Agent AI do wykrywania anomalii na produkcji

Celem klienta było przekształcenie istniejącego monitoringu wizyjnego w aktywne narzędzie wspierające bezpieczeństwo i operacje produkcyjne, bez konieczności stałego nadzoru człowieka.

Przed realizacją projektu kamery były już zainstalowane na terenie hali produkcyjnej, jednak ich wartość była ograniczona przez konieczność stałej uwagi człowieka. Operatorzy i menedżerowie nie byli w stanie w praktyce monitorować więcej niż niewielkiej części dostępnych strumieni ani poświęcać godzin na przeglądanie nagrań po wystąpieniu incydentu.
Problemy takie jak wycieki materiału, iskry, ręczna ingerencja operatora czy pusta taśma często stawały się widoczne dopiero wtedy, gdy doszło już do przestoju, problemów jakościowych lub eskalacji zagrożeń bezpieczeństwa.

ARP Ideas zaproponowało inne podejście, polegające na odejściu od ciągłej analizy wideo na rzecz lekkiej obserwacji opartej na migawkach. Obrazy były wykonywane co kilka sekund na brzegu sieci (edge) i przesyłane do analizy, zamiast strumieniowania pełnych nagrań.
Każda migawka była przetwarzana przez model AI oparty na analizie obrazu, który opisywał sytuację jasnym, operacyjnym językiem, na przykład: normalna praca, dostęp do panelu serwisowego, rozsypany materiał czy zatrzymana taśma transportowa.

Opisy te były następnie łączone przez agenta opisującego zdarzenia w chronologiczną oś czasu obejmującą całą zmianę lub dzień, tworząc zwięzły i czytelny dziennik operacyjny, który zastępował godziny ręcznego przeglądania nagrań wideo.
Zamiast przewijać osiem godzin materiału filmowego, kierownik zmiany mógł przejrzeć krótką, uporządkowaną listę kluczowych zdarzeń i zrozumieć, kiedy wystąpił przestój, jakie działania zostały podjęte oraz gdzie miały swoje źródło problemy.

W sytuacjach stanowiących bezpośrednie zagrożenie, takich jak ryzyka BHP lub nieplanowane zatrzymania linii, system automatycznie wysyłał alerty do dyżurnego pracownika utrzymania ruchu za pośrednictwem e-maila lub Microsoft Teams, zapewniając szybszą interwencję.
Każda kamera mogła być kalibrowana indywidualnie, tak aby model rozumiał, jak wygląda normalna praca w danej lokalizacji, co z czasem zwiększało dokładność wykrywania anomalii.

Z perspektywy operacyjnej rozwiązanie zostało jednoznacznie pozycjonowane jako cyfrowy obserwator procesów, a nie narzędzie nadzoru nad pracownikami – koncentrując się na maszynach, przepływach i anomaliach, a nie na indywidualnej wydajności.
Architektura została zaprojektowana z myślą o stopniowym wdrażaniu, umożliwiając rozpoczęcie pilotażu od jednej kamery w krytycznym obszarze, a następnie skalowanie na kolejne linie. Do obsługi migawek wykorzystano Azure Storage, warstwę analityczną zapewniały modele wizyjne, a całość mogła być dodatkowo wspierana przez Dynamics 365 lub podsumowania oparte na Copilot dla kadry nadzorczej.