Skrytý problém bránící přijetí umělé inteligence ve výrobě

Všichni ve světě výroby zdá se, že mluví o umělé inteligenci. Prediktivní údržba, automatizované kontroly kvality, optimalizace dodavatelského řetězce v reálném čase. Na papíru tyto použití slibují méně prostojů, vyšší produktivitu a rychlejší, informovanější rozhodování. Ale navzdory všem nadšením a investicím do nástrojů umělé inteligence mnoho výrobců stále zápasí s přechodem z pilotních projektů k skutečným výsledkům.

Ukázalo se, že největší překážka není nedostatek algoritmů nebo dokonce nedostatek povědomí o potenciálu umělé inteligence. Nejtrvalejším, skrytým problémem je neefektivita. Konkrétně, mezera mezi schopnostmi umělé inteligence a rozptýlenou, nekonzistentní provozní realitou nalezenou na většině továrních podlahách.

Nemusíte hledat daleko, abyste viděli tento problém odražený v datech. Průzkum stavu výroby z roku 2024 zjistil, že zatímco 90 % výrobců uvádí, že ve svých operacích používají nějakou formu umělé inteligence, 38 % stále cítí, že jsou pozadu za svými konkurenty v implementaci a dopadu. To odhaluje určitou formu “syndromu podvodníka”, kde je technologie přítomna, ale ještě není transformační, protože není vložena do základních procesů.

Současně široká průmyslová studie ukazuje, že 65 % výrobců uvádí problémy s daty, od přístupu a formátování po integraci a správu, jako hlavní bariéru pro přijetí umělé inteligence, což výrazně překonává jiné problémy, jako jsou dovednosti pracovníků nebo zastaralé vybavení.

Problém s kvalitou dat je ještě hlubší. Globální průzkum IT a obchodních lídrů, včetně mnoha z výroby, zjistil, že 87 % souhlasí s tím, že dobrá data jsou kritická pro úspěch umělé inteligence, ale pouze 42 % hodnotí kompletnost a přesnost svých dat jako excelente, a stejný procentní podíl uvádí, že špatná kvalita dat je bariérou pro další investice do umělé inteligence.

Tyto zjištění jasně ukazují, že výrobci jsou ochotni využít umělé inteligence, ale většina z nich zatím nemá operační základnu potřebnou k tomu, aby tak učinila způsobem, který skutečně posune podnikání kupředu.

Proč “příprava na umělou inteligenci” a skutečné přijetí nejsou totéž

Je lákavé ztotožnit připravenost s přijetím. Ale výzkum ukazuje překvapivou mezeru mezi těmito koncepty. Studie publikovaná v ScienceDirect naznačuje, že i v případech, kdy společnosti ukazují vysokou úroveň technické připravenosti na umělou inteligenci, skutečná míra přijetí, zejména v produkčních kontextech, často zůstává v nižších desítkách procent. To naznačuje, že společnosti váhají implementovat umělou inteligenci, protože jim stále chybí důvěra v to, jak bude fungovat v reálných provozních prostředích.

Tato váhavost není překvapivá, když se uváží, jak výroba tradičně fungovala. Na rozdíl od datově vedených odvětví, jako je finance nebo e-commerce, výroba byla zaměřena na fyzické procesy a stroje, ne na data. Společná zpráva OECD uvádí, že výrobci častěji než firmy v informačních a komunikačních technologiích narážejí na bariéry pro přijetí umělé inteligence, částečně proto, že postrádají tradici velkých datových praktik a častěji se spoléhají na zastaralé systémy.

To znamená, že organizace spěchají s pilotními projekty umělé inteligence, aniž by vytvořily datovou infrastrukturu nebo konzistenci pracovních postupů vyžadovaných pro spolehlivé výsledky nástrojů umělé inteligence. Je to jako vložení vysoce výkonného motoru do auta s prasklou karoserií a očekávání, že to bude fungovat.

Data, procesy a “skutečná mezera umělé inteligence”

Jedním z více odhalujících rámců, které se diskutují uvnitř odvětví, je myšlenka “skutečné mezery”. V průzkumech výrobci konzistentně ukazují důvěru ve svou strategii umělé inteligence na papíru. Většina říká, že umělá inteligence je top prioritou a konkurenční výhodou. Nicméně pouze malá část se cítí skutečně připravena implementovat projekty umělé inteligence dnes.

