AI + podaci: lekcije iz zdravstva za fabrike u Srbiji

Broj koji menja razgovor: Američka medicinska asocijacija (AMA) je navela da se korišćenje AI među lekarima skoro udvostručilo između 2023. i 2024. godine, a 68% lekara kaže da im AI pomaže u brizi za pacijente. To nije samo priča o zdravstvu. To je priča o tome šta se desi kada se AI spoji sa pouzdanim, “ličnim” podacima.

Zato je vest o ChatGPT Health zanimljiva i za našu seriju „Kako veštačka inteligencija transformiše proizvodnju i industriju u Srbiji“. Ne zato što će fabrike sutra „lečiti“ mašine četbotom, već zato što je princip isti: kada AI dobije pristup strukturiranim evidencijama (kartonima, istoriji, signalima) i jasnim pravilima privatnosti, počinje da daje odgovore koji su stvarno upotrebljivi.

U praksi, ovo je dobar trenutak da kompanije u Srbiji—proizvodne, logističke, energetske—pogledaju šta zdravstvo radi (dobro i loše), i da te lekcije preslikaju na AI u proizvodnji, industrijsku analitiku, kontrolu kvaliteta i optimizaciju procesa.

Šta je ChatGPT Health i zašto je važno (i van zdravstva)

ChatGPT Health je funkcija koja korisnicima omogućava da bezbedno povežu medicinske kartone i wellness aplikacije sa ChatGPT-om, kako bi dobijali personalizovanije uvide—uz naglasak da AI ne zamenjuje lekara. OpenAI navodi da se zdravstveni razgovori čuvaju u posebnom prostoru, šifrovano, i da se osetljivi podaci ne koriste za treniranje osnovnih modela.

Za industriju je ključna poruka jednostavna: AI nije magija. AI je dobar onoliko koliko su dobri podaci, integracije i kontrole pristupa.

Evo tri paralelne tačke koje vredi zapamtiti:

• Kao što medicinski karton daje kontekst doktoru, istorija proizvodne linije daje kontekst inženjeru i AI modelu.
• Kao što je privatnost kritična u zdravstvu, u industriji je kritična zaštita receptura, parametara procesa, podataka o dobavljačima i kvalitetu.
• Kao što AI u zdravstvu ne sme da „izmišlja“, u proizvodnji ne sme da predloži promenu parametra koja pravi otpad ili rizik po bezbednost.

Od medicinskog kartona do “kartona” mašine: AI u proizvodnji radi isto

“Personalizacija” u industriji znači: isti proizvod, različite linije; isti standard, različiti uslovi; isti KPI, različiti uzroci. Zdravstvo nas uči da AI postaje koristan tek kad prestane da bude generički.

Digitalni karton opreme (Asset Health Record)

U fabrikama u Srbiji, mnogo toga i dalje živi u Excelu, papirnim nalozima i u glavama majstora. A “karton mašine” bi trebalo da bude živi skup podataka:

• radni sati, ciklusi, zastoji
• alarmi i događaji sa PLC/SCADA
• istorija održavanja (kada, šta, ko, kojim delom)
• kvalitet: šarže, reklamacije, scrap, rework
• potrošnja energije i komprimovanog vazduha

Kada to povežete, dobijate osnovu za prediktivno održavanje i optimizaciju procesa. Bez toga, AI će zvučati pametno, ali će promašivati stvarnost.

“Wellness aplikacije” fabrike: OEE, MES, QMS, ERP

ChatGPT Health spaja kartone i wellness aplikacije. U industriji je analogija očigledna: MES (izvršenje proizvodnje), QMS (kvalitet), ERP (planiranje), WMS (skladište), uz OEE i energometriju.

Najveći napredak obično ne dolazi iz jedne aplikacije, već iz integracije:

• QMS kaže da raste broj defekata
• MES kaže da se promenio alat ili smena
• ERP kaže da je došao novi dobavljač sirovine
• energometrija kaže da je porasla potrošnja na jednoj stanici

AI onda ne “pogađa”, nego povezuje uzrok i posledicu.

Bezbednost i privatnost: lekcija koju industrija često preskoči

OpenAI naglašava izolovan prostor za razgovore, enkripciju i da se podaci ne koriste za treniranje osnovnih modela. U industriji, ovo je isto toliko bitno—možda i bitnije—jer curenje podataka može značiti:

• gubitak intelektualne svojine (recepture, parametri)
• kompromitovan kvalitet i audit trag
• prekršaj ugovornih obaveza prema partnerima iz EU
• sajber incident na OT mreži

Minimalni “industrial-grade” standardi pre AI projekta

Ako želite AI u proizvodnji u Srbiji (kontrola kvaliteta, optimizacija procesa, automatizacija izveštavanja), postavite ova pravila od starta:

1. Segmentacija IT/OT: AI sistem nikad ne sme biti most koji otvara OT prema internetu bez jasne arhitekture.
2. Role-based access: operater, tehnolog, kvalitet, održavanje—svako vidi ono što mu treba.
3. Audit log: ko je šta pitao, koji podaci su korišćeni, koji odgovor je dat.
4. Data retention: koliko dugo se čuva i gde.
5. “No training” režim za osetljive podatke (ili privatni model/tenant).

