AI-nyheter: Nye modeller analyserer enorme datamengder – men mennesker forblir uerstattelige i prediktivt vedlikehold
Moderne språkmodeller som GPT-4, Claude 3 og Gemini kan håndtere store mengder ustrukturert data, oppdage mønstre og lage prognoser. Ifølge McKinsey kan slike løsninger skape et økonomisk potensial.
Likevel viser erfaringer fra industrien at kunstig intelligens fortsatt ikke kan ta over menneskers rolle i prediktivt vedlikehold. AI-systemer er flinke til å oppdage tidlige avvik og foreslå tiltak, men menneskelig innsikt er fortsatt nødvendig – av flere grunner.
For det første mangler det ofte treningsdata for nye eller sjeldne maskiner. For det andre har modellene begrenset forståelse av kontekst, som for eksempel midlertidig høy belastning under kampanjer som Black Friday. Og for det tredje kan sensordata være støyete eller ufullstendige, noe som fører til falske alarmer.
Blant bedrifter som har tatt i bruk prediktivt vedlikehold, rapporterer 95 prosent økonomiske gevinster, og 27 prosent oppnådde avkastning på investeringen i løpet av ett år.
Et konkret eksempel er lager, altså bearings: vibrasjonsdata analyseres ved hjelp av Fast Fourier Transform. Et typisk datasett kan bestå av tre akser med ti tusen spektrumpunkter hver – til sammen rundt 30 000 verdier som må tolkes i samarbeid mellom maskin og menneske.
Relevansen for Norge er tydelig: temaet er særlig aktuelt for industrielle driftsmiljøer og IIoT-sensorer, og dermed for norsk produksjon og prosessindustri.
Kilde: https://towardsdatascience.com/why-ai-still-cant-replace-analysts-a-predictive-maintenance-example | Sammendraget er KI-generert med OpenAI API av Ainy.no
