Data readiness มาก่อนการ scale AI
โปรเจกต์ industrial AI มักติดขัดเมื่อ model อ่านเอกสารได้ แต่ระบุ asset, location, signal, work order หรือ approval rule ได้ไม่เสถียร ในงานจริง data foundation สำคัญพอ ๆ กับ model
Data Fusion Services เตรียม foundation นี้ใน FactVerse โดยเชื่อม source systems, map fields เข้ากับ digital twin entities, normalize data, calculate indicators และทำให้ context ใช้งานได้กับ FactVerse Twin Engine, FactVerse AI Agent, Inspector, dashboards และ analytics
เริ่มจาก workflow จริง
คำถามแรกควรเป็นเรื่อง operation: ต้องการปรับปรุง decision หรือ task ใด จุดเริ่มต้นที่เหมาะคือ predictive maintenance, facility inspection, data center operations, HeatOps, semiconductor facility systems, logistics equipment หรือ digital SOP execution
| Workflow | ข้อมูลที่ควรเริ่มก่อน |
|---|---|
| Predictive maintenance | Asset hierarchy, sensor trends, alarms, maintenance history, inspection results, work-order outcomes |
| Facility inspection | Space hierarchy, asset list, inspection points, checklists, photos, issue categories, closure records |
| Data center | Rooms, racks, facility equipment, meters, alarms, energy readings, maintenance records, asset ownership |
| HeatOps | Heat sources, substations, meters, temperature, pressure, flow, weather, dispatch logs |
| Operator guidance | SOPs, task steps, equipment references, safety notes, training records, approval requirements |
ทำ source inventory
แหล่งข้อมูลทั่วไป ได้แก่ SCADA, BMS, EMS, PLC, historians, IoT platforms, MES, ERP, CMMS, EAM, GIS, BIM, meters, spreadsheets, drawings, manuals, SOP repositories, inspection tools, training systems และ document libraries
สำหรับแต่ละ source ควรบันทึก owner, business purpose, connection method, available fields, update frequency, retention, units, timestamps, naming, quality risks, security และ approvals
สร้าง asset และ space identity
AI Agent workflow ต้องมี reference ที่เสถียร เช่น pump, AHU, UPS, heat exchanger, valve, crane, vehicle, room, line และ substation ต้องถูกจดจำเป็น object เดียวกันข้ามระบบ
FactVerse และ Twin Engine ใช้ identity นี้เพื่อเชื่อม spaces, equipment, systems, relationships, documents, signals และ work orders ส่วน Data Fusion Services map fields และ tags ไปยัง twin objects ที่ถูกต้อง
เตรียม signals, events และ execution records
Temperature, vibration, current, pressure, flow, energy, valve state, alarm state และ equipment status ต้องมี units, timestamps, sampling rules และ quality markers ที่ชัดเจน Work orders, inspections, photos, SOP และ acceptance records ให้ execution context
สำหรับ machine learning, dataset ที่ใช้ได้ต้องรวม signal, asset context, operating state, human decision, executed action และ outcome ข้อมูลเหล่านี้ช่วย training, retraining, evaluation และ recommendation tuning
DataMesh rollout pattern
- Choose the workflow - เลือก operating loop ที่มี owner และผลลัพธ์วัดได้
- Inventory sources - รวบรวม systems, tags, documents, owners, access และ quality risks
- Model identity - กำหนด spaces, assets, systems, relationships และ aliases ใน FactVerse
- Map and normalize - เชื่อม sources, bind fields to entities, normalize units และ timestamps
- Attach execution - เชื่อม Inspector, Checklist, CMMS/EAM, SOP, evidence และ approvals
- Prepare AI review - ส่ง trusted context ให้ FactVerse AI Agent
- Capture outcomes - ใช้ field evidence และ post-action readings เพื่อปรับปรุง data และ model
Checklist
- Workflow มี owner และ measurable result หรือไม่
- Systems, documents, tags และ records ถูก inventory แล้วหรือไม่
- Assets และ spaces map กันได้สม่ำเสมอหรือไม่
- Units, timestamps, sampling และ quality risks ถูก document แล้วหรือไม่
- Work orders, inspections, SOP, photos และ acceptance records เชื่อมกันหรือไม่
- AI Agent อธิบาย recommendation ด้วย traceable evidence ได้หรือไม่
- Human reviews, rejected suggestions และ outcomes ถูกใช้ในการประเมิน ML หรือไม่
Public references
Data Fusion Services product page อธิบาย data integration layer ของ FactVerse ส่วน FactVerse AI Agent operations loop guide อธิบายวิธีที่ AI recommendations เข้าสู่ field execution ที่มีคนตรวจสอบ ตัวอย่าง public reference ได้แก่ Yokogawa and DataMesh, NIO smart factory และ JTC