Újra és újra ugyanazzal a problémával találkozunk, amikor egy vállalat szeretné élesíteni az IBM Maximo AI-funkcióit, például a meghibásodás-előrejelzést, az anomáliadetektálást vagy azokat a karbantartási javaslatokat, amelyeket büszkén lehet prezentálni a vezetőségnek. Őszintén gondolják, hogy az adataik rendben vannak és használhatóak. Amikor viszont elkezdenénk felhasználni őket, hirtelen kiderül, hogy sose voltak igazán rendben.

Mi az az IBM Maximo – és miért számít most ez?

Az IBM Maximo Application Suite egy vállalati eszközgazdálkodási platform, magyarul: az a rendszer, amelyben egy gyár, egy energiacég vagy egy közlekedési vállalat nyilvántartja, karbantartja és üzemelteti a fizikai eszközeit. Gépeket, berendezéseket, járműveket, infrastruktúraelemet. Mindent, ami elromolhat – és aminek az állásideje pénzbe kerül.

Az elmúlt években a Maximo messze túllépett a puszta nyilvántartáson. A platform már AI-alapú funkciókat kínál, így képes előrejelezni, mikor fog egy eszköz meghibásodni, felismerni az anomáliákat a működési adatokban, és karbantartási javaslatokat generálni – mielőtt a probléma egyáltalán láthatóvá válna. Így a reaktív tűzoltást felválthatja a tudatos, megelőző tervezés. Ezeknek az AI-funkcióknak az alapanyaga az adat, ami viszont a legtöbb bevezetési projektnél igazi kihívást jelent.

A kényelmes illúzió

Dolgoztunk már együtt olyan szervezettel, amely tűzbe tette volna a kezét az adataiért. Papíron tökéletes volt az adatbázis: évekre visszamenő bejegyzésekkel, hibátlan eszközhierarchiával, több ezer lezárt munkamenettel, amit azonnal be lehetett táplálni a Maximo rendszerbe. Ez egy olyan „tökéletes” történelmi alap, amiből bármely algoritmus könnyedén megtanulhatná, hogyan néz ki a normál működés, és azonnal riaszthatna eltérés esetén. Amikor azonban ténylegesen fejest ugrottunk a projektbe, hamar kiderült, hogy az adatok többsége használhatatlan.

A hibakódnál szinte minden helyen „EGYÉB” szerepelt, mert a pontos kód kiválasztása három plusz kattintással járt volna. Bizonyos eszközök duplikálva, kicsit eltérő névvel szerepeltek, és olyan berendezéseken is „sikeres” karbantartást végeztek, amelyeket már két évvel korábban leselejteztek. Strukturált mezők helyett szabad szöveges megjegyzéseket használtak, így ugyanazt a hibát több technikus is elvétette. Ennek tetejében a dátumok pedig nem a munka tényleges elvégzését jelölték, hanem azt a napot, amikor valaki végre rászánta magát a jegy lezárására.

Természetesen ebből semmi sem szándékolt szabotázs volt. A mindennapok gördülékenyen mentek, így ez a hiba figyelmen kívül maradt. Az adatok elégségesek voltak a cég napi működtetéséhez, egy algoritmus tanításához azonban kevésnek bizonyultak.

Miért olyan könyörtelen az AI, ha adatminőségről van szó?

Mi, emberek, zseniális módon vagyunk képesek a kontextus segítségével kitölteni a hiányzó részeket. Egy tapasztalt mérnök vagy tervező átlát a rossz adatokon. Ha meglát egy hibakódot, a húszéves szakmai tapasztalatából intuitív módon kiszűri, hogy hol lehet az elakadás.

A Maximo AI-modellje viszont erre képtelen, mivel szó szerint veszi az adatokat más támpontok nélkül. Ha olyan hibatörténetet kap, ahol a bejegyzések többsége „EGYÉB” címkével fut, akkor azt fogja megtanulni, hogy az eszközök legfőbb jellemzője, hogy senki nem tudja, miért romlottak el. Ha duplikált eszközöket kap, egyetlen gép előzményeit két külön profilra osztja szét, így egyikben sem marad elég információ ahhoz, hogy bármit is megjósoljon. Ha a valós események helyett az adminisztráció dátumait kapja meg, akkor a mérnökök papírmunkájának ritmusát fogja megtanulni, nem pedig a berendezések fizikai viselkedését.

Az AI tehát nem elfedi vagy kijavítja az adatok gyengeségeit, hanem felerősíti azokat – és akár teljesen téves előrejelzéseket generál. Ez az informatikában régóta ismert GIGO-elv (Garbage In, Garbage Out): szemetet kapsz, ha szemetet adsz be. Az eredmény pedig gyakran olyan professzionálisnak és meggyőzőnek tűnik, hogy a döntéshozók hajlamosak is hinni neki. Tehát minél ambíciózusabbak az AI-céljaink, annál magasabbra kell tennünk a lécet az adatminőség terén.

