Machine Learning za održavanje: vodič za data-driven learning (2026)

Machine Learning treba podatke. Kako Fabrico strukturira podatke održavanja i OEE da omogući buduće ML uvide i prepoznavanje obrazaca.

Ključni uvidi

ML bez podataka je nemoguć: Ako je vaša istorija održavanja razbacana po WhatsApp grupama i Excel fajlovima, ML model ne može ništa da nauči. Strukturirana istorija je prerequisite, ne nice-to-have.
Minimum 12-18 meseci istorije: ML modeli za predictive maintenance traže sezonalnost (leto vs zima), više ciklusa kvarova iste mašine i dovoljno varijacije u opterećenju proizvodnje.
Ne custom ML, ugrađeni ML: Ne zapošljavajte data scientist-a. Izaberite CMMS platformu sa ugrađenim ML. Fabrico ugrađuje prepoznavanje obrazaca u Maintenance Assistant.
Computer Vision je multimodalni ML: Budućnost ML-a za održavanje nije samo numerički podaci, to su video + slike + audio. Fabrico CV OEE je spreman za to.

Machine Learning za održavanje je omiljena tema pitch deck-ova dobavljača 2024-2026. „Naš AI uči kad će vam mašina otkazati pre nego što otkaže". Zvuči neverovatno. Što obično znači, neverovatno je.

Istina o ML-u i održavanju je manje sexy, korisnija i traži rad sa vaše strane, ne samo od dobavljača.

Šta ML zaista može i ne može

MOŽE:

Prepoznavanje obrazaca, „svaki put kad je ambijentalna temperatura preko 32°C i radimo 3. smenu, kompresor #3 otkaže za 4 sata"
Detekcija anomalija, „ovo ponašanje je neobično za ovu mašinu"
Klasifikacija failure modes, „ovo zvuči kao habanje ležaja, ne kao neravnoteža"

NE MOŽE:

Predvideti specifičan dan kvara, „motor Y otkazuje 23. novembra". ML ne radi tako.
Raditi bez 12-18 meseci istorijskih podataka
Raditi na olovkastim zabeleškama u WhatsApp grupama

Šta vam treba pre nego što ML ima smisla

Strukturirana istorija održavanja u CMMS, ne slobodan tekst
Taksonomija failure modes (ne „motor je crko", već kodirane kategorije)
Timestamps na svemu (start kvara, početak popravke, kraj popravke)
Senzorski podaci paralelno (vibracije, temperatura, amperaž) ili Computer Vision
Minimum 12 meseci takvih podataka, za predictive ML 18-24 je bolje

Zašto ne zaposliti data scientist-a

Data scientist 60-80K EUR/godišnje + 6 meseci za prvi model + tekući infrastrukturni troškovi = 100K+ EUR pre nego što vidite jedan uvid. Ima smisla za enterprise sa 50+ fabrika. Za SME, ne.

Umesto toga: izaberite CMMS platformu sa ugrađenim ML. Fabrico Maintenance Assistant odgovara na pitanja o istoriji održavanja i identifikuje obrasce bez data scientist-a na platnom spisku.

Zaključak

ML bez podataka ne radi. Krenite sa disciplinom, dobar CMMS, kodirani failure modes, 12+ meseci istorije. ML uvidi dolaze kao prirodan rezultat kad podaci to zasluže. Ne kao proizvod koji kupujete „pre nego što ste uradili domaći".