Trackunit ứng dụng AI biến dữ liệu xây dựng thành quyết định kinh doanh

Ngành xây dựng tạo ra lượng dữ liệu khổng lồ, từ dữ liệu đo từ xa (telemetry) của thiết bị và hồ sơ bảo trì đến các tài liệu tại công trường và nguồn cấp dữ liệu cho thuê. Tuy nhiên, giống như ngành sản xuất, ngành này đang đối mặt với chuỗi cung ứng mong manh, áp lực về biên lợi nhuận và nhu cầu ngày càng tăng về tốc độ, khả năng tùy chỉnh và truy xuất nguồn gốc.

Dữ liệu vẫn bị phân mảnh trên nhiều hệ thống, tổ chức và loại thiết bị khác nhau. Quyền sở hữu có thể thay đổi theo từng dự án, và các thông tin quan trọng có thể ở dạng phi cấu trúc, bị ngắt kết nối hoặc không bao giờ được ghi lại. Đây không chỉ là vấn đề về chất lượng dữ liệu; mà là vấn đề về trí tuệ dữ liệu. AI không thể cải thiện các quyết định khi dữ liệu không được kết nối, cấu trúc hoặc cung cấp trong bối cảnh vận hành phù hợp.

Trackunit đang giải quyết thách thức này với IrisX, một nền tảng dữ liệu vận hành được xây dựng trên Databricks Data and AI Platform. Giá trị của Trackunit nằm ở bối cảnh chuyên biệt cho ngành xây dựng: kết nối dữ liệu thiết bị, máy móc, người vận hành, công trường và dữ liệu vận hành trên toàn bộ hệ sinh thái để các nhóm có thể biến những tín hiệu phân mảnh thành thông tin chi tiết và hành động. Quan điểm đó được đúc kết từ 20 năm kinh nghiệm trong ngành, 5.000 khách hàng, 6 triệu tài sản được kết nối tại 120 quốc gia, 1.200 trình kết nối (connectors) và 150 ứng dụng trên marketplace của đối tác.

Bằng cách tận dụng Databricks, Trackunit có thể hợp nhất kỹ thuật dữ liệu, phân tích và AI trên một nền tảng mở duy nhất. Điều này cho phép IrisX biến dữ liệu máy móc thô thành các quyết định vận hành và trí tuệ doanh nghiệp thông qua ba khả năng: kết nối (connect), chắt lọc (distill) và khuếch đại (amplify). Hãy xem Domokos Spéder, Phó chủ tịch phụ trách Thương mại EMEA & Tư vấn toàn cầu tại Trackunit, và Erin Kirsten, Kiến trúc sư giải pháp cấp cao về Sản xuất tại Databricks, chia sẻ cách Trackunit được xây dựng trên Databricks.

Kết nối dữ liệu phân mảnh trên toàn bộ hệ sinh thái xây dựng

Thiết bị xây dựng không vận hành một cách cô lập. Các nhà sản xuất thiết bị gốc (OEMs) cần khả năng hiển thị về hiệu suất máy móc sau khi chúng rời khỏi nhà máy. Các công ty cho thuê cần hiểu về mức độ sử dụng, tính sẵn sàng và bảo trì trên các địa điểm. Các nhà thầu cần biết thiết bị đang hoạt động ở đâu, nơi nào đang bị sử dụng dưới công suất và nơi nào đang bị hạn chế về năng lực.

Mỗi tổ chức có các hệ thống và ưu tiên khác nhau. Họ cũng có thể sử dụng các mô hình dữ liệu và thuật ngữ khác nhau. Dữ liệu đo từ xa của một cỗ máy có thể nằm ở một nền tảng, hồ sơ dịch vụ ở một nền tảng khác, và thông tin công trường nằm trong tài liệu hoặc bảng tính. Nếu không có một nền tảng chung, ngay cả một câu hỏi vận hành đơn giản cũng có thể đòi hỏi việc đối chiếu thủ công.

IrisX tập hợp dữ liệu từ máy móc, thiết bị, người vận hành, tài liệu và các nguồn bên thứ ba. Nền tảng này được thiết kế để hoạt động với các công cụ mà doanh nghiệp xây dựng đang sử dụng, bao gồm các ứng dụng theo dõi, hệ thống hoạch định nguồn lực doanh nghiệp (ERP), ứng dụng khách hàng và các công cụ phân tích hoặc AI.

Nền tảng này bảo toàn bối cảnh đằng sau mỗi tín hiệu. Một mã lỗi sẽ hữu ích hơn khi đi kèm với lịch sử thiết bị, điều kiện vận hành, hoạt động bảo trì và vị trí. Mức độ sử dụng sẽ trở nên hữu ích hơn khi được so sánh với các điều khoản hợp đồng, nhu cầu dự án và tính sẵn sàng của tài sản.

