छोटा जवाब: टेक्नोलॉजी से ज़्यादा क्रम मायने रखता है। पहले, डेटा की नींव ठीक कीजिए: ऐसे स्टॉप कोड जिन पर लोग भरोसा करें, जुड़े हुए हिस्टोरियन, MES, CMMS और LIMS, और OEE की एक तय परिभाषा। दूसरे, नुकसान की कीमत के हिसाब से एक पायलट चुनिए, AI के उस सबसे निचले पायदान पर जो उसे हल कर सके। एक शिफ़्ट में 300,000 बोतल बनाने वाली उदाहरण लाइन पर OEE का एक पॉइंट एक शिफ़्ट में 3,000 बोतल है, और तीन शिफ़्टों में साल भर में लगभग 2.7 मिलियन। तीसरे, किसी के पैसे में बदलने से पहले भौतिक इकाइयों में बेसलाइन के सामने मापिए। चौथे, प्लांट के टेक्स्ट के लिए जेनरेटिव AI और ऐसे एजेंट जोड़िए जो मसौदा बनाएँ, ख़ुद कदम न उठाएँ। और AGI को नज़र रखने वाली ख़बर मानिए, इंतज़ार की वजह नहीं।
मैंने प्लांट के AI प्रोजेक्ट्स को फ़ेल होते कम और अटकते ज़्यादा देखा है। वे शायद ही किसी ख़राब मॉडल से मरते हैं। वे चौथे महीने में मरते हैं, जब टीम को पता चलता है कि स्टॉप कोड किसी काम के नहीं, मेंटेनेंस सिस्टम में एसेट के नाम MES से अलग हैं, और कोई इस पर सहमत नहीं कि प्लान्ड डाउनटाइम में क्या गिना जाता है। मॉडल तैयार बैठा रहता है, उस डेटा के इंतज़ार में जो अपने आप कभी आने वाला नहीं था।
यह AI for Operational Excellence in Beverage Plants की आख़िरी पोस्ट है। पहली सात ने शब्दावली बनाई: AI की सीढ़ी, LLM, एजेंट, OEE, क्लासिक AI, फ़्लोर पर जेनरेटिव AI और एजेंटिक AI। यह पोस्ट उन्हें क्रम में रखती है।
चरण 1: पहले डेटा की नींव
रोडमैप में आगे का कुछ भी इनके बिना काम नहीं करता, इसलिए ये पहले आते हैं, भले ही बोर्ड के सामने रखने में ये सबसे कम रोमांचक हों:
- ऐसे स्टॉप कोड जिन पर लोग भरोसा करें। PLC से अपने आप स्टॉप पकड़ना, साथ में कारणों की एक छोटी सूची जो छह बड़े नुकसानों से जुड़ती हो। इसे ऑपरेटरों के साथ परखिए, सिर्फ़ इंजीनियरों के साथ नहीं।
- जुड़े हुए सिस्टम। MES, हिस्टोरियन, CMMS और LIMS साझा कुंजियों पर जुड़े हों: वही एसेट ID, वही बैच या ऑर्डर नंबर, वही घड़ी। आमतौर पर सूची का यही सबसे बड़ा काम होता है।
- OEE की एक परिभाषा। प्लान्ड टाइम में क्या गिना जाता है, हर प्रोडक्ट और फ़ॉर्मेट की आदर्श दर क्या है, लिखा हुआ और प्रकाशित।
- डेटा के लिए एक जगह। IT वाली तरफ़ एक लेकहाउस या वेयरहाउस, DMZ प्रतिलिपि से भरा हुआ, जहाँ कंट्रोल नेटवर्क को छुए बिना डेटा मॉडल बनाया जा सके।
यही सबक Cellar Ledger में वाइनरी के डेटा काम का है: किसी भी असिस्टेंट से पहले परिभाषाएँ और डेटा मॉडल आते हैं।
चरण 2: नुकसान की कीमत से पायलट चुनिए
नुकसान मापे जा चुके हों, तो पायलट का चुनाव उत्साह नहीं, गणित बन जाता है। हर संभावित नुकसान के लिए चार सवाल पूछिए:
- इसकी कीमत कितनी है? हर हफ़्ते खोए मिनट या बोतलें, गुणा आपके लिए एक बोतल या एक मिनट की कीमत।
- क्या डेटा तैयार है? क्या संकेत मौजूद है, सही फ़्रीक्वेंसी पर, स्टॉप लॉग से जुड़ा हुआ?
