Fra generativ kunstig intelligens til pålidelig kunstig intelligens: Høje indsatser i fremstilling

AI-hype-cyklussen eksploderede i 2023 med debuten af generativ AI og efterfølgende finansieringsindsprøjtninger. Med det fulgte en følelse af blind AI-optimisme, hvor organisationer kæmpede for teknologien uden en klar forståelse af dens ROI og praktiske use cases. Nogle fulgte blot AI-mængden og adopterede teknologien af ​​frygt for at blive efterladt. Når man ser tilbage og tænker på, hvad der skal ske i 2025, har meget ændret sig med hensyn til AI-forventninger? Er vi stadig på stadiet af blind AI-optimisme?

Kort sagt nej. Vi er heldigvis rykket længere hen ad modenhedsstien. Vi kan se hypecyklussen forsvinde og udvikler sig fra blind AI-optimisme til gennemprøvet AI-optimisme – eller pålidelig AI. Fremstillingsindustrien, som har gjort enorme fremskridt med pålidelig kunstig intelligens, fungerer som et casestudie for denne rejse, og som andre industrier kan lære af. Men før vi går ned ad den vej, er vi nødt til at tage fat på den reelle mulighed for en AI-boble, der sandsynligvis vil briste.

Irrationel kunstig intelligens?

Blind AI-optimisme – eller begejstring omkring den nyeste, mest skinnende AI-teknologi uden en klar forståelse af dens implikationer og håndgribelige resultater – har genereret en masse opmærksomhed og kapital. For eksempel ser analytikere Microsoft, Meta og Amazon foretage betydelige investeringer i Nvidias AI-drevne GPU'er, men der er bekymringer om, at disse investeringer ikke vil give de indtægtsgevinster, som disse virksomheder leder efter.

Vi begynder at se hvisken om denne specifikke AI-boble briste. MIT-økonom Daron Acemoglu advarede om, at penge hældt i AI-infrastrukturinvesteringer muligvis ikke svarer til investorernes ROI-forventninger. Folk var begejstrede for løftet om kunstig intelligens, men nu begynder de at bekymre sig om, at det vil afspejle dot-com-boblen. En sådan begivenhed kan få andre investorer til at blive mere skeptiske over for AI-fortællingen og søge hurtigere udbetalingstidsrammer eller reducere disse investeringer. Desillusionen bobler op.

Tag ikke fejl, AI kommer til at ændre den måde, industrier fungerer på, men det vil ikke ske ved at følge det skinnende objekt. Pålidelig AI er kvantificerbar og giver reel effekt, typisk bag kulisserne og indlejret i eksisterende processer.

Så hvad er et eksempel på pålidelig AI, der allerede viser succes og vil bestå tidens prøve? Fremstillingsindustrien præsenterer betydelige use cases.

Måling af produktionens succes

En førende kemivirksomhed ønskede at forbedre effektiviteten og pålideligheden i deres maskiner for at undgå uplanlagt nedetid og driftsforstyrrelser. De investerede i en AI-drevet forudsigende vedligeholdelsesløsning, der udstyrer deres teams med maskinsundhedsindsigt og anbefalinger til proaktivt at løse problemer. De opnåede 7x ROI på mindre end et år.

På samme måde ønskede en af ​​verdens førende fødevare- og drikkevarevirksomheder at reducere produktspild og optimere deres fabrikskapacitet, så de piloterede AI-aktiveret maskinovervågning på fire fabrikker. De oplevede en kapacitetsforøgelse med 4,000 timer om året og en reduktion af spild på mere end 2 millioner pund produkt. Resultaterne var så virkningsfulde, at piloten skaleres til alle deres nordamerikanske faciliteter.

Disse eksempler fra den virkelige verden viser den målbare virkning af pålidelig kunstig intelligens, og de stemmer overens med bredere branchetrends. I en seneste undersøgelse af mere end 700 globale producenter var topområderne til at kvantificere virkningen af ​​AI på forretningsmål supply chain management/optimering (41 %), forbedring af beslutningstagning med præskriptive analyser (41 %) og processundhed/maksimering af udbytte og kapacitet (40 %).

Resultaterne fra år til år afslører de sande fremskridt, der blev gjort på denne rejse fra blind optimisme til dokumenterede resultater. Sammenlignet med året før er tre gange så mange respondenter nu i stand til at kvantificere AI's indvirkning på processundheden, og dobbelt så mange kan måle dens indvirkning på uplanlagt maskinnedetid. Dette viser, at producenterne bliver bedre og mere komfortable med at bruge kunstig intelligens, hvilket hjælper dem med at opnå et mere dybtgående investeringsafkast.

Med denne øgede tillid øger 83 % af globale produktionsledere deres AI-budgetter – hvilket er nøglen til forretningsvækst og effektiv visualisering og handling på fabriksdata. Så hvad med andre industrier, der halter i AI-succes? De skalerer ikke hurtigt nok.

Langsom til skalering

Indtil nu har producenter og andre industriledere været langsomme til at skalere AI, hvilket har hindret den hastighed, hvormed vi har set meningsfulde resultater. Faktisk adopterer næsten 7 ud af 10 (67%) virksomhedsledere langsomt kunstig intelligens, pr. tech.co rapport.

AI er et værktøj, ikke et resultat. Der skal ske et kulturskifte for at realisere de sande fordele ved disse investeringer – det skal være mere end blot at sætte sensorer på maskiner. Faglært arbejdskraft er allerede svær at beholde og endnu sværere at finde. Den amerikanske befolkning ældes i et hurtigere tempo med færre mennesker på arbejdsmarkedet. Nu er det tid til at fremme pålidelig kunstig intelligens, fordi det er afgørende for at bevare viden og skubbe industrier fremad.

Generative AI-værktøjer som ChatGPT er imponerende, men forretningsverdenen har brug for mere end det. Det kræver specialbygget kunstig intelligens rettet mod specifikke og vanskelige problemer – og det kræver resultater. Det er her pålidelig AI kommer ind, og fremstillingen har givet en imponerende playbook.