Chắt lọc tín hiệu máy móc thành trí tuệ hữu ích

Kết nối dữ liệu chỉ là bước đầu tiên. Dữ liệu thiết bị thô không tự động trở nên hữu ích đối với quản lý sản phẩm, đội ngũ dịch vụ, người vận hành đội xe hay lãnh đạo doanh nghiệp. Nó phải được làm sạch, cấu trúc, quản trị và chuyển đổi thành các câu hỏi mà doanh nghiệp có thể hành động dựa trên đó.

IrisX áp dụng bối cảnh chuyên biệt của ngành xây dựng vào quy trình đó. Trong bản demo ở trên, người dùng hỏi về việc tải trọng động cơ và mô-men xoắn ảnh hưởng thế nào đến mức tiêu thụ nhiên liệu và nhóm thiết bị nào là ngoại lệ. Hệ thống trả về bản tóm tắt điều hành, phân tích trực quan và phân loại theo loại thiết bị mà không cần truy vấn. Ví dụ thứ hai xem xét giờ vận hành theo khu vực và các mô hình theo mùa, giúp các nhóm sản phẩm và kỹ thuật thiết kế dựa trên thực tế tại hiện trường thay vì một mức trung bình giả định.

Sự thay đổi này xác định ai có thể sử dụng phân tích nâng cao, cho phép quản lý sản phẩm, đội ngũ dịch vụ và người dùng vận hành đặt câu hỏi bằng ngôn ngữ tự nhiên về đội xe và hoạt động của họ, đồng thời nhận được câu trả lời dựa trên dữ liệu đã được quản trị. Quyền truy cập mở rộng này cho phép có được thông tin kịp thời ở bất cứ nơi nào các quyết định được đưa ra.

Thông tin tương tự cũng có thể được cung cấp thông qua các công cụ mà mọi người đang sử dụng. Thông qua Trackunit IrisX MCP, Trackunit có thể nhúng các phân tích của IrisX vào Trackunit Manager, để người dùng có thể nhận câu trả lời và thực hiện hành động trong các công cụ AI ưa thích của họ mà không cần chuyển đổi hệ thống hoặc di chuyển dữ liệu.

Khuếch đại thông tin chi tiết thông qua các quy trình vận hành

Một thông tin chi tiết chỉ tạo ra giá trị khi nó thay đổi những gì xảy ra tiếp theo. Đó là mục đích của lớp khuếch đại: biến tín hiệu thành quyết định và quyết định thành hành động.

Đây là lý do tại sao Trackunit xây dựng IrisX Blueprints, các giải pháp sẵn sàng triển khai cho các trường hợp sử dụng cụ thể trong xây dựng và thiết bị. Chúng kết hợp các kết nối dữ liệu, quy trình làm việc, phân tích và logic tự động hóa dựa trên AI để các nhóm có thể bắt đầu từ một vấn đề kinh doanh thay vì một môi trường phát triển trống rỗng. Các bản thiết kế (blueprints) này có thể triển khai trong vài ngày thay vì vài tháng, không cần phát triển tùy chỉnh, giúp các nhóm chuyển từ dữ liệu được kết nối sang hành động nhanh hơn.

Giúp các OEM cải thiện các quyết định về thiết bị và pin

Đối với các OEM, dữ liệu thực địa có thể cung cấp thông tin cho thiết kế sản phẩm, hoạt động dịch vụ, quản lý bảo hành và các dịch vụ kỹ thuật số. Một Battery Management Insights Blueprint có thể hợp nhất hành vi sạc, thời gian chờ, trạng thái pin và hoạt động báo cáo trên các thiết bị điện.

Các nhóm có thể xem trạng thái báo cáo và mức sạc trên toàn bộ đội xe, xác định các tài sản có mức sạc thấp hoặc không hoạt động, và kiểm tra các phiên sạc theo thời gian. Bản demo ở trên mô tả một khách hàng đã tìm thấy mô hình các phiên sạc ngắn, nông liên quan đến tình trạng suy giảm pin sớm. Thông tin chi tiết đó hỗ trợ hướng dẫn sạc tốt hơn, trong khi cùng dữ liệu đó có thể cung cấp thông tin về mức độ sẵn sàng của đội xe và tính minh bạch của pin để bán lại hoặc mua lại.

Đối với một đội xe OEM gồm khoảng 10.000 máy được sản xuất mỗi năm, bản thiết kế quản lý pin mở khóa khoảng 3 triệu đô la giá trị hàng năm thông qua việc giảm rủi ro bảo hành, chẩn đoán sự cố nhanh hơn và các cơ hội cho các tính năng kỹ thuật số.

Giúp các công ty cho thuê xác định việc sử dụng ngoài hợp đồng

Các công ty cho thuê cần so sánh việc sử dụng thiết bị với các điều khoản hợp đồng đã thỏa thuận. Một Out of Contract Usage Blueprint có thể liên tục phát hiện các trường hợp vượt mức và kết nối chúng với các hệ thống kinh doanh và quy trình lập hóa đơn hiện có, thay thế cho hàng tuần đối chiếu thủ công.

