המפעל החכם מתחיל מחיבור — לא מאלגוריתם
כולם מדברים על AI בתעשייה. אבל לפני שהאלגוריתם רץ, צריך שהנתונים יגיעו אליו. InfluxData ו-Litmus חתמו על שותפות שמנסה לפתור בדיוק את הבעיה הזו: 250+ חיבורים מוכנים לציוד תעשייתי — PLC, SCADA, מערכות לגאסי — לעומת InfluxDB 3 שמסוגל לדגום מיליוני אותות בשניות. הרעיון: לחבר OT ל-IT בלי לשכתב את התשתית.
הבעיה שאף אחד לא מדבר עליה
בשנים האחרונות ראינו גל של פתרונות AI לתעשייה: תחזוקה מנבאה, זיהוי אנומליות, אופטימיזציה של תהליכים. כולם מבטיחים ROI מרשים. רובם נכשלים — לא בגלל שהאלגוריתם לא טוב, אלא בגלל שהנתונים שמזינים אותו פשוט לא שם.
הבעיה קלאסית: ציוד תעשייתי ישן (OT — Operational Technology) שאינו מתקשר עם מערכות המידע הארגוניות (IT). PLC מסוג שנרכש לפני 15 שנה. SCADA שדיברה עם עצמה בלבד. מדדים שנרשמו על קרטון, לא בדאטאבייס. בלי נתונים אמינים בתדירות גבוהה — כל מודל ML שתרכשו ייתן תשובות על רעש, לא על מציאות.
מה השותפות פותרת?
Litmus Edge מספקת שכבת edge computing עם 250+ connectors לציוד תעשייתי מכל הסוגים — כולל פרוטוקולים ותיקים כמו Modbus ו-OPC-UA. היא מאפשרת לאסוף נתונים מציוד שמעולם לא תוכנן לשלוח נתונים.
InfluxDB 3 נועד לנתוני time-series בנפח ובתדירות שלא מערכת SQL רגילה תסבול — מיליוני אותות לשנייה, שאילתות מהירות, ואחסון יעיל לאורך זמן. ביחד: תשתית שמאפשרת לדגום כל נקודת מדידה בקו הייצור, לשמור אותה, ולשאול עליה שאלות בזמן אמת.
מנקודת מבט OPEX: Standard Work לנתונים
הרעיון שאנשי OPEX צריכים לקחת ממהלך הזה הוא פשוט: לפני שמדברים על AI בייצור, צריך להגדיר Standard Work לנתונים. איזה מדד נדגם? באיזו תדירות? איפה נשמר? כמה זמן שומרים?
בלי הגדרות ברורות, קורה מה שקורה בכל תהליך ללא סטנדרטיזציה: כל שיפט מתעד אחרת, לא ניתן להשוות, לא ניתן לנתח. ה-data infrastructure הוא ה-Gemba Walk של עידן ה-AI — חייבים לראות את המציאות בשטח לפני שבונים כלים מעליה.
לפני שרוכשים כלי AI נוסף, שאלו: האם ה-PLC שלנו כבר מחובר? האם יש לנו מעל 90 ימי היסטוריית נתונים ברזולוציה של שניות? אם התשובה היא לא — ה-ROI האמיתי מחכה בשלב ה-data infrastructure, לא בשלב ה-ML model.
מקור: Automation World — InfluxData Partners with Litmus, מאי 2026
