कल्पना कीजिए कि आप एक विशाल, उच्च-तकनीकी कारखाने में घूम रहे हैं जहाँ रोबोट जटिल पुर्जे बना रहे हैं। पुराने दिनों में, यदि कोई मशीन गलती करती या किसी सेंसर ने अजीब तापमान रिकॉर्ड किया, तो वह जानकारी कागजों के ढेर में खो जाती या किसी ऐसे कंप्यूटर फ़ाइल में दब जाती जिसे कोई ढूँढ नहीं पाता। यह एक बाल्टी का पता जाने बिना समुद्र तट पर रेत के एक विशिष्ट कण को खोजने जैसा था। यह उन वैज्ञानिकों और इंजीनियरों के लिए एक बहुत बड़ी समस्या है जो आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करके इन कारखानों को अधिक स्मार्ट बनाना चाहते हैं। AI एक सुपर-स्मार्ट छात्र की तरह है; यह अद्भुत चीजें सीख सकता है, लेकिन केवल तभी जब इसके पास सही पाठ्यपुस्तकें हों। यदि डेटा अव्यवस्थित, छिपा हुआ, या बिना किसी लेबल के है (जैसे कि यह न लिखा हो कि "इसे तब रिकॉर्ड किया गया था जब ओवन 200 डिग्री पर था"), तो AI भ्रमित हो जाता है और सीख नहीं पाता।

इसे ठीक करने के लिए, वैज्ञानिक "FAIR" डेटा का उपयोग करते हैं। FAIR को एक ऐसे नियमों के सेट के रूप में सोचें जो यह सुनिश्चित करता है कि डेटा Findable (खोजने में आसान), Accessible (प्राप्त करने में आसान), Interoperable (अन्य डेटा के साथ एक ही भाषा बोलता हो), और Reusable (पुनः उपयोग में आसान) हो। लेकिन एक हिस्सा गायब है: प्रोवेनेंस (Provenance)। प्रोवेनेंस केवल एक फैंसी शब्द है जिसका अर्थ है "मूल का दस्तावेजी प्रमाण" या "उत्पत्ति की कहानी"। यह इन सवालों के जवाब देता है: "इसे किसने बनाया?" "यह कब हुआ?" और "इस मशीन ने इससे ठीक पहले क्या किया था?" इस कहानी के बिना, डेटा केवल एक शून्य में तैरता हुआ नंबर है। यह शोध पत्र एक जटिल, बहु-चरणीय विनिर्माण प्रक्रियाओं के लिए इस पूर्ण दस्तावेजी प्रमाण (पेपर ट्रेल) बनाने की चुनौती से निपटने के लिए है, जो एक अराजक कारखाने के फर्श को एक सुव्यवस्थित पुस्तकालय में बदल देता है जहाँ डेटा के हर टुकड़े को अपना इतिहास पता होता है।

वर्चुअल प्रोसेस डोजियर: कारखानों के लिए एक डिजिटल टाइम मशीन

इस पेपर के लेखक, जर्मनी के कार्लज़्रुहे के शोधकर्ताओं की एक टीम, वर्चुअल प्रोसेस डोजियर (VPD) नामक एक नया उपकरण प्रस्तावित कर रहे हैं। आप VPD को एक कारखाने के लिए "डिजिटल टाइम मशीन" या "अत्यंत विस्तृत डायरी" के रूप में देख सकते हैं। एक विशिष्ट कारखाने में, एक उत्पाद कई चरणों से गुजरता है: इसे गर्म किया जाता है, दबाया जाता, ठंडा किया जाता और मापा जाता है। प्रत्येक चरण पर, सेंसर निगरानी कर रहे होते हैं और डेटा रिकॉर्ड कर रहे होते हैं। समस्या यह है कि यह डेटा अक्सर अलग-अलग जगहों पर बिखर जाता है, और किसी को पता नहीं होता कि किस सेंसर ने असेंबली लाइन के किस विशिष्ट चरण के दौरान कौन सा तापमान रिकॉर्ड किया था।