Ami elég a működéshez nem egyenlő az előrejelzéshez

Téves következtetés, hogy az évek alatt felhalmozott hatalmas rekordmennyiség automatikusan minőséget is jelent, mivel a volumen nem egyenlő a pontossággal. A napi üzemeltetéshez szükséges adatok és az előrejelzéshez szükséges adatok között éles különbség van.

Az utóbbihoz következetes, hiánytalan és strukturált adatbázis kell, amelynek mintázatai hűen tükrözik a valóságot. Egy évtizednyi következetlen, kaotikus adat csupán egy sokkal nagyobb halom problémát jelent.

Hogyan néz ki valójában egy adattisztítási folyamat?

Amikor kiderül, hogy az adatok minősége nem megfelelő, akkor egy lépést hátrébb kell lépnünk, hogy rendbe tegyük azokat. Az adattisztítás azonban nem egy egyhetes projekt, ellenben a legmagasabb megtérülésű befektetés az egész AI-projektben.

Egy tiszta adatbázisra épített Maximo prediktív modell akár 20–30%-kal is csökkentheti a váratlan leállásokat – miközben a rossz adatokon „nevelt” AI milliókat éget el téves riasztásokkal és indokolatlan beavatkozásokkal."

A probléma megszüntetéséhez azonban nem elegendő egyszer kijavítani mindent. Az adatminőség döntő részben folyamat- és viselkedési probléma, amely technológiai köntöst ölt. Így elsősorban a rendetlenséget szülő mindennapi szokásokat kell megváltoztatni.

1. Kezdjük őszinte felméréssel! Mielőtt azonnal eredményeket várunk az AI-tól, mérjük fel az adatokat, hogy megismerjük a valódi állapotot! 
2. Tisztítsunk és strukturáljunk! Szüntessük meg a duplikációkat, rendezzük strukturált kategóriákba a szabad szöveges káoszt, határozzuk meg, mit jelent a „jó”, és hozzuk közelebb a korábbi bejegyzéseket ehhez az állapothoz!
3. Javítsuk a forrást is, ne csak a tünetet! Ha a hibakódok azért haszontalanok, mert az űrlap kényelmetlen, egyszerűsítsük. Ha a technikusok szabad szövegben írják le a hibákat, adjunk nekik egy strukturált listát, amelyből gyorsabb választani és később egyszerűbb értelmezni.
4. Legyünk következetesek! A szabad szöveges megjegyzés nem ellenség – csak másfajta kezelést igényel. A Maximo modern AI-funkciói, például a watsonx-integrációval, már képesek értelmezni a technikusok szöveges bejegyzéseit is. Ehhez azonban kell egy minimális következetesség: azonos hibára következetesen hasonló leírás.
5. Mutassuk meg a kollégáknak, hogy a pontos adatbevitel az ő munkájukat könnyíti meg! Ha a rendszer a jó adatokból azonnal a megfelelő alkatrészt rendeli meg a következő javításhoz, érdekeltté válnak a precizitásban – nem papírmunkaként élik meg, hanem eszközként.
6. Folyamatosan monitorozzunk! Építsük be a minőségellenőrzéseket a mindennapi munkavégzésbe, hogy a problémák a lehető legrövidebb időn belül felszínre kerüljenek.

A lényeg

Az IBM Maximo AI-képességei valóban forradalmiak: a platform képes átvezetni egy vállalatot a reaktív tűzoltásból a tudatos, előretekintő tervezésbe. Az eszközöket nem csupán nyilvántartja, hanem meg is érti: figyeli a működési mintázatokat, észleli az apró eltéréseket és jelez, mielőtt a meghibásodás bekövetkezne.

Ám ebben nincs semmi varázslat. Az AI abból főz, amit kap, a kapott adatokat pedig kíméletlen pontossággal tükrözi vissza. Az AI sosem lesz okosabb az adataidnál. Éppen ezért érdemes még az indítás előtt kideríteni, hogy a rendelkezésre álló adatok valójában mennyire alkalmasak a rendszer betanításához. Ha nem vagy biztos benne, hogy a vállalatod eszköz- és karbantartási adatai mennyire alkalmasak AI-alapú előrejelzésre, kezdj egy célzott Maximo-adatminőségi felméréssel!

Amennyiben szeretnéd jobban megismerni, mire képes az IBM Maximo Application Suite, és hogyan segíthet a te vállalatodnak is átlépni a reaktív karbantartásból az előrejelző tervezésbe, látogass el a weboldalunkra vagy keress minket elérhetőségeinken.

[Az SCMax Solutions Kft. IBM Platinum Partner megbízásából készített, fizetett anyag.]