Bản demo ở trên cho thấy một ví dụ trong đó phương pháp này đã phát hiện khoảng 2 triệu đô la hóa đơn bị bỏ sót trước đó cho một đội xe cho thuê hỗn hợp gồm khoảng 5.000 đơn vị. Nó cũng trích dẫn mức giữ chân khách hàng cao hơn hơn 10% sau khi các khoảng trống thanh toán được giải quyết một cách minh bạch. Dữ liệu tốt hơn có thể hỗ trợ cả việc bảo vệ doanh thu và xây dựng mối quan hệ khách hàng bền chặt hơn.

Giúp các nhà thầu tái cân bằng thiết bị giữa các dự án

Đối với các nhà thầu, sự mất cân bằng đội xe cũng là một vấn đề về phân phối. Một công trường có thể có thiết bị nhàn rỗi trong khi công trường khác đối mặt với áp lực về năng lực và phải thuê khẩn cấp hoặc mua sắm ngoài kế hoạch. Một Site Performance & Asset Utilization Blueprint cung cấp cho mọi lãnh đạo vận hành một cái nhìn thống nhất.

Một cái nhìn kết nối về tài sản, nhu cầu dự án, vị trí và mức độ sử dụng có thể xác định nơi thiết bị nên được chuyển đến tiếp theo. Bản demo ở trên nêu bật một ví dụ trong đó việc tái triển khai dựa trên dữ liệu đã giảm sự chậm trễ dự án, giảm làm thêm giờ và giảm chi phí liên quan đến thiết bị. Khi tài sản phù hợp đã có sẵn trong doanh nghiệp, việc di chuyển nó có thể hiệu quả hơn là thêm một tài sản khác.

Một mô hình thực tế cho AI trong xây dựng

Mô hình kết nối, chắt lọc và khuếch đại cung cấp một cách tiếp cận thực tế để áp dụng AI.

Đầu tiên, kết nối máy móc, người vận hành, công trường, sự kiện dịch vụ, hợp đồng và tài liệu. Thứ hai, chắt lọc chúng thành trí tuệ được quản trị và có bối cảnh. Thứ ba, khuếch đại trí tuệ đó thông qua các ứng dụng, quy trình làm việc và trợ lý AI tại nơi các quyết định được đưa ra.

Điều này tránh việc giới thiệu một trợ lý AI trước khi nền tảng dữ liệu và bối cảnh chuyên môn sẵn sàng. Trong xây dựng, một câu trả lời hữu ích phải phản ánh đúng tài sản, công trường, điều kiện vận hành và quy trình kinh doanh. Mục tiêu là đưa ra các quyết định tốt hơn về dịch vụ, tái triển khai, sạc pin, các ngoại lệ sử dụng và phát triển sản phẩm—chứ không chỉ đơn thuần là có thêm các bảng điều khiển (dashboards).

Đối với các nhà sản xuất, nền tảng tương tự hỗ trợ sự xuất sắc trong vận hành ở quy mô lớn, chuỗi cung ứng thông minh và linh hoạt, và phát triển sản phẩm nhanh hơn. AI có thể giúp giảm thời gian ngừng hoạt động ngoài kế hoạch, cải thiện năng suất, cắt giảm lãng phí, dự đoán sự gián đoạn, tối ưu hóa hàng tồn kho và tăng tốc các quyết định tìm nguồn cung ứng trước khi các vấn đề ảnh hưởng đến lợi nhuận. Điểm chung là chuyển từ phản ứng sang dự đoán, từ cô lập sang thống nhất, và từ giàu dữ liệu sang thực sự thông minh.

Lợi thế tiếp theo là các quyết định tốt hơn, không chỉ là nhiều thiết bị hơn

Trong nhiều năm, thiết bị được kết nối đã giúp các doanh nghiệp xây dựng nhìn thấy nhiều hơn những gì đang xảy ra tại hiện trường. Bước tiếp theo là sử dụng dữ liệu được kết nối đó để cải thiện các quyết định tiếp theo.

Các tổ chức không cần phải sở hữu đội xe lớn nhất để vận hành hiệu quả hơn. Họ cần một cái nhìn rõ ràng hơn về tài sản của mình, một bối cảnh mạnh mẽ hơn xung quanh dữ liệu của họ và các quy trình làm việc giúp mọi người hành động dựa trên thông tin chi tiết khi chúng vẫn còn hữu ích.

IrisX, được xây dựng trên Databricks, chứng minh mô hình vận hành đó có thể trông như thế nào: kết nối dữ liệu xây dựng phân mảnh, chắt lọc nó thành trí tuệ và khuếch đại nó thông qua các ứng dụng và quy trình mà các nhóm đã tin dùng.

Đối với các nhà lãnh đạo và chuyên gia xây dựng, điểm khởi đầu rất thực tế. Hãy xác định một quyết định mà ở đó thời gian ngừng hoạt động, sử dụng dưới công suất, dịch vụ chậm, bỏ sót thanh toán hoặc thay thế tài sản có thể tránh được tạo ra chi phí có thể đo lường được. Sau đó, làm việc ngược lại với dữ liệu cần thiết để cải thiện quyết định đó và xây dựng nền tảng cho phép AI sử dụng nó.