Monissa organisaatioissa tekoälyn käyttöönottoa kehystää vauhtisokeus, jossa osatekijät havainnoiva, maltillinen ja dataan pohjautuva toiminta saattaa jäädä nopeiden tulosten ja tahdin kirittämisen tavoittelun jalkoihin. Organisaation solmuihin hukkuva data ja sen myötä sakkaava tuotantolinjasto edustavat vain jäävuoren huippua: heikkolaatuisen tai sirpaloituneen datan pohjalta toimiminen voi aiheuttaa huomattavia ongelmia esimerkiksi tietoturvan, EU-säädösten noudattamisen ja asiakastyytyväisyyden vaalimisen kannalta.

Esimerkkejä aloista, joissa datan laatu ja hallinta näkyvät heti tuloksissa ovat prosessiteollisuus ja energia-ala. Kummassakin kysymys on kahdesta perusasiasta: löytyykö oikea tieto nopeasti, ja voidaanko siihen luottaa. Kun nämä ovat kunnossa MDM (Master Data Management) -arkkitehtuurin avulla, tekoäly ja automaatio tuottavat arvoa. Jos eivät, syntyy virheitä, seisokkeja ja turhia riskejä.

Prosessiteollisuudessa on tehty pitkään töitä muun muassa IoT-laitteiden ja prosessien datapohjaisen automaation käyttöönoton kanssa, mutta asianmukaisen dokumentaation, osaamisen jakamisen ja esimerkiksi huoltotilanteiden kannalta kriittisen tiedonhallinnan suhteen riittää vielä töitä. On myös tärkeää, että toimintaa tehostavaksi aiotut prosessiuudistukset on validoitu asianmukaisesti paikkansa pitävän datan perusteella.

Energiateollisuudessa tekoäly puolestaan vauhdittaa datan keruuta, analyysia ja jäsentelyä huomattavasti, mikä helpottaa esimerkiksi pörssisähkön hinta-arvioiden, asiakkuuksien hallinnoinnin ja laskutuksen kanssa. Huolenaiheena tälläkin sektorilla on se, kuinka kattavasti data on validoitu. Vikaan osuvat hintaennusteet ja esimerkiksi väärien lukemien perusteella laskutetut asiakkaat kuuluvat jokaisen energia-alan toimijan painajaiskuvastoon. Vieläkin suurempi huolenaihe ovat kyberuhkien herättämät turvallisuusriskit, joiden kriittisyys on toistaiseksi poikkeuksellisen korkealla.

MDM-arkkitehtuuri toimii koko datainfrastruktuurin selkärankana

Keskitettyyn tiedonhallintaan pohjautuva MDM-arkkitehtuuri määrittää, miten organisaation toiminnalle kriittistä ydintietoa kerätään, hallitaan ja jaetaan eri järjestelmien ja käyttäjien välillä. Hyvin suunniteltu MDM-arkkitehtuuri toimii koko datainfrastruktuurin selkärankana tukien tekoälyn ja analytiikan tarkkuutta ja käyttökelpoisuutta.

Parhaiden toimintaperiaatteiden MDM-arkkitehtuurissa eri datalähteet (esimerkiksi SCADA-järjestelmät, ERP- ja kunnossapitojärjestelmät) on kuvattu tarkkaan, ja kunkin dataosion hallinnalle on määritelty omistajuus. Tällöin sekä laadunvalvonta että läpinäkyvyys saadaan saateltua ajanmukaiselle tasolle. Samalla harvennetaan niitä kuuluisia tilanteita, joissa ongelman etsiytyessä eteen ensimmäinen kysymys on se, että kenen vastuu- ja osaamisalueelle ratkaisu kuuluu.

Varsinkin IoT-laitteita hyödyntävissä teollisympäristöissä on kasvavia kyberturvallisuushaasteita, joiden ratkomista vastikään voimaan tullut NIS2-direktiivi kirittää. Identiteetti- ja pääsynhallinta (IAM) hyödyntää keskitetysti hallittua master dataa, kuten käyttäjä- ja laitetunnisteita, varmistaakseen, että vain valtuutetut henkilöt ja järjestelmät pääsevät käsiksi kriittiseen tietoon. Yhdessä IAM ja hyvin hallittu master data muodostavat keskeisen osan organisaation kyberturvaa.

Säntillisesti validoidun datan myötä pidetään myös huoli siitä, että organisaation päästölaskelmat ovat ajan tasalla, jolloin toiminta on esimerkiksi EU:n CSRD-säännösten ja uusien päästötavoitteiden mukaista.

Tiedonhallinnan merkitys ylätasolta teolliseen päivittäistoimintaan

Tiedonhallinnan merkitys on helppo sivuuttaa ylätason haasteena, joka ei kosketa tuotantolinjastoa. Totuus on kuitenkin toisenlainen. Kun esimerkiksi laite rikkoutuu tai sen suorituskyky alkaa heikentyä, huoltodokumentaation on löydyttävä nopeasti. Generatiivinen tekoäly kykenee käymään läpi valtavia tietomassoja ja tunnistamaan tietylle laitteelle, huoltotoimenpiteelle tai varaosalle relevantin tiedon, mutta oikean datan löytyminen edellyttää, että tekoälyapuri ymmärtää hakemansa tiedon kontekstin.