- इसे ठीक करने वाला सबसे निचला पायदान कौन-सा है? नियम, SPC, मॉडल, जेनरेटिव AI या एजेंट।
- गलत होने पर क्या होगा? चेंजओवर पर गलत सुझाव सस्ता है। पाश्चराइज़र पर गलत फ़ैसला नहीं।
पैमाना दिमाग को केंद्रित करने में मदद करता है। पोस्ट 4 की उदाहरण फ़िलर लाइन पर आदर्श आउटपुट एक शिफ़्ट में 300,000 बोतल है। OEE का एक पॉइंट एक शिफ़्ट में 3,000 बोतल है। 300 दिन तीन शिफ़्टों में यह साल भर में 2.7 मिलियन बोतल है। इसे प्रति बोतल अपने कंट्रीब्यूशन से गुणा कीजिए, और कुछ भी ख़र्च करने से पहले आप जान जाते हैं कि एक पॉइंट के सुधार की कीमत क्या है।
पायलट आमतौर पर क्लासिक AI होता है: सबसे बड़े ब्रेकडाउन नुकसान वाले एसेट पर प्रेडिक्टिव मेंटेनेंस, या सबसे बड़े क्वालिटी नुकसान वाले प्रोसेस पर एनोमली डिटेक्शन। यह सीमित होना चाहिए: एक लाइन, एक एसेट परिवार, एक नुकसान।
चरण 3: प्लांट के टेक्स्ट के लिए जेनरेटिव AI
जब भरोसेमंद डेटा परत हो, तब जेनरेटिव AI के पास खड़े होने के लिए कुछ होता है। स्टॉप लॉग और नोट्स से बने शिफ़्ट हैंडओवर, हवाले के साथ SOP के जवाब, ऐसी रूट-कॉज़ सहायता जो सुझाती है और कभी निष्कर्ष नहीं निकालती। ये जल्दी फैलते हैं क्योंकि लोगों को हर शिफ़्ट में बचा समय महसूस होता है। ये बची हुई डेटा समस्याओं को भी जल्दी उजागर करते हैं, क्योंकि ख़राब स्टॉप कोड पर बना हैंडओवर साफ़ गलत पढ़ता है।
चरण 4: मसौदा बनाने वाला एजेंट
अब जाकर एजेंट का मतलब बनता है: पोस्ट 7 का OEE लॉस एजेंट, ऑटोनॉमी स्तर 2 पर, रेप्लिकेट किया डेटा पढ़ता हुआ, इंसान की मंज़ूरी के लिए वर्क ऑर्डर और चेंजओवर प्लान का मसौदा बनाता हुआ, हर टूल कॉल लॉग में और प्रोसेस कंट्रोल तक कोई रास्ता नहीं। यह अपने पहले की हर चीज़ पर खड़ा होता है: नुकसानों को क्रम में रखने के लिए स्टॉप कोड, स्टॉप को एसेट से जोड़ने के लिए जुड़े सिस्टम, और अपने किए की रिपोर्ट के लिए हैंडओवर।
ईमानदार ROI
प्लांट्स में AI प्रोजेक्ट उदार गणित के शिकार होते हैं। कुछ आदतें इसे ईमानदार रखती हैं:
- शुरू करने से पहले बेसलाइन मापिए। नुकसान जैसा है, चार से आठ हफ़्ते तक, उसी तरह दर्ज किया हुआ जैसे आप उसे बाद में दर्ज करेंगे।
- पहले भौतिक इकाइयों में गिनिए। मिनट, बोतलें, किलोवाट घंटे, पानी के लीटर, खोए प्रोडक्ट के किलोग्राम। पैसे में सिर्फ़ आख़िर में बदलिए, फ़ाइनेंस टीम के साथ।
