Myslitelé

Za hranicí hype – kde AI skutečně funguje ve výrobě

Damantha Boteju
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyVyužívejte AI pro rozpoznávání vzorů, nikoli autoritativní uvažování ve výrobě.
Zobrazit více
  • Využívejte AI pro rozpoznávání vzorů, nikoli autoritativní uvažování ve výrobě.
  • Rozdělte velké výrobní problémy na menší úkoly zaměřené na jazyk pro agenty AI.
  • Vyhněte se AI v bezpečnostně kritických operacích a systémech řízení v reálném čase s úzkými tolerancemi.

AI je prezentována 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, čeho mohou 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.

Zavádění AI předbíhá připravenost

Vedoucí výrobních firem dnes vědí, že musí adoptovat AI, aby zůstali konkurenceschopní. Nedávný průzkum organizace The National Association of Manufacturers (NAM) ukázal, že 51% výrobců v současnosti 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 nepřinášejí slibovanou návratnost investic.

Nedávný průzkum od PWC a Manufacturing Institute ukázal, že tlak lídrů na adopci AI může předcházet připravenosti na AI-poháněnou změnu. Stejný průzkum také ukázal, jeho vlastními slovy:

  • Nerovnoměrná adopce AI může zpomalit integraci do denních operací
  • Postup na křivce zavádění AI vyžaduje školení a budování schopností prostřednictvím zkušeností
  • Lidské a připravenostní mezery mohou omezit adopci AI
  • Omezené zapojení vedoucích pracovníků v první linii může omezit adopci a realizaci AI

Nalezení řešení

Místo toho, aby se AI považovala 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 přizpůsobena, včetně přesného řízení a opakovatelného 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 jej žádali o výběr konkrétních parametrů produktu.

Osobní příklad: Nedávno se mi podařilo koupit první elektromobil (EV). Na webu výrobce byly první věcí, která mě zaujala, technické parametry, jako je Dojezd: 360-558 km. To je dlouhý dojezd, ale chápu, co to znamená. Ale koňské síly? Nemám tušení. A spotřeba? Té už vůbec nerozumím: je dobrá, nebo špatná? Ovlivní naši každoroční rodinnou cestu na lyže, která mi nyní trvá přibližně sedm hodin? To je typ informací, které by mi skutečně pomohly rozhodnout.

AI, se kterou lze probrat mé priority, by pomohla výrobci EV pochopit, co je pro mě důležité, a přeložit tyto priority 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 vícekrokové cíle. Pro dosažení co největšího přínosu z těchto agentů by úkoly měly být zaměřené převážně na práci s jazykem.

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 agentní rámce stávají zvlášť účinnými.

Použít AI pro rozpoznávání vzorců, ne pro uvažování považované za autoritativní. AI je dobrá v rozpoznávání vzorců a identifikaci vztahů, ale není dobrá pro logiku a uvažování. Například její „uvažování“ a matematické schopnosti jsou předpovědí, ne výpočtem. Takže, výstupy mohou vypadat jako hluboké, ale nejsou garantovány jako správné, pokud AI nepropojíte s jiným systémem, který může ověřit výsledky. V tomto přístupu může AI orchestrovat pracovní postup, ale učinili jste 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 operace zásadní pro bezpečnost a kvalitu. Také zahrnují situace s malým množstvím dat nebo zcela nové situace, protože AI funguje špatně, když nevidí dostatek relevantních dat. Přísně regulovaná prostředí jsou další výzvou, protože AI stále postrádá skutečnou sledovatelnost. Řídicí systémy pracující v reálném čase s těsnými tolerancemi jsou dalším místem, kde je vhodné se AI 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. Nepoužívejte ji pro případy, které vyžadují předpověditelnost, konzistenci, logiku nebo výpočty.

Výrobci mohou oddělit podstatné od informačního šumu 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.

Damantha Boteju je produktový a technologický ředitel společnosti Configit, globálního lídra v oblasti řešení Configuration Lifecycle Management (CLM) a dodavatele business-kritického softwaru pro konfiguraci složitých produktů. Připojil se k Configit v březnu 2023 a přinesl s sebou více než 25 let zkušeností ve vývoji softwaru se zaměřením na produkty třídy enterprise. Jako CPTO vede produktovou a technologickou strategii, řídí inovace a dodává řešení, která splňují komplexní potřeby globálních zákazníků Configit.