答:AI知识库要在工厂真正产生价值,前提是先把三类数据基础打牢——结构化的设备与工艺数据、半结构化的工单与维修记录、非结构化的文档与经验文本,缺了哪一块,知识库都容易变成"能搜但不好用"的花架子。
先说结论背后的判断依据。工厂知识管理的痛点从来不是"没有知识",而是知识散在MES、EAM、PLC报警日志、老师傅的笔记本和一堆PDF作业指导书里。AI知识库的价值,是把这些碎片变成可检索、可推理、可复用的答案。但AI不是魔法,它吃进去什么,才能吐出什么。
一、结构化数据是骨架。设备台账、工艺参数、BOM、点检项、故障代码这类数据,通常躺在MES、ERP或设备管理系统里。它们的作用是给知识库提供"锚点"——当一线员工问"这台注塑机最近为什么频繁报警",知识库得能关联到具体设备编号、报警代码历史和维护工单。没有这层结构化映射,AI只能泛泛而谈。假设一家汽配企业,如果连设备主数据都不统一,同一个机台在三个系统里三个叫法,知识库的召回准确率会很难看。
二、半结构化的工单和维修记录是血肉。维修工单里的故障描述、处理动作、更换备件、耗时,是工厂最值钱的经验沉淀。这类数据往往格式不统一、字段填得随意,需要先做清洗和字段对齐。行业里的普遍情况是,工单文本质量决定了知识库能不能回答"类似故障上次是怎么解决的"这类高价值问题。某电子厂的实践路径是先规范工单必填项,再谈AI,顺序反了就是给自己挖坑。
三、非结构化文档和经验文本是灵魂,也是最难啃的。作业指导书、安全规程、设备手册、工艺变更通知,加上老师傅口述的经验,构成知识库的语义层。这里的关键不是把PDF一股脑塞进去,而是要做分段、打标签、建立版本关联。设备手册有版本,工艺文件有生效日期,知识库必须能区分"当前有效"和"历史参考",否则会给出过期答案,这在合规场景里是硬伤。
从行业经验看,数据基础还要补两条容易被忽略的:一是数据治理机制,谁负责更新、多久复核一次、变更如何同步;二是权限与溯源,工厂知识有岗位敏感性,知识库的每条答案最好能回溯到源文档,方便验证。120余家客户(覆盖15+行业)的落地观察里,凡是知识库用起来的,前期都在数据标准化上花了笨功夫。
个性化建议:如果你们厂现在要起步,别一上来就追求全量知识库。先选一个高频场景——比如设备故障排查或新员工上岗培训——把该场景涉及的三类数据理清楚,跑通"提问—召回—验证—反馈"的闭环,再逐步扩场景。数据基础不是一次性工程,是跟着知识库一起长出来的。