, korisni podaci mogu poticati iz nekoliko izvora:
- Uputstva za rukovanje mašinama
- Evidencija održavanja
- Informacije o alarmima i kvarovima
- Beleške tehničara o rešavanju problema
- Proizvodni softver
- Istorija opreme
- Zapažanja sa proizvodne linije
Inženjerski izazov stoga nije samo izbor modela veštačke inteligencije. On podrazumeva uspostavljanje pouzdanih izvora podataka, kontrola pristupa, pronalaženja informacija i upravljanja modelom.
Veštačka inteligencija treba da podržava inženjere, a ne da zaobilazi inženjerske kontrole
Postoji praktično ograničenje koje ne treba zanemariti.
Preporuka za održavanje koju generiše sistem veštačke inteligencije ne bi trebalo automatski da postane komanda za upravljanje mašinom. Industrijska oprema može uključivati električne opasnosti, mehaničku energiju, procesne opasnosti i bezbednosno-instrumentisane funkcije.
Zbog toga je rešavanje problema uz pomoć veštačke inteligencije najprikladnije kao sloj za podršku pri donošenju odluka. Tehničar i dalje odgovara za proveru fizičkog stanja opreme i primenu utvrđenih procedura održavanja, zaključavanja/označavanja i bezbednosti.
Kod kritičnih sistema za upravljanje i bezbednost, razdvajanje informacija generisanih pomoću veštačke inteligencije od determinističke upravljačke logike posebno je važno.
AI može pomoći u odgovorima:
"Šta bi trebalo da istražim?"
Ne bi trebalo da samostalno odlučuje:
"Izvrši ovu bezbednosno kritičnu radnju."
Ta granica biće važna dok proizvođači prelaze sa održavanja uz podršku AI-ja na sve autonomnije operacije.
Više od održavanja: kvalitet i prediktivne operacije
Fabrika u Singapuru koristi AI za više od samog održavanja.
Rockwell takođe opisuje sistem kvaliteta sa više agenata, osmišljen za otkrivanje i rešavanje nedostataka na proizvodima tokom sklapanja, zajedno sa mogućnostima prediktivnog održavanja namenjenim prepoznavanju stanja koja bi mogla dovesti do neplaniranog zastoja opreme.
Ova kombinacija stvara širu industrijsku arhitekturu:
Operativni podaci -> AI analiza -> inženjerski uvid -> ljudsko ili automatizovano delovanje -> povratne informacije
Ovo je značajnije od uvođenja izolovanog četbota. To predstavlja postepenu integraciju AI-ja u više faza životnog ciklusa proizvodnje.
Oznaka Global Lighthouse koju je Svetski ekonomski forum u junu 2026. dodelio fabrici u Singapuru takođe je navela poboljšanja, uključujući povećanje broja jedinica po radnom satu za 43%, smanjenje broja nedostataka za 35% i skraćenje vremena potrebnog za osposobljavanje za 67%.
Ovi rezultati obuhvataju više tehnologija i operativnih promena, pa ih ne treba pripisivati isključivo kopilotu za održavanje.
Moj inženjerski stav: kvalitet podataka je prava osnova
Najvažnija lekcija ovog projekta nije izbor GPT modela.
Kod industrijskog AI-ja, osnovni inženjerski podaci obično su važniji od konverzacionog interfejsa. Ako su zapisi o održavanju nepotpuni, dokumentacija o mašinama zastarela ili je znanje o rešavanju problema loše strukturirano, sofisticiraniji model neće automatski dovesti do boljih odluka o održavanju.
Uspešna implementacija stoga zahteva nekoliko osnova:
- Tačne informacije o opremi i imovini
- Dosledna evidencija kvarova i održavanja
- Strukturirano inženjersko znanje
- Jasno vlasništvo nad informacijama
- Odgovarajuće mere sajber-bezbednosti
- Pristup zasnovan na ulogama
- Ljudska provera preporuka
- Mehanizmi povratnih informacija za ispravljanje netačnih informacija
Drugim rečima, AI otkriva kvalitet baze industrijskog znanja organizacije. Kompanije koje su godinama održavale čiste podatke o opremi i disciplinovano vodile evidenciju o održavanju verovatno imaju čvršću osnovu za usvajanje industrijskog AI-ja.
Od individualnog stručnog znanja do organizacionog znanja
Dublja vrednost Rockwellovog pristupa jeste njegov pokušaj da individualno iskustvo tehničara pretvori u organizaciono znanje.
Veoma iskusan inženjer može da prepozna obrazac kvara za nekoliko minuta jer se sa njim susreo mnogo puta. Novom tehničaru mogu biti potrebni sati da dođe do istog zaključka.
Ako se to iskustvo može dokumentovati, indeksirati i prikazati u trenutku kada je potrebno, organizacija postaje manje zavisna od malog broja pojedinaca.
To ne čini iskusne inženjere manje važnim. Naprotiv, njihovo znanje postaje vrednije jer se može zabeležiti i ponovo koristiti među mnogo većim brojem tehničara.
Od jedne fabrike do globalnih operacija
Rockwell planira da proširi kopilota za održavanje na proizvodne lokacije u Tvinzburgu u Ohaju, kao i u Poljskoj i Meksiku.
Proširenje industrijske aplikacije veštačke inteligencije sa jedne fabrike na više postrojenja doneće dodatne inženjerske izazove. Mašine, procedure, jezici, prakse održavanja i istorijski skupovi podataka mogu se razlikovati od lokacije do lokacije.
Globalno skalabilnom sistemu je zato potrebna zajednička arhitektura, uz istovremeno omogućavanje znanja specifičnog za svaku lokaciju.
Tu podaci zasnovani na oblaku, identitet, bezbednost i usluge veštačke inteligencije mogu pružiti prednost, pod uslovom da osnovni operativni podaci ostanu pravilno kontrolisani.
Sledeća faza industrijskog održavanja
Primena u Singapuru ilustruje širi pomak u industrijskoj automatizaciji.
Ranije generacije digitalizacije bile su u velikoj meri usmerene na prikupljanje podataka o mašinama. Sledeća faza sve je više usmerena na to da ti podaci budu korisni ljudima koji moraju da dijagnostikuju, održavaju i upravljaju fizičkom opremom.
Najpraktičniji industrijski sistemi veštačke inteligencije verovatno neće biti uspešni samo zato što mogu da generišu uverljive odgovore. Biće uspešni kada budu mogli da povežu stvarne uslove rada mašina sa pouzdanim inženjerskim informacijama i odgovarajućim tokom rada za ljude.
Za timove za održavanje, to bi moglo značiti manje vremena provedenog u traženju priručnika, brži pristup proverenim procedurama za otklanjanje kvarova i dosledniji pristup kvarovima koji se ponavljaju.
Dugoročna prilika je još šira: očuvanje inženjerskog znanja, ubrzavanje razvoja radne snage i korišćenje veštačke inteligencije kao dodatnog informacionog sloja oko postojećih PLC, DCS, SCADA, MES i sistema za održavanje.