Jedna rečenica koju volim da ponovim timovima: AI bez governance-a je samo brži način da se napravi veća greška.

Kako izgleda ista ideja u praksi: 4 brza industrijska scenarija

Poenta ChatGPT Health-a nije čet, nego kontekst. Evo kako to izgleda kada se ista logika preslika na proizvodne kompanije.

1) Kontrola kvaliteta sa kontekstom, ne samo kamerom

Vizuelna kontrola (kamerama) je popularna, ali mnoge firme stanu na tome da “model detektuje ogrebotinu”. Sledeći nivo je kada AI dobije kontekst:

• koja je šarža materijala
• koji alat je korišćen
• koja smena, koja temperatura u hali
• koji dobavljač

Rezultat: umesto liste defekata, dobijate prioritet uzroka i predlog korektivnih akcija.

2) Prediktivno održavanje koje poštuje realnost pogona

Prediktiva propada kad se sve svede na “vibracija raste = ležaj umire”. Stvarnost je kompleksnija.

Kada u “karton mašine” ubacite:

• istoriju zamena delova
• tip proizvoda koji se radio
• režime rada i opterećenja

AI može da kaže: “Ovaj obrazac je isti kao prošli put 12 dana pre kvara, ali sada se pojavljuje 2x brže jer je režim rada teži.” To je ušteda koja se vidi na planu proizvodnje, ne samo u teoriji.

3) Automatizacija izveštavanja (a da ne mrzite izveštaje)

U januaru, kad se svodi prethodna godina i prave planovi, timovi često gube sate na ručno spajanje podataka. AI može da radi posao “analitičara prvog nacrta”:

• povuče KPI-jeve (OEE, scrap, reklamacije)
• uporedi sa ciljevima
• objasni odstupanja na osnovu događaja (zastoji, promene dobavljača)
• predloži 3–5 akcija sa očekivanim efektom

Bitno: finalna verzija je i dalje odgovornost ljudi. Ali početni posao—najdosadniji deo—može da se skrati drastično.

4) Optimizacija potrošnje energije kao “wellness” fabrike

Zdravstvo prati san, puls, navike. Fabrika treba da prati energiju na isti način—ne samo mesečni račun.

AI ovde radi najbolje kad ima granularne podatke:

• potrošnja po mašini/stanici
• vreme, smena, receptura
• komprimovani vazduh (čest skriveni trošak)

Onda možete dobiti preporuke tipa: “Noćni režim ove linije troši 18% više zbog curenja vazduha—potvrđeno korelacijom sa padom pritiska i brojem start/stop ciklusa.”

Šta da uradite u Srbiji u narednih 30 dana (realan plan)

Najbrži put do rezultata nije ‘veliki AI projekat’, nego mali pilot koji koristi postojeće podatke. Evo plana koji sam video da radi u industriji.

1. Izaberite jedan use case sa jasnim KPI-jem: scrap -10%, neplanirani zastoji -15%, vreme izveštavanja -50%.
2. Popišite izvore podataka (MES/QMS/ERP/SCADA) i proverite dostupnost (API, eksport, istorija).
3. Uradite data audit od 2 nedelje: koliko nedostaje, koliko je šuma, ko je vlasnik podataka.
4. Definišite bezbednosna pravila (pristupi, logovi, okruženje) pre prvog “spajanja”.
5. Napravite prototip koji daje jednu stvarno korisnu funkciju: npr. “Top 5 uzroka otpada po liniji i smeni, sa dokazima.”

Ako u pilotu ne možete da objasnite zašto AI daje preporuku, stanite. U proizvodnji “crna kutija” retko preživi susret sa realnim pogonom.

Gde sve ovo vodi: industrijski “super-asistent” je sledeći logičan korak

ChatGPT Health pokazuje smer: AI asistenti se sele iz opštih odgovora u rad sa ličnim, kontekstualnim podacima—uz jake kontrole privatnosti. U industriji u Srbiji, isti trend se već nazire kroz projekte koji spajaju proizvodne podatke, kvalitet, održavanje i energiju u jedan operativni pogled.

Ako želite da veštačka inteligencija u proizvodnji donese rezultate, fokusirajte se na tri stvari: integracija podataka, governance i upotrebljivost na liniji. Algoritam je tek treći korak.

Sledeće pitanje koje vredi postaviti u vašoj firmi je vrlo konkretno: koji “medicinski karton” za vašu proizvodnju danas ne postoji, a trebalo bi—karton mašine, karton šarže ili karton kvaliteta? Od tog odgovora obično kreće i najbolji AI projekat.