Come il RAG collega la conoscenza industriale all’interno della fabbrica
Le aziende manifatturiere possiedono un'enorme quantità di conoscenza.
Il problema è che raramente si trova in un unico posto.
-I manuali delle macchine sono conservati negli archivi tecnici.
-Lo storico della manutenzione si trova nelle piattaforme CMMS.
-Le procedure qualità sono archiviate nei sistemi di gestione documentale.
-Le informazioni sulla produzione provengono dal MES.
-Le istruzioni operative possono essere contenute in PDF, fogli di calcolo o persino documenti cartacei.
-E una parte della conoscenza più preziosa continua a esistere soltanto nell'esperienza di tecnici e operatori.
La sfida, quindi, non consiste semplicemente nel creare più informazioni. Consiste nel rendere la conoscenza industriale già disponibile più semplice da trovare, collegare e utilizzare.
È qui che la Retrieval-Augmented Generation (RAG) può generare un valore significativo.
La conoscenza industriale è frammentata
Immaginiamo un tecnico della manutenzione che deve analizzare un guasto improvviso a una macchina.
Le informazioni necessarie per risolvere il problema potrebbero già esistere.
Ma dove si trovano?
Il manuale della macchina potrebbe spiegare il codice di allarme.
Un precedente rapporto di manutenzione potrebbe descrivere lo stesso guasto.
Un report qualità potrebbe mostrare che in passato il problema ha avuto conseguenze sulle caratteristiche del prodotto.
Una procedura operativa potrebbe indicare la corretta sequenza di ripristino.
I dati di produzione potrebbero mostrare quando è iniziato il problema.
Ogni fonte contiene una parte della risposta. La difficoltà consiste nel collegarle.
In molte fabbriche questo richiede ancora ricerche manuali tra sistemi, cartelle e documenti differenti.
La conoscenza esiste, Il problema è accedervi.
La ricerca tradizionale trova documenti
I tradizionali strumenti di ricerca aziendale possono aiutare gli utenti a individuare le informazioni (cercando il codice di una macchina, ad esempio, possono restituire diversi documenti):
-Un manuale.
-Un rapporto di manutenzione.
-Una procedura.
-Una nota tecnica.
È utile.
Ma l'utente deve comunque aprire i documenti, individuare le sezioni rilevanti, confrontare le informazioni e stabilire quale risposta sia applicabile alla situazione attuale.
Il RAG introduce un approccio differente.
Invece di limitarsi a restituire documenti, recupera le informazioni rilevanti da fonti industriali affidabili e le utilizza per generare una risposta contestualizzata.
L'interazione passa da:
“Dove si trova il documento?”
a:
“Che cosa ci dice la nostra conoscenza industriale riguardo a questo problema?”
Collegare diverse fonti di conoscenza industriale
Il vero potenziale del RAG emerge quando può accedere a molteplici fonti di conoscenza.
Consideriamo una domanda come:
“Perché la Macchina 14 genera ripetutamente questo allarme dopo un cambio produzione?”
Una risposta realmente utile potrebbe richiedere informazioni provenienti da diversi sistemi:
-Il manuale della macchina spiega l'allarme.
-Lo storico della manutenzione mostra che lo stesso sensore è già stato sostituito due volte.
-Le procedure operative descrivono la sequenza corretta di setup.
-I dati di produzione mostrano che l'allarme si verifica soprattutto con una determinata famiglia di prodotti.
-I report qualità evidenziano che episodi precedenti erano associati a deviazioni dimensionali.
Prese singolarmente, queste informazioni offrono un contesto limitato. Insieme, creano un quadro operativo molto più completo.
Il RAG permette di collegare questa conoscenza attorno alla domanda posta dall'utente.
Dalle informazioni al contesto
Il contesto è particolarmente importante nel manifatturiero.
Lo stesso allarme può avere significati differenti in funzione di:
macchina;
prodotto in lavorazione;
fase produttiva;
recenti attività di manutenzione;
parametri di processo;
precedenti problemi qualitativi.
Un modello AI generico non conosce automaticamente questo storico operativo.
Il RAG permette all'AI di recuperare le informazioni rilevanti per quello specifico contesto produttivo prima di generare una risposta.
La risposta diventa così più utile perché è basata sulla conoscenza dell'organizzazione e non soltanto su informazioni generiche.
Un unico livello di conoscenza tra reparti differenti
La conoscenza industriale non segue rigidamente i confini organizzativi tra i reparti.
-Un problema produttivo può richiedere informazioni della manutenzione.
-Una deviazione qualitativa può essere collegata alle condizioni di una macchina.
-Un intervento di manutenzione può influenzare la pianificazione della produzione.
-Una procedura operativa può avere conseguenze sia sulla sicurezza sia sulla qualità.
I sistemi informativi, tuttavia, sono spesso organizzati per reparto.
Il RAG può creare un livello di conoscenza trasversale a questi confini.
