� VEDLIKEHOLD
ARROW-CI Senseye Predictive Maintenance bruker generativ KI for å gjøre prediktivt vedlikehold intuitivt og interaktivt .
sjon som bidrar til å øke bedriftens innsikt , sier Martinsen . – Da må vi ha reelle , industrielle data – med feil og alt . I et barskt industrielt miljø går ikke alt knirkefritt hele tiden , det vil oppstå avvik fra tid til annen . Senseye kjører 70 – 80 algoritmer for å analysere datamengden som kommer inn , da er vi sikre på at avvik plukkes opp i god tid før havari . Det er lagt stor vekt på sikkerhet i Senseye Predictive Maintenance ; informasjonen behandles i et privat skymiljø og er sikret mot ekstern tilgang . dataene vil heller ikke bli brukt til å trene ekstern generativ KI . – Vi sender ikke rådata direkte til skyen . Noen applikasjoner , som vibrasjonssensor på lager , genererer en enrom mengde data – det gir ikke mening å kjøre alle de dataene inn i en analyse , sier Martinsen .
– Noen produsenter kommer med maskiner med implementert funksjon for å analysere rådata . Har de ikke det samler vi og pre-prosesserer data før de sendes i skyen .
Start med noe , skaler senere Senseye Predictive Maintenance er en svært skalerbar skybasert løsning kan utvides etter hvert som behovene vokser . Mange velger å starter med et mindre antall objekter i et enkelt anlegg for å få en forståelse av plattformen og å etablere god praksis . – Det er ofte fornuftig for en organisasjon å kjøre en øvelse for å sikre at de ikke bare velger riktig leverandør , men også for at organisasjonen selv skal være tilstrekkelig forberedt . At det vet at prosjektet har alt det trenger for å lykkes , sier Martinsen .
52