VPD इसे एक नॉलेज ग्राफ (Knowledge Graph) बनाकर हल करता है। एक विशाल, इंटरैक्टिव वेब की कल्पना करें जहाँ डेटा का प्रत्येक हिस्सा एक 'नोड' है, और उन्हें जोड़ने वाली रेखाएं हमें बताती हैं कि वे एक-दूसरे से कैसे संबंधित हैं। इस वेब में, तापमान की रीडिंग केवल एक संख्या नहीं है; यह उस विशिष्ट रोबोटिक आर्म से जुड़ी है जिसने भाग को पकड़ा था, ओवन का दरवाजा खुलने के सटीक क्षण से, और उस विशिष्ट मशीन से जिसने सामग्री को दबाया था। यह डेटा को "FAIR" बनाता है क्योंकि कोई भी (या कोई भी AI) ग्राफ को देख सकता है और तुरंत डेटा के पूर्ण संदर्भ को समझ सकता है।

तीन जादुई सामग्रियां

पेपर सुझाव देता है कि VPD तीन मुख्य भागों से बना है, जो एक टीम की तरह मिलकर काम करते हैं:

1. VPD ऑन्टोलॉजी (द रूलबुक - नियम पुस्तिका):
   यह ऑपरेशन का मस्तिष्क है। एक "ऑन्टोलॉजी" एक शब्दकोश की तरह है जिस पर सभी सहमत होते हैं। लेखकों ने शून्य से एक नई भाषा का आविष्कार नहीं किया; इसके बजाय, उन्होंने मौजूदा, विश्वसनीय शब्दकोशों (जैसे DCAT, PROV, SSN/SOSA, और WiLD) को लिया और उन्हें आपस में जोड़ दिया।

   • उपमा: कल्पना कीजिए कि आप लेगो (Lego) का एक किला बना रहे हैं। आपके पास अलग-अलग सेटों से आधार, दीवारें और छत के लिए निर्देश हैं। VPD ऑन्टोलॉजी वह मास्टर निर्देश पुस्तिका है जो आपको बताती है कि उन विभिन्न सेटों को एक साथ कैसे जोड़ा जाए ताकि वे पूरी तरह फिट हो सकें। यह परिभाषित करता है कि एक "सेंसर" एक प्रकार का "एजेंट" है, और एक "हीटिंग स्टेप" एक प्रकार की "गतिविधि" है। यह सुनिश्चित करता है कि जब एक रोबोट कहता है "मैंने इसे गर्म किया," और एक कंप्यूटर कहता है "इसे गर्म किया गया था," तो वे एक ही भाषा बोल रहे हैं।

2. VPD फ्रेमवर्क (द कंस्ट्रक्शन क्रू - निर्माण दल):
   नियम पुस्तिका होना बहुत अच्छी बात है, लेकिन आपको इसे वास्तव में बनाने के लिए एक तरीके की आवश्यकता है। फ्रेमवर्क वह चरण-दर-चरण मार्गदर्शिका है कि सिस्टम को कैसे स्थापित किया जाए। यह कारखाने को बताता है कि उत्पादन शुरू होने से पहले कैसे तैयारी करनी है (भावी योजना या "prospective" सेटअप) और उत्पादन के दौरान डेटा कैसे रिकॉर्ड करना है (वास्तविक स्थिति या "retrospective" कैप्चरिंग)।

   • उपमा: इसे निर्माण दल की चेकलिस्ट के रूप में सोचें। कारखाने के खुलने से पहले, वे योजना लिखते हैं: "पहले, ओवन गर्म होगा, फिर प्रेस दबाएगा।" यह prospective हिस्सा है (जो हम उम्मीद करते हैं)। फिर, जैसे ही कारखाना चलता है, दल स्वचालित रूप से लिखता है कि वास्तव में क्या हुआ: "ओवन सुबह 10:05 बजे 200 डिग्री तक पहुँचा, और प्रेस ने 500 न्यूटन के बल से दबाव डाला।" यह retrospective हिस्सा है। फ्रेमवर्क यह सुनिश्चित करता है कि ये दोनों कहानियाँ आपस में पूरी तरह जुड़ी हुई हैं।

