Za hranicí hype – kde AI skutečně funguje ve výrobě

AI je prezentován jako další průmyslová revoluce, ale mnoho lídrů bojuje s tím, aby entuziasmus přetvořili v praktické výsledky. Více než 80% lídrů výrobních firem v USA říká, že plánují zvýšit využití AI během následujících dvou let, ale to není vždy děláno s jasnou strategií, co očekávají reálně dosáhnout.

Mezi tlakem na úrovni představenstva, aby se něco udělalo s AI, a realitou komplexních výrobních prostředí, existuje rostoucí mezera mezi očekáváním a realizací. Tato mezera musí být uzavřena, pokud výrobci doufají, že uvidí výhody AI ve svých podnikáních.

Adopce AI předchází připravenosti

Vedoucí výrobních firem dnes vědí, že musí adoptovat AI, aby zůstali konkurenceschopní. Nedávný průzkum The National Association of Manufacturers (NAM) ukázal, že 51% výrobců目前 používá AI a že 80% bude považovat AI za zásadní pro rozšíření nebo udržení svého podnikání.

Výrobci používají tuto technologii mnoha různými způsoby. AI má obrovský potenciál. Nicméně, ve mnoha organizacích, investice do AI nedodávají slibovaný ROI.

Nedávný průzkum průzkumu od PWC a Manufacturing Institute ukázal, že tlak lídrů na adopci AI může předcházet připravenosti na AI-poháněnou změnu. Stejný průzkum také ukázal, v jejich slovech:

• Nerovnoměrná adopce AI může zpomalit integraci do denních operací
• Pokročilé沿AI adopční křivky vyžadují školení a budování zkušeností
• Lidské a připravenostní mezery mohou omezit adopci AI
• Omezený vstup lídrů na frontě může omezit adopci a realizaci AI

Nalezení řešení

Místo toho, aby se AI považovalo za univerzální řešení, lídři musí rozlišovat mezi aplikacemi, kde AI vyniká – jako je zlepšení interakce mezi lidmi a systémy, zachycení provozních znalostí a zjednodušení komplexních pracovních postupů – a oblastmi, kde zůstává špatně přizpůsobeno, včetně přesného řízení a opakovaného rozhodování ve výrobních prostředích.

Skvělým místem pro aplikaci tohoto je během vašeho prodejního procesu. Mnoho výrobních firem chce zlepšit proces vedeného prodeje pomocí AI. Měli by začít tím, že se zaměří na cíle nebo výsledky zákazníka, spíše než aby je žádali, aby vybrali konkrétní parametry o produktu.

Osobní příklad: Nedávno jsem koupil své první elektrické vozidlo (EV). Šel jsem na web výrobce EV a první věc, kterou jsem viděl, byly technické parametry, jako je Rozsah: 360-558 km. To je velký rozsah, ale chápu, co to znamená. Ale výkon? Žádná informace. A spotřeba? Teď opravdu nechápu, zda to bude mít vliv na naší rodinnou lyžařskou cestu, která trvá asi sedm hodin. To je typ informací, které by mi skutečně pomohly rozhodnout.

Mít AI, který by diskutoval o mých starostech, by pomohl výrobci EV pochopit, co je pro mě důležité, a přeložit tyto starosti do technických specifikací, které jsou pro mě vhodné.

Jiným příkladem je použití agentů AI k rozdělení komplexních problémů na menší části. Agenti plánují a realizují multi-krokové cíle. Pro získání最大 benefitu z těchto agentů by úkoly měly být jazykově bohaté.

Některé inženýrské organizace přijímají tento přístup při správě komplexních požadavků. Někdy je informace rozložena přes stovky nebo tisíce dokumentů a formát není standardizován. Pokud byste postavili tradiční softwarový systém na import všech těchto informací, bylo by příliš mnoho pravidel a výjimek z těchto pravidel. Protože AI je skvělá v rozpoznávání vzorců, nemusíte psát každé jednotlivé pravidlo, jak interpretovat tyto dokumenty.

Nejlepší postupy pro AI ve výrobě

Rozdělit velké problémy na menší úkoly. AI má omezenou pracovní paměť. Pokud jí dáte příliš mnoho dat nebo příliš široký problém, může ztratit kontext a začít halucinovat, zatímco se stále snaží poskytnout odpověď. Pro snížení tohoto rizika rozdělte velké úkoly na menší komponenty a agregujte výsledky – oblast, kde se agentic rámce stávají especialmente efektivními.

Použít AI pro rozpoznávání vzorců, ne pro autoritativní odůvodnění. AI je dobrá v rozpoznávání vzorců a identifikaci vztahů, ale není dobrá pro logiku a odůvodnění. Například jejich “odůvodnění” a matematické schopnosti jsou předpovědí, ne výpočtem. Takže, výstupy mohou vypadat jako hluboké, ale nejsou garantovány jako správné, pokud nejsou spojeny s jiným systémem, který může ověřit výsledky. V tomto přístupu může AI orchestrovat pracovní postup, ale jste udělali explicitní rozhodnutí o tom, kde jsou provozní hranice.

AI ve výrobě může vytvořit skutečnou hodnotu, ale existují konkrétní scénáře, kde riziko převyšuje benefit. Patří mezi ně bezpečnostně a kvalitně kritické operace. Také zahrnují nízko-datové nebo vysoce novátorské scénáře, protože AI funguje špatně, když nevidí dostatek relevantních dat. Vysoce regulované prostředí jsou další výzvou, protože AI stále postrádá skutečnou stopovatelnost. Reálné řídicí systémy s těsnými tolerancemi jsou dalším místem, kde by se AI mělo vyhnout, protože AI latence nebo nestabilita může být nepřijatelná ve vysokorychlostních procesech.

Od hype k praktičnosti

AI není všelék na všechny výrobní problémy. Ale tím, že se vezmou v úvahu reálné použití a běžné mýty diskutované výše, výrobci mohou adoptovat vyváženější přístup k AI. V krátkodobém horizontu je klíčovým bodem použít AI pro to, co je nejlepší: problémy, které zahrnují vysoký stupeň rozpoznávání vzorců. Není třeba ho používat pro případy, které vyžadují předpověditelnost, konzistenci, logiku nebo výpočty.

Výrobci mohou proniknout hluk a identifikovat, kde AI skutečně dodává hodnotu dnes. Cílem není zpomalit adopci, ale zajistit, aby organizace nasadily AI tam, kde významně zlepšuje produktivitu a rozhodování, spíše než aby pouze následovaly průmyslovou reklamu.