Skrytý problém, který brání přijetí umělé inteligence ve výrobě

Všechny ve výrobním světě se zdají mluvit o umělé inteligenci. Prediktivní údržba, automatizované kontroly kvality, optimalizace dodavatelského řetězce v reálném čase. Na papíru tyto použití slibují méně prostojů, vyšší produkci a rychlejší, informovanější rozhodování. Ale navzdory všem nadšením a investicím do nástrojů umělé inteligence mnoho výrobců stále zápasí s přechodem od pilotních projektů k skutečným výsledkům.

Ukázalo se, že největší překážka není nedostatek algoritmů nebo dokonce nedostatek povědomí o potenciálu umělé inteligence. Nejtrvalejší, skrytý problém je neefektivita. Konkrétně, mezera mezi schopnostmi umělé inteligence a rozptýlenou, nekonzistentní operační realitou, která se nachází na většině výrobních podlah.

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

Stejně tak 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, daleko překonávající 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 skvělá data jsou kritická pro úspěch umělé inteligence, ale pouze 42 % hodnotí kompletnost a přesnost svých dat jako vynikající, 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 ještě nemá operační základnu, která by jim umožnila to udělat způsobem, který skutečně posune podnikání vpřed.

Proč “připravenost 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 prokázaly 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 operačních prostředích.

Tato váhavost není překvapující, 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 poznamenává, že výrobci častěji než firmy v oblasti informačních a komunikačních technologií narazí na bariéry pro přijetí umělé inteligence, částečně proto, že postrádají tradici velkých datových praktik a častěji závisí na zastaralých systémech.

To znamená v praxi, že organizace spěchají s pilotními projekty umělé inteligence, aniž by vytvořily data infrastrukturu nebo konzistenci pracovních procesů, které jsou nezbytné pro to, aby nástroje umělé inteligence poskytovaly spolehlivé výsledky. Je to jako vložení high-performance motoru do auta s prasklou karoserií a očekávání, že to bude fungovat.

Data, procesy a “reality gap” umělé inteligence

Jedna z více odhalujících rámců, které se diskutují uvnitř odvětví, je koncept “reality gap”. Ve výzkumech výrobci konzistentně prokazují důvěru ve svou strategii umělé inteligence na papíru. Většina říká, že umělá inteligence je top prioritou a konkurenční výhodou. Yet pouze malá část se skutečně cítí 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 izolovaných systémech 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.
• Ruční a nespojené procesy. Zařízení může mít robustní IoT zařízení na některých strojích, ale stále závisí na papírových záznamech pro kontrolu kvality. Systémy umělé inteligence nemohou kompenzovat chybějící nebo zpožděná data; pouze zesilují to, co vidí.
• Organizační připravenost. I když infrastruktura se zlepšuje, mnoho týmů postrádá zkušenosti s překladem výstupů modelů do akcí. Bez jasných pracovních procesů 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 významná většina očekává, že umělá inteligence verbessí kvalitu a služby.

A za hranicemi výrobního sektoru studie v obchodních prostředích odhalují, že až 80% firem 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 to zopakovat: výzvou umělé inteligence ve výrobě není pouze otázka integrace technologie. Je to otázka návrhu pracovních procesů, rozhodovacích procesů, správy dat a lidských systémů, které interagují s těmito nástroji.

Zavření mezery: Kde se děje skutečný pokrok

Tak jak výrobci překlenou propast mezi potenciálem a realitou? Začíná to uznáním, že umělá inteligence by neměla být přidána, ale musí být začleněna do stávající operační 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. Průzkumy, které uvádějí problémy s daty na vrcholu seznamu bariér, také ukazují, že výrobci, kteří tyto problémy řeší jako první, jsou více pravděpodobně přejdou od pilotních projektů do škálování.

Srovnejte umělou inteligenci s reálnými pracovními procesy. 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 jsou důležité. To znamená investovat do interního vzdělávání a správy kolem přijetí umělé inteligence.

Vybudujte infrastrukturu, která spojuje systémy. Místo vytváření dalších izolovaných systémů úspěšné přijetí umělé inteligence zahrnuje sjednocení datových toků z různých zdrojů, senzorů, strojů, ERP, systémů kvality, do koherentní a přístupné vrstvy. Skutečný pokrok se děje, když společnosti začínají s problémy, které mohou vidět a dotknout se. Stroje, které nekomunikují mezi sebou, záznamy kvality, které jsou stále psány ručně, a procesy, které závisí na paměti nebo zvyku, všechny vytvářejí neviditelné překážky. Když týmy spojí systémy a učiní pracovní procesy konzistentními, technologie začíná poskytovat vedení místo zmatku.

Umělá inteligence sama o sobě neopravuje rozbité procesy. Je to zřídka otázka nákupu nejnovějšího softwaru nebo pronásledování nejnovějšího modelu. Společnosti, které se daří, se zaměřují na spojení stávajících systémů, snižování chyb a zajišťování, aby týmy měly informace, které potřebují k akci.

Když jsou tyto kusy na místě, umělá inteligence přestává vypadat jako experiment a začíná fungovat vedle operátorů, pomáhajících jim chytit problémy dříve a dělat denní rozhodnutí s větší jistotou.