Fråga vilken driftchef som helst om pannans körsätt, förbrukningsprofil och larmhistorik får läcka till en konkurrent. Svaret är alltid detsamma. Fråga sedan vad som händer när samma material bifogas en fråga till en molntjänst — och svaret blir osäkert. Där har du industriell AI i ett nötskal: en teknisk fråga med en styrningsfråga bakom sig.
Diskussionen brukar handla om vilken modell som är bäst. Det är fel första fråga. Den första frågan är var modellen körs — för det avgör vart data tar vägen, vem som ser den, vad analysen kostar det tredje året och om den fungerar när nätet ligger nere.
Den här artikeln går igenom fyra skäl till varför modellen i en industriell miljö är värd att köra på anläggningens egen server, vad det konkret kräver av hårdvaran — och ärligt också var en lokal modell förlorar mot en molnmodell.
Varför industriell AI krockar med frågan om var data finns
Processdata är inte vanliga företagsdata. Det är en exakt beskrivning av hur en anläggning körs: vilken verkningsgrad pannan klarar, den verkliga förbrukningen per producerad enhet, var flaskhalsen i produktionskedjan sitter och hur ofta något går sönder. Ur den kan konkurrenskraften läsas direkt — och ofta också var anläggningen är sårbar.
När ett sådant material används i en fråga till en molntjänst följer fyra frågor som borde ha svar innan den första frågan skickas:
- Var behandlas data och var lagras den? Tjänstens placering och underleverantörskedja är inte alltid entydiga, och de förblir inte desamma över en avtalsperiod.
- Används den för att utveckla modellen? Villkoren varierar mellan tjänster och avtalsnivåer, och de ändras.
- Vem har åtkomst till den? Leverantörens egen personal, underleverantörer, myndigheter — svaret beror på jurisdiktionen.
- Vad händer om tjänsten upphör? Analyshistorik, prompter och integrationer är bundna till en tjänst man inte äger.
Inget av detta är ett oöverstigligt hinder. Men var och en är en sak som måste utredas, dokumenteras och kontrolleras på nytt varje gång avtalsvillkoren ändras. En lokal lösning tar bort hela frågeserien på en gång — inte för att den är administrativt smartare, utan för att ingen överföring sker.
Det är därför industriell AI går långsammare framåt än AI på kontoret. Hindret är inte tekniskt. Hindret är att ingen vill vara den som beslutade att skicka anläggningens körsätt ut ur nätet.
Fyra skäl att hålla modellen på anläggningens egen server
1. Data rör sig inte, alltså behöver den inte skyddas under transport
När språkmodellen är en process på samma maskin som databasen lämnar materialet som används i analysen aldrig servern. Ingen API-nyckel till en utomstående, ingen överföring att skydda, ingen fråga om materialet hamnar i någon modells träningsdata. Det är inte en inställning som kan slås av av misstag — det är en följd av var programmet körs.
2. Kostnaden är känd i förväg
Priset för en molnmodell är en funktion av användningen: ju mer analys, desto större faktura. Det är ett dåligt incitament just där mer analys behövs. En modell som körs på egen server kostar en engångssumma, och antalet frågor ändrar inte fakturan. Treårskostnaden går att räkna ut innan en enda fråga har ställts.
3. Analysen avbryts inte när nätet gör det
En industrianläggning fungerar även om kontorets internetförbindelse inte gör det. Om analysverktyget kräver en förbindelse utåt är det otillgängligt precis när situationen är exceptionell. En lokal modell fungerar också i ett helt slutet nät där servern inte har någon väg till internet alls.
4. Varje iakttagelse är spårbar till källdata
En analys är användbar först när den går att kontrollera. När modellen läser samma databas som innehåller mätdata kan varje iakttagelse bindas till en mätpunkt och ett tidsintervall. Påståendet kan då verifieras mot rådata — och analysens trovärdighet beror inte längre på hur väl den är skriven.
Den fjärde punkten är i praktiken den som avgör om verktyget fortfarande används ett halvår senare. En sammanfattning skriven av en språkmodell är en utgångspunkt, inte ett bevis. Om en iakttagelse inte kan spåras till en mätpunkt vågar ingen fatta beslut utifrån den — och verktyget blir oanvänt oavsett hur bra texten ser ut.
Vad det verkligen krävs av servern för att köra en lokal modell
Den vanligaste missuppfattningen är att en lokal språkmodell kräver en serverhall och en rad grafikkort. För industriell analys är kravet betydligt måttligare, eftersom frågorna är få och korta — det handlar inte om en chattjänst för tusen användare utan om ett fåtal analyser per dag.
I praktiken ser dimensioneringen i DataPortias™ AI-modul ut så här:
| Område | Krav | Att notera |
|---|---|---|
| Minne | Minst 8 GB RAM, rekommenderat 16–32 GB | Modellen reserverar minne under hela körningen. Med AI-modulen i bruk, välj den övre delen av rekommendationen. |
| Disk | 100 GB SSD | Omfattar modellen, databasen och tidsseriehistoriken. |
| Grafikkort | Ingår inte i minimikraven | Utan separat grafikkort tar svaret längre tid, men det blir färdigt. |
| Operativsystem | Windows 10/11, Windows Server 2016+, Linux (Debian, Ubuntu) | Samma server som datainsamlingen och databasen. |
| Datakälla | PostgreSQL 18 + TimescaleDB | Modellen läser samma tidsseriedatabas som mätningarna lagras i. |
Själva modellen körs med Ollama, och de tillgängliga modellerna är öppna: Qwen, Gemma, DeepSeek och Llama. Modellen väljs och installeras vid idrifttagningen, varefter analysen fungerar även i ett slutet nät. I praktiken betyder det att industriell AI ryms på den maskin anläggningen redan har — inte på en ny investering.
