صرفه‌جویی ۲۴۰ میلیون دلاری با سامانه هوش مصنوعی مدیریت دارایی در صنایع بزرگ

به گزارش تابناک به نقل از مرکز ارتباطات و اطلاع‌رسانی معاونت علمی، فناوری و اقتصاد دانش‌بنیان ریاست‌جمهوری، یکی از کارشناسان این شرکت دانش‌بنیان، از طراحی سامانه‌ای نوآورانه در حوزه مدیریت دارایی‌های فیزیکی (Physical Asset Management) خبر داد که با بهره‌گیری از فناوری‌های هوش مصنوعی، چرخه مدیریت کار یا Work Management را به شکل هوشمند بهینه می‌کند.

به گفته وی، این شرکت فراتر از تولید محصولات پلیمری حرکت کرده و با اتکا به دانش بومی و فناوری‌های پیشرفته، سامانه‌ای طراحی کرده است که فرآیند‌های نگهداری، تعمیرات و بهینه‌سازی تجهیزات حیاتی در صنایع بزرگ را ارتقا می‌دهد.

وی توضیح داد: این سامانه بر پایه مدل بلوغ SAMI (Strategic Asset Management Inc) توسعه یافته و هسته فنی آن ترکیبی از فناوری‌هایی مانند تحقیق در عملیات (Operations Research)، تشخیص ناهنجاری (Anomaly Detection)، یادگیری ماشین (Machine Learning) و سیستم‌های پیشنهاددهنده (Recommender Systems) است.

وی افزود: تحلیل داده‌ها و داشبورد‌های هوش تجاری (BI) در این سامانه، اطلاعات میدانی را به تصمیم‌های اجرایی تبدیل می‌کند. همچنین یک چت‌بات هوشمند مبتنی بر مدل‌های زبانی بزرگ (LLM) در سامانه تعبیه شده که با قابلیت مکالمه و تحلیل بلادرنگ، کاربران را در تمام مراحل چرخه Work Management همراهی می‌کند.

به گفته وی، در توسعه هسته هوش مصنوعی این سامانه از روش‌های پیشرفته‌ای مانند RAG، CAG، RLHF و Quantization استفاده شده است تا مدل‌ها با دقت بالا و حجم بهینه اجرا شوند. انتقال این مدل‌ها به محیط عملیاتی نیز از طریق چارچوب MLOps انجام شده و تحلیل‌ها به صورت پویا با داده‌های Dynamic SQL به‌روز می‌شوند. همچنین قابلیت Long Context Reasoning توان استنتاجی سامانه را در تصمیم‌گیری‌های پیچیده افزایش داده است.

وی با اشاره به نتایج عملی این پروژه گفت: سامانه کلان ASTAR (Arya Sasol Total Asset Reliability) طی ۹ سال گذشته بیش از ۲۴۰ میلیون دلار صرفه‌جویی اقتصادی برای شرکت ایجاد کرده است.

به گفته او، ارتقای این سامانه با ابزار‌های هوش مصنوعی در یک سال اخیر، باعث افزایش چشمگیر کارایی آن شده و به کاهش توقف تولید، افزایش قابلیت اطمینان تجهیزات و بهبود کیفیت تصمیم‌گیری در هفت مرحله چرخه Work Management انجامیده است.

وی کاربران اصلی این سامانه را واحد‌های نگهداری و تعمیرات، مهندسی قابلیت اطمینان و مدیریت دارایی‌های فیزیکی در صنایع پتروشیمی، پالایشگاهی، نیروگاهی و معدنی عنوان کرد.

وی درباره مرحله Planning در این سامانه توضیح داد: در این مرحله سوپروایزر عملیات دامنه کار، مراحل اجرا و مواد موردنیاز را مشخص می‌کند و الگوریتم یادگیری ماشین طراحی‌شده به او کمک می‌کند تا مدت زمان تعمیرات و علت احتمالی خرابی تجهیزات را پیش‌بینی کند.

به گفته وی، مدل بهینه‌سازی ریاضی توسعه‌یافته نیز با تحلیل حجم کار‌های معوق (Backlog) بهترین تخصیص نیروی انسانی را پیشنهاد می‌دهد و حتی امکان بهینه‌سازی چارت سازمانی متناسب با نیاز واقعی واحد‌ها را فراهم می‌کند.

وی افزود: چت‌بات سازمانی این سامانه امکان پرسش و پاسخ درباره قوانین داخلی، وضعیت Backlog و تهیه گزارش‌های تخصصی را فراهم کرده و به یکپارچگی اطلاعات و تعامل هوشمند در سازمان کمک می‌کند.

او در پایان تأکید کرد: ابزار‌های هوش مصنوعی بدون بستر فرهنگی مناسب در سازمان‌ها موفق نخواهند بود. به همین دلیل ابتدا بستر فرهنگی و سازمانی لازم در شرکت ایجاد شد و سپس سامانه روی آن پیاده‌سازی شد. این سامانه کاملاً داخلی است و تمامی مجوز‌های لازم برای دسترسی به داده‌ها و پیاده‌سازی در محیط‌های اندرویدی از طریق ساختار داخلی شرکت دریافت شده است.