- जहाँ हो सके, तुलना रखिए। पायलट न पाने वाली एक मिलती-जुलती लाइन दिखाती है कि बदलाव का कितना हिस्सा मौसम, प्रोडक्ट मिक्स या किसी नए सुपरवाइज़र से आया।
- हर लागत गिनिए। लाइसेंस और कंप्यूट, हाँ, पर डेटा इंजीनियरिंग, डिज़ाइन सेशनों में ऑपरेटरों का समय और मॉडलों की लगातार देखभाल भी।
- पूरी टीम को श्रेय दीजिए। अक्सर सबसे बड़ा फ़ायदा चरण 1 में स्टॉप कोड ठीक करने से आता है, चरण 2 के मॉडल से नहीं। यह खुलकर कहिए।
फ़्लोर पर चेंज मैनेजमेंट
टेक्नोलॉजी आसान हिस्सा है। इनमें से कुछ भी काम करेगा या नहीं, यह लोग तय करते हैं:
- ऑपरेटरों के साथ डिज़ाइन कीजिए। वे जानते हैं कि कौन-से स्टॉप कोड बेतुके हैं और किन अलार्मों को सब अनदेखा करते हैं। उन्हें पहले हफ़्ते से शामिल कीजिए।
- इसे कभी दोष देने के लिए इस्तेमाल मत कीजिए। अगर हैंडओवर सार या लॉस एजेंट यह ढूँढने का टूल बन जाए कि दोष किसका है, तो एक महीने के भीतर डेटा बदतर हो जाएगा।
- फ़्लोर पर इसका एक मालिक बनाइए। एक प्रोडक्शन सुपरवाइज़र, सिर्फ़ डेटा टीम नहीं, हर टूल का मालिक हो और उसे बंद कर सके।
- फ़ेल होने के तरीकों की ट्रेनिंग दीजिए। लोगों को सिखाइए कि मॉडल आत्मविश्वास से गलत हो सकता है, और हवाला या सबूत जाँचना काम का हिस्सा है।
AGI का हाइप बनाम हकीकत
हर कुछ महीनों में एक सुर्ख़ी आती है कि AGI करीब है, और प्लांट की किसी मीटिंग में कोई पूछता है कि अभी निवेश करना ठीक है या उन सिस्टम्स का इंतज़ार करें जो सब कुछ करेंगे। ईमानदार जवाब के तीन हिस्से हैं।
AGI आज मौजूद नहीं है। कोई भरोसे से नहीं कह सकता कि यह कब आएगा या आएगा भी या नहीं। और इस सीरीज़ का हर काम का सिस्टम, वाइब्रेशन मॉडल से लेकर वर्क-ऑर्डर एजेंट तक, साफ़ डेटा, जुड़े सिस्टम, साफ़ परिभाषाओं और मंज़ूरी प्रक्रियाओं पर टिका है। भविष्य की किसी सामान्य बुद्धि को भी प्लांट में भरोसा पाने के लिए ठीक यही चाहिए होगा। चाहे जो हो, नींव बेकार नहीं जाती। दूसरी ओर, इंतज़ार की एक ज्ञात कीमत है: नुकसान की हर वह शिफ़्ट जिसे आप वापस पा सकते थे।
यह कहाँ टूटता है
चरण 1 योजना से ज़्यादा समय लेता है। सिस्टम जोड़ना और कोड साफ़ करना हमेशा ज़्यादा समय लेता है। उस समय की रक्षा कीजिए, और सीधे डेमो पर कूदने के दबाव का विरोध कीजिए।
पायलट जो कभी बड़े नहीं होते। एक लाइन का पायलट जिसे चलाए रखने के लिए डेटा साइंटिस्ट चाहिए, बाकी पाँच लाइनों तक नहीं पहुँचेगा। दूसरी लाइन को शुरू से ही योजना में रखिए।
