Page 71 - XXIV Konferencja Automatyków Rytro 2026

przewidywać skutki planowanej akcji, podpowiadać bezpieczniejsze działanie i generować
czytelne wyjaśnienia dla człowieka.

Pierwszy obszar to uczenie maszynowe do wykrywania anomalii w działaniach i danych
operatorskich. Prace dotyczące energetyki jądrowej pokazały, że modele nienadzorowane,
w tym sieci typu GAN, mogą wykrywać niespójności między danymi z sensorów a danymi ręcznie
wprowadzanymi przez personel (Gursel i in., 2023). Dla przemysłu procesowego ważna jest tu
nie sama technika GAN, lecz szersza idea: można analizować spójność między tym, co mówi
obiekt, tym, co rejestruje system sterowania, i tym, co deklaruje lub wprowadza człowiek.
Drugi obszar to predykcja skutków działań operatora. W instalacjach krytycznych operator
często nie potrzebuje kolejnego alarmu, ale odpowiedzi na pytanie: co stanie się, jeśli teraz
wykonam tę akcję? Modele predykcyjne mogą prognozować trendy parametrów po określonych
działaniach operatorskich i wspierać ocenę planu działań. Taka funkcja jest szczególnie przydatna
w stanach nienormalnych, gdy dynamika procesu jest szybka, a intuicja operatora bywa
obciążona stresem i niepełną informacją.
Trzeci obszar to nadzór nad stanem poznawczym operatora. Coraz więcej badań wykorzystuje
okulografię, EEG i inne sygnały fizjologiczne do oceny obciążenia poznawczego, uwagi i sposobu
pozyskiwania informacji. Połączenie eye-trackingu i EEG pozwala klasyfikować poziom obciążenia
operatorów nastawni, a analiza entropii spojrzenia może wskazywać przeciążenie w sytuacjach
nienormalnych. Wdrożeniowo jest to trudniejszy obszar, bo dotyka prywatności i akceptacji
społecznej, ale jego znaczenie będzie rosło tam, gdzie błędna percepcja sytuacji jest równie
groźna jak błędna akcja.

Czwarty obszar to walidacja procedur i koordynacja działań. AI może sprawdzać, czy
sekwencja akcji jest zgodna z procedurą, czy nie pominięto kroku, czy kolejność jest
dopuszczalna i czy warunki procesu uzasadniają przejście do następnego etapu. W bardziej
zaawansowanym wariancie AI może pomagać rozstrzygać konflikty: na przykład, gdy szybkie
przywrócenie produkcji konkuruje z minimalizacją ryzyka termicznego, mechanicznego albo
środowiskowego. W tym obszarze działają także rozwiązania regułowe opisane w pierwszej
części artykułu.

7. Duże modele językowe: nie sterownik, lecz warstwa

interpretacyjna

Duże modele językowe (LLM) nie powinny być traktowane jako kolejny algorytm wpięty
bezpośrednio w sterowanie. Ich największa wartość leży gdzie indziej: potrafią łączyć informacje
z wielu źródeł, które w zakładzie często żyją osobno. Historian przechowuje szeregi czasowe.
DCS/SCADA zapisuje alarmy i komendy. CMMS ma historię prac utrzymaniowych. Operatorzy
piszą raporty zmianowe. Producenci dostarczają instrukcje. Technolodzy mają procedury
rozruchu i odstawienia. LLM może stać się interfejsem do tej rozproszonej wiedzy, o ile jest
osadzony w lokalnych, zatwierdzonych źródłach.

Pierwsze zastosowanie to „strażnik procedury”. Model językowy, działający w architekturze
RAG, może porównywać aktualną sekwencję z obowiązującą instrukcją i wskazywać brakujący
krok, zbyt wczesną akcję, niezgodność warunków dopuszczenia albo brak potwierdzenia skutku.
Ważne jest, aby model nie generował procedury z pamięci, lecz cytował konkretny punkt
dokumentu zakładowego i powiązane sygnały procesowe. Wtedy operator widzi nie tylko

Paweł Wnuk, Diagnostyka operatora i AI str. 7
XXIV KONFERENCJA AUTOMATYKÓW RYTRO 2026 POLITECHNIKA WARSZAWSKA