Tato mezera mezi aspiracemi a operační schopností pramení z několika základních problémů:

• Fragmentované datové prostředí. Senzory, stroje, ERP systémy a záznamy kvality často existují v izolaci bez standardizovaného způsobu sdílení informací. Modely umělé inteligence potřebují konzistentní a důvěryhodné vstupy. Když tyto vstupy jsou neúplné nebo nekonzistentní, předpovědi se stávají méně spolehlivými.
• Manuální a nespojené procesy. Zařízení může mít robustní IoT zařízení na některých strojích, ale stále se spoléhat na papírové záznamy pro kontroly kvality. Systémy umělé inteligence nemohou kompenzovat chybějící nebo zpožděná data; pouze zesilují to, co vidí.
• Příprava organizace. I když infrastruktura se zlepšuje, mnoho týmů postrádá zkušenosti s překladem výstupů modelů do akcí. Bez jasných pracovních postupů a důvěry lidem v umělou inteligenci zůstávají poznatky nevyužité.

Skryté náklady nečinnosti

Ignorování těchto bariér není bez následků. Výzkum konzistentně ukazuje, že organizace, které neřeší základní neefektivitu, zápasí s extrahováním hodnoty z jejich investic do umělé inteligence. Například zpráva o kapacitě průmyslové umělé inteligence zdůraznila, že téměř 80 % průmyslových firem postrádá vnitřní kapacitu pro úspěšné využití umělé inteligence, ačkoli většina z nich očekává, že umělá inteligence verbessí kvalitu a služby.

A za hranicemi výrobního sektoru studie v obchodním prostředí odhalují, že až 80 % společností se nezdaří využít umělou inteligenci, protože přehlížejí organizační, personální a faktory řízení změn — ne proto, že technologie sama o sobě je vadná.

Tyto poznatky stojí za opakování: výzvou umělé inteligence ve výrobě není jen otázka integrace technologie. Je to o návrhu pracovních postupů, rozhodovacích procesech, správě dat a lidských systémech, které interagují s těmito nástroji.

Zavření mezery: kde dochází k skutečnému pokroku

Takže, jak výrobci překlenou propast mezi potenciálem a realitou? Začíná to uznáním, že umělá inteligence by neměla být doplňkem, ale musí být vložena do stávající provozní tkaniny.

Nejprve se zaměřte na připravenost dat. Přinést všechna data do systému, zlepšit přístup a definovat pravidla správy neonly zlepšuje fungování nástrojů umělé inteligence, ale také vytváří důvěru ve výstupy. Průmyslové průzkumy, které uvádějí problémy s daty na vrcholu seznamu bariér, také ukazují, že výrobci, kteří řeší tyto problémy jako první, jsou více pravděpodobně schopni přesunout se za pilotní projekty a do fáze škálování.

Sladějte umělou inteligenci s reálnými pracovními postupy. Umělá inteligence by neměla být samostatnou vrstvou; měla by být integrována s lidským rozhodováním a každodenními procesy. Týmy musí rozumět tomu, co technologie dělá a proč její výstupy záleží. To znamená investice do vnitřní výchovy a správy kolem přijetí umělé inteligence.

Vybudujte infrastrukturu, která spojuje systémy. Místo vytváření dalších izolovaných prostředí úspěšné přijetí umělé inteligence zahrnuje sjednocení datových toků z rozličných zdrojů, senzorů, strojů, ERP, systémů kvality, do koherentní, přístupné vrstvy. Skutečný pokrok nastává, když společnosti začínají s problémy, které vidí a dotýkají se. Stroje, které si nekomunikují, kvalitní záznamy stále psané ručně a procesy, které závisí na paměti nebo zvyku, všechny vytvářejí neviditelné překážky. Když týmy stráví čas spojením systémů a učiní pracovní postupy konzistentními, technologie začíná poskytovat vedení místo zmatku.

Umělá inteligence sama o sobě neopraví rozbité procesy. Je to zřídka otázka nákupu nejnovějšího softwaru nebo honby za nejnovějším modelem. Společnosti, které se daří, se zaměřují na spojení stávajících systémů, snížení chyb a zajištění, aby týmy měly informace, které potřebují k akci.

Když jsou tyto kusy na místě, umělá inteligence přestává vypadat jako experiment a začíná fungovat společně s operátory, pomáhající jim zachytit problémy dříve a dělat denní rozhodnutí s větší jistotou.