האתגר
מה עמד לפני Mabat Viewer?
Mabat Viewer ניטרה ציוד תשתיות עבור לקוחות מוסדיים. נתוני חיישנים נאספו אבל לא נותחו בזמן אמת — פקידים בדקו דוחות שבועיים ידנית. תקלות רבות זוהו רק לאחר שגרמו לכשל מלא שחייב תיקון יקר ופגע בזמינות שירות.
הפתרון
מה בנינו
פיתחנו מנגנון Anomaly Detection שמנתח נתוני חיישנים בזמן אמת: טמפרטורה, רטט, לחץ וצריכת חשמל. מודל ML זיהה סטיות מהדפוס הנורמלי של כל מכשיר ספציפי — לא סף כללי אחיד. כשמזוהה אנומליה, נשלחת התראה לצוות התחזוקה עם תיאור הבעיה הצפויה.
תוצאות
מה השגנו יחד
✓94% מהכשלים זוהו ב-Predictive שלב לפני שהתרחשו
✓עלויות תיקוני כשל ירדו ב-58% בזכות מעבר לתחזוקה מונעת
✓זמן Downtime ציוד ירד ב-67% בשנה הראשונה