Esimerkiksi epäselvässä huoltotilanteessa ihmisen toimia ohjaa usein luontainen, vaistoon ja kokemukseen perustuva sisälukutaito, mutta tekoäly ei kykene samaan. Tässä jäsennellyn, selkeästi jaotellun ja keskitetyn datan arvo nousee jälleen arvoonsa. Tekoälyn kaltaisia työkaluja voi ajatella esimerkiksi uusina auton osina: niillä on toki teoreettinen kapasiteetti kiihdyttää menopelin vauhtia, mutta vain silloin, kun uudet osat on kasattu runkoon oikeaoppisesti, asianmukaisilla muttereilla, ruuveilla ja tiivisteillä. Nämä rakenteellisesti elintärkeät osat ovat yrityksen käytössä oleva data, ja tiedonhallinta näyttelee varsinaisen rakennusurakan roolia.

Malliesimerkki yllä mainitusta on se, miten MDM-arkkitehtuuriin perustuva tiedonhallinta voi sujuvoittaa henkilöstön koulutusta ja usein hankalaksi äityvää henkilöstön välistä tiedonjakoa. Kun data on keskitettyä, toiminta-alueittain jaoteltua ja helposti saavutettavaa, myös junioritason työntekijä voi tarttua korkeamman tason haasteisiin nopeammin. Tärkeä osaaminen elää usein hiljaisena tietona veteraanien hoteissa, ja aloittelevalle työntekijälle korkein kynnys on usein selvittää, kenellä kollegalla on tarvittava asiantuntemus kunkin ongelman ratkaisuun – tai missä tarvittava tieto ylipäänsä sijaitsee.

Tiedon löydettävyyttä voidaan parantaa hyödyntämällä esimerkiksi data catalogia, joka toimii sisällysluettelona organisaation datalle ja metatiedolle. Tiedonhallinnan kehitysurakka saattaa kohdata yllättävää vastarintaa etenkin kouliintuneen työvoiman suunnalta. On kuitenkin tärkeää muistaa, että kattavampi osaamisen jakaminen ja tekoälyapureiden kaltaiset uudistukset ovat ennen kaikkea koko työvoimaa tehostavia tekijöitä. Teknologiamurroksen myötä työnkuvat uudistuvat, mutta manuaalisten vaiheiden vähentyessä resursseja vapautuu esimerkiksi suunnitteluun, innovointiin ja prosessien tehostamiseen.

Siitä pääsemmekin jälleen kutkuttavan kysymyksen äärelle: jos organisaation tiedonhallinta ei ole asianmukaisella tasolla, miten tiimit ja johto voivat määritellä, millä osa-alueilla kaivataan strategista silmää, innovointia ja tehostamista?

MDM-arkkitehtuuriin kannattaa panostaa

Kun tuotannon, kunnossapidon ja laadunvalvonnan data on keskitetysti hallittua, se mahdollistaa reaaliaikaisen ja luotettavan raportoinnin.

IoT-sensorit tuottavat jatkuvasti dataa laitteiden kunnosta ja toiminnasta. Kun tämä data tallennetaan master data -periaatteiden mukaisesti, sen yhteys fyysiseen laitteeseen säilyy luotettavana. MDM tarjoaa varman linkin sensoritunnisteiden ja laitekohtaisen tiedon välillä mahdollistaen ennakoivan analytiikan ja kunnossapitomallit. Näin voidaan ennakoida huoltotarpeita, lyhentää seisokkeja ja optimoida tuotantoa. Hyvin hallittu data tuo myös näkyvyyttä laadun parantamiseen ja kustannusten hallintaan – ja samalla suojaa tärkeää tietopääomaa.

Parhaimmillaan MDM-arkkitehtuuri on organisaation toimintaa ohjaava ja optimoiva totuuden lähde, joka helpottaa kaikkien toimintaa aina johtotasolta operatiivisiin tehtäviin. Arkkitehtuuriin yhdistyvät laitteiden, komponenttien ja prosessien perustiedot, käyttäjähallinta, data-analyysi ja muut organisaation toiminnan kannalta elintärkeät osa-alueet, joiden yhteispelillä on mahdollista kirittää toimintaa entistä tehokkaammaksi tinkimättä yrityksen arvoista ja työn merkityksellisyydestä.

Vanha sanonta kuuluu, että viisaus on tietoa ja älykkyys kykyä hyödyntää sitä. Jos yritykseltä löytyy valtavasti tietoa vailla kattavaa kykyä hyödyntää sitä, on hyvä pysähtyä tarkastelemaan, kuinka älykästä organisaation toiminta on – ja kuinka sitä voisi parantaa.