Výrobní podnik

Znalostní báze pro údržbu

Jak výrobní závod využil UAML k budování AI asistenta pro techniky údržby — offline, na tabletech, s historií oprav.

Problém

Střední výrobní podnik se 200 zaměstnanci provozuje 85 výrobních strojů. Údržbáři čelí denně stejným problémům:

Ztráta know-how — zkušený technik odejde do důchodu a s ním zmizí 30 let zkušeností
Opakované chyby — nový technik řeší problém, který kolega vyřešil před 2 lety, ale nikde to není zapsáno
Papírové záznamy — historie oprav v šanonech, nehledatelná, nestrukturovaná
Žádný offline přístup — cloudové systémy nefungují v halách bez WiFi pokrytí

Řešení s UAML

Podnik nasadil UAML na průmyslové tablety (Android + Python). Každý tablet má lokální databázi synchronizovanou přes WiFi na konci směny.

Lokální provoz — UAML běží přímo na tabletu. SQLite, žádný server, žádné cloudové závislosti. Technik má přístup k celé znalostní bázi i v hale bez signálu.

                # Technik zaznamenává opravu

                uaml.learn(

                    "CNC frézka Haas VF-2: vibraci při 8000 RPM způsobuje

                    opotřebené ložisko vřetena. Výměna ložiska 7210 BEP,

                    moment 45 Nm, doba opravy 4 hodiny.",

                    topic="cnc-haas-vf2",

                    tags="vibrace,ložisko,vřeteno",

                    confidence=0.95

                )

                # Jiný technik hledá řešení

                vysledky = uaml.search("Haas VF-2 vibrace")

                # → Najde přesný postup opravy od kolegy

5vrstvá organizace znalostí

Identita — profil technika, certifikace, specializace
Znalosti — postupy oprav, diagnostika, technické parametry strojů
Tým — sdílené poznámky ze směn, předávací protokoly
Provozní — logy oprav, časy prostojů, spotřeba náhradních dílů
Projektová — plánované odstávky, modernizace, investiční záměry

Prediktivní údržba

S rostoucí databází oprav začal AI asistent rozpoznávat vzorce:

                # Automatická detekce vzorců

                konflikty = uaml.detect_conflicts(topic="cnc-haas-vf2")

                # Časová analýza — jak často se opakují problémy?

                shrnuti = uaml.topic_summary("cnc-haas-vf2")

                # → 12 záznamů, 3 o vibracích, interval ~6 měsíců

                # → Doporučení: preventivní výměna ložiska každých 5 měsíců

Výsledky po 12 měsících

⏱️ 40% snížení doby diagnostiky poruch
📉 25% méně neplánovaných prostojů
🧠 500+ záznamů o opravách — know-how je zachováno i po odchodu technika
📱 100% offline funkčnost — tablety fungují v celé hale
💰 ROI pod 6 měsíců — úspora na prostojích překonala náklady na nasazení

Proč UAML a ne cloudová znalostní báze?

Offline je nutnost — výrobní haly nemají spolehlivé WiFi
Žádné měsíční poplatky — SQLite běží lokálně, licence AGPL-3.0
Jednoduché nasazení — pip install, žádný Docker, žádný Kubernetes
Fulltextové hledání — technik napíše symptom, dostane řešení
Synchronizace když je síť — na konci směny se data synchronizují na server