La produzione può accedere alle informazioni rilevanti della manutenzione.
La manutenzione può comprendere meglio il contesto produttivo.
La qualità può collegare le deviazioni agli eventi operativi.
L'obiettivo non è sostituire i sistemi esistenti.
È rendere la conoscenza contenuta al loro interno più semplice da accedere e collegare.
Accesso più rapido alle risposte operative
Pensiamo a un nuovo tecnico che deve intervenire in seguito a un allarme macchina.
Senza un sistema intelligente di gestione della conoscenza, potrebbe dover:
cercare nel manuale;
controllare gli interventi di manutenzione precedenti;
chiedere supporto a un collega esperto;
consultare vecchi report;
verificare le procedure operative.
Tutto questo richiede tempo.
Con il RAG, il tecnico può porre una domanda specifica e ricevere una risposta costruita utilizzando le fonti approvate pertinenti.
Il sistema può spiegare le possibili cause, individuare eventi simili avvenuti in passato e indicare la procedura corretta.
La decisione rimane nelle mani del tecnico.
Ma il tempo necessario per raggiungere le informazioni rilevanti può ridursi significativamente.
Preservare la conoscenza industriale
Il RAG può contribuire anche ad affrontare un'altra importante sfida del manifatturiero:
la conservazione della conoscenza.
I tecnici più esperti accumulano anni di esperienza pratica.
Sanno che una determinata macchina si comporta diversamente dopo uno specifico setup.
Ricordano i guasti ricorrenti.
Conoscono le procedure che funzionano meglio in determinate condizioni.
Quando queste persone cambiano ruolo o lasciano l'azienda, una parte di questa conoscenza rischia di andare perduta.
Documentare l'esperienza e renderla accessibile attraverso un sistema di conoscenza industriale permette di trasformare le competenze individuali in patrimonio dell'organizzazione.
Un aspetto sempre più importante in un contesto caratterizzato da turnover e ricambio generazionale.
L'affidabilità delle fonti è fondamentale
Collegare l'AI alla conoscenza industriale introduce anche un requisito fondamentale.
Le fonti devono essere affidabili.
Una risposta relativa a una procedura di manutenzione non dovrebbe basarsi su un manuale obsoleto.
Un'istruzione relativa alla qualità dovrebbe utilizzare la revisione attualmente approvata.
Una procedura di sicurezza deve provenire da una fonte autorizzata.
Per questo motivo, un sistema RAG industriale richiede molto più che collegare un modello AI a una cartella piena di documenti.
Servono governance.
Gestione delle versioni.
Permessi di accesso.
Fonti di conoscenza approvate.
Tracciabilità.
La qualità della risposta dipende direttamente dalla qualità della conoscenza recuperata.
Il RAG non sostituisce i sistemi industriali
Il RAG non dovrebbe diventare un ulteriore repository isolato di informazioni.
Il MES continua a gestire l'esecuzione della produzione e i dati operativi.
Il CMMS gestisce le attività di manutenzione.
Il QMS gestisce i processi qualità.
L'ERP gestisce le informazioni aziendali.
I sistemi documentali mantengono la documentazione controllata.
Il RAG introduce un nuovo modo di accedere e collegare la conoscenza distribuita tra questi ambienti.
Diventa un'interfaccia intelligente tra le persone e le informazioni già presenti all'interno dell'organizzazione manifatturiera.
Dal cercare al domandare
Questo rappresenta un cambiamento importante nel modo in cui le persone interagiscono con le informazioni industriali.
Per anni la digitalizzazione ha richiesto agli utenti di sapere dove fossero archiviate le informazioni.
Quale sistema?
Quale cartella?
Quale report?
Quale documento?
L'Industrial AI inizia a invertire questo rapporto.
Le persone partono dalla domanda.
La tecnologia individua la conoscenza rilevante.
Questo non elimina la necessità di sistemi strutturati.
Rende la conoscenza contenuta al loro interno più semplice da utilizzare.
Conclusioni
Le aziende manifatturiere non hanno necessariamente bisogno di più informazioni.
Hanno bisogno di accedere meglio alla conoscenza che già possiedono.
Manuali delle macchine, storico della manutenzione, report qualità, procedure operative e dati di produzione contengono un enorme valore operativo.
Ma quando questa conoscenza rimane frammentata tra sistemi e documenti differenti, gran parte del suo potenziale viene perso.
Il RAG permette di collegare queste fonti e trasformare informazioni disperse in risposte contestualizzate.
Soluzioni come SkyMes possono fornire il contesto operativo della produzione necessario per collegare l'Industrial AI con ciò che sta realmente accadendo nel reparto produttivo, creando le basi per una conoscenza industriale più semplice da trovare, comprendere e utilizzare.
Il passo successivo non sarà soltanto trovare le informazioni più velocemente.
Sarà assicurarsi che ogni risposta generata dall'AI possa mostrare da dove provengono quelle informazioni.