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

به گزارش الفبای رشد به نقل از فرهنگ آفرینان، احسان اسماعیلی، کارشناس شرکت دانش‌بنیان پلیمر آریاساسول، 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، شرکت پلیمر آریاساسول 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.

اسماعیلی 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 اسماعیلی، 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.

اسماعیلی 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.