В VROC мы часто слышим от клиентов и партнеров о том, что все большее число инженеров старшего возраста уходят на пенсию, а выпускники часто остаются на сложных операциях, таких как инженерные сети и нефтегазовые заводы. И похоже, что многие отраслевые эксперты (МСП) либо уходят на пенсию, либо переходят на консультационные функции. Фактически, 28,6 миллиона бэби-бумеров в США вышли на пенсию в третьем квартале 2020 года, а пандемию называют ускорителем выхода на пенсию стареющего населения инженеров.

Промышленные МСП знают, как работают сложные промышленные процессы и механизмы. Когда-то они оттачивали свои зубы, усердно работая, и почерпнули знания из поколения, которое было до них. Многие из них работают дольше, чем нынешние менеджеры среднего и высшего звена.

Должны ли мы беспокоиться? Что происходит, когда исчезают эксперты в предметной области?

Новые выпускники часто не заинтересованы в том, чтобы стать специалистами в микронишах, и часто желают выбрать универсальную карьеру, что расширяет их возможности трудоустройства. У многих есть амбиции быстро перейти на руководящие должности, поэтому неудивительно, что 89% производителей сообщают о трудностях с поиском квалифицированных рабочих.

Эксперты в предметной области часто могут вспомнить (по памяти) рабочие условия и события, которые происходили в течение многих лет, помня причины и следствия, которые они используют для обоснования своих повседневных решений. Будущая рабочая сила не будет опираться на эту историю и, следовательно, сможет полагаться только на теоретические знания, полученные при принятии оперативных решений.

Чем может помочь машинное обучение?

Одним из преимуществ машинного обучения является то, что оно постоянно учится на реальных и исторических больших данных. На самом деле, чем больше исторических данных, тем лучше. Машинное обучение обнаруживает, как активы и процессы работают в различных условиях эксплуатации — сбоях, сбоях и незначительных изменениях настроек. Затем он ищет небольшие отклонения, чтобы предупредить команды заранее о любых потенциальных проблемах, давая им время для смягчения последствий и планирования, избегая незапланированных остановок и падений производства.

Хотя это может показаться волшебством некоторым предшественникам перерабатывающих отраслей, это также можно рассматривать как важный следующий шаг, чтобы гарантировать, что организации будут продолжать выполнять надежные и продуктивные операции в будущем.

Новые выпускники привыкли использовать технологии в своей повседневной жизни, поэтому на рабочем месте не должно быть никаких различий. Однако выполнения сложных математических расчетов вручную, чтобы определить, приводят ли текущие настройки к сбою, или сортировки исторических заметок за годы, будет недостаточно. Эти методы будут слишком громоздкими и ненадежными, особенно для срочных решений. Новое поколение операторов и инженеров ожидает, что ответы будут у них под рукой.

Путь вперед

Для большинства промышленных процессов доступны большие объемы исторических данных, а платформы промышленного машинного обучения включай и работай могут предоставить новым сотрудникам необходимый инструмент. Эти инструменты позволяют промышленным предприятиям, работающим с крупными активами, внедрять прогностическое обслуживание ИИ, прогнозировать будущие результаты и быстро выявлять первопричины проблем, несмотря на сокращение числа малых и средних предприятий и пробелов в знаниях внутри компании.

Одна нефтегазовая платформа, страдавшая от частых простоев, решила попробовать машинное обучение и с удивлением обнаружила, что модели генерируют результаты в 2000 раз быстрее, чем их традиционный анализ надежности. Благодаря полученным данным их время безотказной работы увеличилось до 21,7 млн ​​долларов США.

Инженеры могут использовать инструменты машинного обучения без кода для оптимизации процессов, помогая им получать информацию о том, как снизить потребление энергии, а также о способах увеличения или стабилизации производства. И помогите генерировать идеи, чтобы помочь улучшить безопасность и качество результатов. В отличие от традиционного подхода к науке о данных, который требует большого количества времени и высококвалифицированных ресурсов, с помощью автоматических платформ машинного обучения оставшиеся инженеры и операторы могут создавать модели ИИ для анализа процессов и оборудования без какого-либо программирования или обработки данных.

Будущее работы

Это также может стать катализатором для промышленности, чтобы рассмотреть более разумные способы работы. Разрушение разрозненности и создание многопрофильных централизованных команд — это один из подходов, который позволяет осуществлять перекрестное сотрудничество между наборами навыков и обменом знаниями. Затем команды могут интерпретировать и оспаривать результаты машинного обучения и принимать обоснованные решения на основе данных.

Компаниям также необходимо сохранять гибкость в рабочих схемах и не забывать уроки, извлеченные во время пандемии. Компании, предоставляющие своим командам средства мониторинга в режиме реального времени и прогностического машинного обучения, не зависят от местного персонала. Одна компания смогла повысить надежность активов и сохранить уровень производства, несмотря на то, что во время пандемии ей пришлось быстро перевести свою команду инженеров на удаленную работу.

Поскольку экспертов в предметной области становится меньше, компании могут адаптироваться, внедряя инновационные технологии. Благодаря быстрым корпоративным системам даже младшие инженеры и операторы могут получать анализ данных, чтобы улучшить процесс принятия решений и повысить производительность промышленных предприятий и надежность активов.

Одно можно сказать наверняка, новое поколение промышленных инженеров и операторов уже здесь. Будет ли отрасль трансформироваться, чтобы машинное обучение и анализ данных помогли формировать ее будущее?