ROI के दावे जिन्हें जाँचा नहीं जा सकता। अगर किसी वेंडर की बचत बेसलाइन के सामने मापे गए बदलाव तक नहीं पहुँचाई जा सकती, तो उसे मार्केटिंग मानिए।
ऑटोनॉमी धीरे-धीरे बढ़ती जाती है। स्तर 2 पर एक अच्छे साल के बाद एजेंट को ख़ुद कदम उठाने देने का दबाव आएगा। यह जान-बूझकर, गलती की कीमत के हिसाब से तय कीजिए, और प्रोसेस कंट्रोल को इससे बाहर रखिए।
निचोड़
बेवरेज प्लांट में ऑपरेशनल एक्सीलेंस के लिए AI एक क्रम है, कोई ख़रीदारी नहीं। पहले नींव, फिर नुकसान की कीमत से चुना गया एक पायलट उस सबसे निचले पायदान पर जो काम करे, फिर प्लांट के टेक्स्ट के लिए जेनरेटिव AI, फिर एक एजेंट जो लोगों की मंज़ूरी के लिए मसौदा बनाए। बोतलों और मिनटों में बेसलाइन के सामने मापिए, फ़्लोर को साथ लेकर चलिए, और AGI का इंतज़ार मत कीजिए। नुकसान आज लाइन पर हैं, और उन्हें वापस पाने के लिए जो चाहिए उसका लगभग सब कुछ भी।
इसी के साथ सीरीज़ पूरी होती है। पूरी सूची सीरीज़ पेज पर है। डेटा की नींव के वाइनरी वर्शन के लिए देखिए The Cellar Ledger; डिस्टिलरी की बुनियादी बातों के लिए AI Foundations for Distillers; और GenAI और डेटा इंजीनियरिंग के स्पिरिट और बीयर पहलुओं के लिए The Still and the Model और The Brewer’s Agent।
अक्सर पूछे जाने वाले सवाल
बेवरेज प्लांट को AI की शुरुआत कहाँ से करनी चाहिए? डेटा की नींव से: भरोसेमंद स्टॉप कोड, साझा एसेट और बैच कुंजियों पर जुड़े MES, हिस्टोरियन, CMMS और LIMS, और OEE और छह बड़े नुकसानों की तय परिभाषाएँ। फिर सबसे कीमती नुकसान पर एक पायलट चुनिए, AI के उस सबसे निचले पायदान के साथ जो उसे हल कर सके। जेनरेटिव AI और एजेंट बाद में आते हैं, उसी डेटा के ऊपर।
प्लांट में AI प्रोजेक्ट का ROI कैसे मापें? एक बेसलाइन के सामने, पहले भौतिक इकाइयों में। पायलट से पहले नुकसान दर्ज कीजिए, पायलट चलाइए, और बदलाव को मिनट, बोतल, किलोवाट घंटे या लीटर में मापिए, हो सके तो ऐसी तुलनीय लाइन के सामने जिसमें बदलाव नहीं हुआ। पैसे में सिर्फ़ आख़िर में बदलिए, और सारी लागतें गिनिए, डेटा का काम और लोगों का समय भी।
क्या प्लांट को AI में निवेश से पहले AGI का इंतज़ार करना चाहिए? नहीं। AGI मौजूद नहीं है, कोई नहीं कह सकता कि यह कब आएगा या आएगा भी या नहीं, और आज का हर काम का AI प्रोजेक्ट साफ़ डेटा, जुड़े सिस्टम और साफ़ मंज़ूरियों पर टिका है। भविष्य के किसी भी सिस्टम को भी ठीक यही चाहिए होगा। इंतज़ार की कीमत वे नुकसान हैं जो आप इस बीच वापस पा सकते थे।