在Domtar的指挥中心，工作人员可以审查由其AI辅助的Waites传感器收集的大量数据。感谢Domtar，在马修·麦克劳克林（Matthew McLaughlin）作为Domtar的可靠性工程师任职初期，位于田纳西州金斯波特的纸张制造厂的一个电机发生故障。麦克劳克林表示，他的经理要求他审查整天的传感器数据，这些数据来自450个传感器，并建议修复方案——但他知道这是一项不可能完成的任务。他告诉《商业内幕》："分析我们一天内收集到的所有数据需要32周。" 随着制造公司采用有前景的新AI技术，他们常常面临学习如何以不同方式做事的挑战，例如，实施新工具和流程，以充分利用技术投资。在麦克劳克林到来之前的几年，Domtar实施了来自Waites传感器技术的AI辅助传感器，以持续监测设备的振动，这些振动信号表明机械的健康状况，并提供数据以防止故障。凭借比以往更多的数据，Domtar需要一种新的方式来管理所有这些数据，以充分发挥Waites传感器的能力。这正是像麦克劳克林这样的可靠性工程师的任务：通过数据分析、风险管理、工程专业知识和沟通技巧，改善公司的技术和数字资源。随着AI系统越来越多地与工作流程集成，像麦克劳克林这样的可靠性工程师必须开发新方法，将人类与技术结合起来。麦克劳克林说：“这是一个分水岭时刻，我们需要做些不同的事情。”他补充说：“这不能被当作一个遗留的预测性维护程序来对待；它需要被当作一个先进的系统来对待。” 在每周的合作伙伴通话中深入分析数据 为了摆脱手动分析，更好地利用Waites的机器学习技术，麦克劳克林说，他决定依赖该科技公司提供更详细和一致的支持。Domtar已经可以使用Waites的全面服务，包括一位Waites分析师，他可以了解Domtar的设施、痛点、人员和 staffing levels，以帮助该公司定制其传感器的AI建议。麦克劳克林表示，他开始利用这项额外的支持，参加传感器公司的每月电话会议。在其中一次电话会议中，Domtar团队提到工厂没有充分利用可以提供额外数据和潜在价值的工具，这使得电话会议变成了每周的例行活动。Domtar开始与Waites共享来自其热成像相机、红外相机和超声波计的数据。麦克劳克林说：“让我们尽可能多地提供反馈，因为在机器学习中，如果你不教它任何东西，它就不会学到任何东西。”在采取这种更积极的方法与Waites合作三个月内，麦克劳克林表示，Domtar开始注意到显著的改善。 数据与人类专业知识的融合 AI执行初步分析，但它依赖于Waites分析师、现场振动分析专家和Domtar的维护人员来诊断问题，Waites的首席执行官兼联合创始人罗布·拉特曼（Rob Ratterman）表示。他告诉《商业内幕》：“这不仅仅是技术的变化。它不是你可以随便插入的东西。”他补充说：“你可以插入我们的系统或者任何传感器系统，你会得到一些好处，但要使其达到马特所看到的那种结果，就需要某个人成为整个公司可以追随的灯塔。”现场主管、生产监督、管理层和总经理可以访问Waites系统，以保持对警报和响应的了解。麦克劳克林的团队跟踪每个网络和设备的行动项目，包括响应时间，确保行动项目的年龄不超过30天。AI共享的分析帮助他们精细调整维护，包括润滑剂的粘度等级。麦克劳克林说，降低粘度后，他们可以使用更少的马力并在电机上消耗更少的电流，从而降低成本。Domtar拒绝向《商业内幕》披露其AI成本，但麦克劳克林表示，该系统物有所值。他估计：“我们证明了这笔开支——与其他选项相比非常合理——是值得的，因为我们节省了1,546.65小时的未计划停机时间。”通过每日报告和跟踪赢得员工信任，麦克劳克林还开始向Domtar的老员工发送有关该系统及其警报的每日电子邮件摘要。操作经理在收到警报时会打电话给他，询问可靠性团队是如何处理的。他说：“然后这些电话停止了。昨天，我和一位纸机主管交谈，他说他不