3. VPD यूजर इंटरफेस (द डैशबोर्ड):
   एक बेहतरीन नियम पुस्तिका और एक शानदार टीम होने के बावजूद, डेटा बेकार है यदि मनुष्य इसे पढ़ नहीं सकते। यूजर इंटरफेस (UI) एक वेबसाइट है जो लोगों को कंप्यूटर विशेषज्ञ बने बिना इस विशाल डेटा वेब को ब्राउज़ करने देती है।

   • उपमा: यदि नॉलेज ग्राफ लाखों किताबों वाला एक विशाल पुस्तकालय है, तो UI एक मिलनसार लाइब्रेरियन (पुस्तकालयाध्यक्ष) है जो कह सकता है, "मुझे पिछले मंगलवार को ओवन से तापमान की सभी रीडिंग दिखाएं," और तुरंत सही पन्ने निकाल सकता है। यह डेटा को विज़ुअलाइज़ करता है ताकि एक मानव उत्पादन प्रक्रिया की कहानी देख सके, या एक AI सीखने के लिए डेटा डाउनलोड कर सके।

वास्तविक जीवन में यह कैसे काम करता है

लेखकों ने अपने विचार का परीक्षण एक सरल उदाहरण का उपयोग करके किया: फाइबर-रीइन्फोर्स्ड प्लास्टिक से एक भाग बनाना।

1. सेटअप: वे फाइबर की एक शीट से शुरुआत करते हैं। वे इसे एक ग्रिपर फ्रेम में रखते हैं।
2. चरण: पहले, शीट को गर्म होने के लिए ओवन में डाला जाता है। फिर, एक प्रेस इसे आकार देने के लिए दबाता है।
3. सेंसर: इस प्रक्रिया के दौरान, सेंसर शीट की ऊपरी और निचली सतह के तापमान और ग्रिपर के कोण को मापते हैं।

एक सामान्य कारखाने में, तापमान डेटा एक फ़ाइल में सहेजा जा सकता है, और प्रेस डेटा दूसरी फ़ाइल में। आपको अनुमान लगाना होगा कि कौन सी तापमान रीडिंग किस प्रेस चक्र की थी।

VPD के साथ, सिस्टम सब कुछ स्वचालित रूप से जोड़ देता है। जब सेंसर तापमान रिकॉर्ड करता है, तो VPD जानता है:

• किसने: पाइरोमीटर सेंसर।
• क्या: ऊपरी सतह का तापमान।
• कब: वर्कफ़्लो के "हीटिंग" चरण के दौरान।
• कहाँ: उस विशिष्ट वर्कफ़्लो इंस्टेंस में जहाँ ओवन को 200 डिग्री पर सेट किया गया था।

पेपर स्पष्ट रूप से इस विचार को खारिज करता है कि वर्तमान डेटा कैटलॉग पर्याप्त हैं। लेखक तर्क देते हैं कि अधिकांश मौजूदा उपकरण केवल जेनेरिक लेबल (जैसे "फ़ाइल 1" या "फ़ाइल 2") देखते हैं और वर्कफ़्लो को नहीं समझते हैं। वे यह भी नोट करते हैं कि कुछ अन्य सिस्टम केवल डिजिटल डेटा (जैसे सॉफ़्टवेयर कोड) पर ध्यान केंद्रित करते हैं और भौतिक कारखानों में विफल हो जाते जहाँ मशीनें और सामग्रियां परस्पर क्रिया करती हैं। VPD विशेष रूप से इस बिखरी हुई, भौतिक वास्तविकता को संभालने के लिए डिज़ाइन किया गया है।

यह पेपर वास्तव में क्या कहता है (और क्या नहीं कहता)