- 8 GB
- RAM är minimikravet. Det är mindre än en vanlig kontorsbärbar — och det är hela den hårdvarutillökning som en lokal modell behöver i en typisk anläggningsinstallation.
Var en lokal modell förlorar mot en molnmodell — en ärlig jämförelse
En lokal modell är inte bättre än en molnmodell. Den är annorlunda, och skillnaden är värd att säga rakt ut, eftersom en felställd förväntan är det snabbaste sättet att få ett verktyg förkastat.
| Egenskap | Lokal modell | Molnmodell |
|---|---|---|
| Var data finns | Lämnar aldrig anläggningen | Överförs till leverantören |
| Svarshastighet | Långsammare, särskilt utan grafikkort | Snabb |
| Resonemang i långa frågor | Grövre; modellen är mindre | Mer precist |
| Kostnadsmodell | Engångsbetalning, inga avgifter per fråga | Efter användning |
| Drift utan internet | Fungerar | Fungerar inte |
| Allmän kunskap om världen | Smalare | Bredare |
Valet följer av vilket krav som är strängast. Om kravet är snabbast möjliga svar på vilken fråga som helst är en lokal modell inte rätt val. Om kravet är att processdata inte får lämna anläggningen är den det enda valet.
I industriell analys är frågorna lyckligtvis smala och materialet numeriskt: "vilka punkter avvek förra veckan", "hur utvecklades förbrukningen jämfört med föregående period", "vilka larm återkom oftast". För dessa räcker en mindre modell, eftersom arbetet görs av data — inte av modellens kunskap om världen.
Praktiskt exempel: en månadsanalys inom processindustrin utan internetförbindelse
Processanläggning: samma månadsanalys med två olika arkitekturer
Praktiskt exempel
Molnbaserad analys
- Månadens mätdata exporterades som fil till en analystjänst
- Exporten krävde en dataskyddsbedömning och internt godkännande varje gång
- I praktiken gjordes analysen en gång i månaden, eftersom processen var tung
- Kostnaden växte med materialets storlek
- Produktionsnätets server hade ingen väg ut — exporten gjordes för hand
- En iakttagelse gick inte att öppna till källdata
Lokal modell på samma server
- Analysen startas direkt i den vy där data redan finns
- Ingen export, ingen godkännanderunda, inga filer i rörelse
- Analysen körs varje vecka, eftersom den inte kostar extra
- Servern är frånkopplad från internet — analysen fungerar ändå
- Svaret tar längre tid, typiskt tiotals sekunder
- Varje iakttagelse är bunden till en mätpunkt och ett tidsintervall
Den avgörande skillnaden är inte analysens kvalitet utan dess frekvens. När marginalkostnaden och den administrativa friktionen för en analys båda faller till noll upphör analysen att vara ett projekt och blir en vana. En genomgång som görs en gång i månaden hittar en avvikelse med i genomsnitt två veckors fördröjning; gjord varje vecka hittar den samma avvikelse på tre dagar — med samma modell och samma data.
De praktiska analystyperna är desamma oavsett var modellen körs: avvikelsedetektering, en prognos ur mätt historik, en jämförelse av förbrukning och körsätt mellan perioder samt en strukturerad sammanfattning av iakttagelserna. Dessutom kan en fri fråga om materialet ställas på vanligt språk. I DataPortias AI-modul är dessa ett tillägg på 499 € ovanpå basprodukten, och ingen avgift tas ut per fråga.
Sammanfattning: industriell AI är ett arkitekturval, inte ett modellval
Modellerna byts ut varje år. Var modellen körs är ett beslut som varar längre än någon enskild modell — och det är också det enda av dessa beslut som är svårt att ta tillbaka i efterhand.
De viktigaste lärdomarna:
- Den första frågan är platsen, inte modellen. Den avgör datakontrollen, kostnadsmodellen och tillgängligheten på en gång.
- Hårdvarukravet är måttligare än man tror. 8 GB RAM som minimum, 16–32 GB som rekommendation, inget separat grafikkort.
- En lokal modell är långsammare och grövre. I industriell analys räcker det, eftersom frågorna är smala och arbetet görs av data.
- Spårbarheten avgör användningen. En iakttagelse som inte kan kontrolleras mot en mätpunkt blir inte ett beslut.
- Frekvens slår skärpa. En medelmåttig analys som körs varje vecka hittar avvikelsen före en utmärkt som körs varje månad.
När datainsamlingen, databasen och modellen finns på samma server blir analysen en del av det dagliga arbetet i stället för ett separat projekt. Testa DataPortia gratis i 30 dagar: testperioden omfattar AI-modulen och alla övriga funktioner utom HA-tillägget och binder inte till något. Modellen körs på er server och med era data, så bedömningen behöver inte vila på ett löfte.