लेखक सावधानी बरतते हुए कहते हैं कि उन्होंने एक कामकाजी प्रोटोटाइप और एक फ्रेमवर्क बनाया है, लेकिन वे यह दावा नहीं कर रहे हैं कि उन्होंने दुनिया की हर समस्या को हल कर दिया है।

• उन्होंने क्या पाया: उन्होंने सफलतापूर्वक एक ऑन्टोलॉजी बनाई जो सेंसर डेटा को वर्कफ़्लो चरणों से जोड़ती है। उन्होंने दिखाया कि मौजूदा मानकों (जैसे PROV और SSN) का उपयोग करके, वे पहिया दोबारा बनाए बिना डेटा को "FAIR" बना सकते हैं। उन्होंने प्रदर्शित किया कि उनका सिस्टम डेटासेट को ठीक उसी मशीन और चरण से स्वचालित रूप से जोड़ सकता है जिसने उसे बनाया है।
• वे क्या सुझाव देते हैं: वे सुझाव देते हैं कि यह दृष्टिकोण उन डेटा वैज्ञानिकों की मदद कर सकता है जो कारखाने के डेटा पर AI मॉडल को प्रशिक्षित करने की कोशिश कर रहे हैं। डेटा के साथ स्पष्ट "कहानियां" होने से, AI बहुत तेज़ी से और अधिक सटीकता से सीख सकता है।
• अभी क्या अज्ञात है: यह पेपर इसे एक प्रस्ताव और एक प्रोटोटाइप के रूप में प्रस्तुत करता है। वे उल्लेख करते हैं कि उन्होंने इसे जर्मनी में 8 प्रयोगशालाओं और 2 संस्थानों के एक शोध प्रोजेक्ट के लिए बनाया है। वे यह दावा नहीं करते कि दुनिया का हर कारखाना अभी इसका उपयोग कर रहा है, और न ही वे दावा करते हैं कि यह बिना और परीक्षण के हर प्रकार की मशीन के लिए पूरी तरह से काम करता है। वे UI को दूसरों के परीक्षण के लिए एक ओपन-सोर्स टूल के रूप में प्रस्तुत करते हैं, जिसका अर्थ है कि वास्तविक दुनिया में इसे अपनाना और स्केल करना अगला कदम है।

यह क्यों महत्वपूर्ण है

यहाँ अंतिम लक्ष्य डेटा को बर्बाद होने से रोकना है। आधुनिक कारखानों में, सेंसर डेटा के महासागर उत्पन्न करते हैं, लेकिन अक्सर यह इसलिए अप्रयुक्त रहता है क्योंकि इसे समझना बहुत कठिन होता है। वर्चुअल प्रोसेस डोजियर एक अनुवादक और एक लाइब्रेरियन के रूप में कार्य करता है, जो डेटा के महासागर को एक स्पष्ट, पठनीय कहानी में बदल देता है। यदि एक कारखाना यह बता सकता है कि एक भाग कैसे बनाया गया था, तो वे यह पता लगाने के लिए AI का उपयोग कर सकते हैं कि कोई भाग क्यों टूटा, इसे और मजबूत कैसे बनाया जाए, या ऊर्जा कैसे बचाई जाए।

पेपर निष्कर्ष निकालता है कि डेटा को "प्रोसेस-अवेयर" (प्रक्रिया के प्रति जागरूक) बनाकर—जिसका अर्थ है कि डेटा को अपना इतिहास और संदर्भ पता हो—हम उन "साइलो" (अलग-थलग सूचना के ढेर) को तोड़ सकते हैं जो वर्तमान में विनिर्माण को बाधित कर रहे हैं। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ कारखाने केवल चीजें बनाने वाली मशीनें नहीं, बल्कि स्मार्ट सिस्टम होंगे जो खुद को सीखते और सुधारते हैं, जो एक सरल लेकिन शक्तिशाली विचार पर आधारित है: डेटा के हर टुकड़े की अपनी एक डायरी प्रविष्टि होनी चाहिए।