Tankeledere

Ud over hypen – Hvor AI virkelig fungerer i fremstillingsindustrien

Damantha Boteju
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterBrug AI til mønstergenkendelse, ikke autoritativ ræsonnering i fremstilling.
Vis mere
  • Brug AI til mønstergenkendelse, ikke autoritativ ræsonnering i fremstilling.
  • Opdel store fremstillingsproblemer i mindre sprogtunge opgaver til AI-agenter.
  • Undgå AI i sikkerhedskritiske operationer og realtidskontrolsystemer med snævre tolerancer.

AI bliver positioneret som den næste industrielle revolution, men mange ledere kæmper med at omsætte begejstring til praktiske resultater. Over 80% af USAs fremstillingsledere siger, at de planlægger at øge deres brug af AI inden for de næste to år, men det bliver ikke altid gjort med en klar strategi for, hvad de forventer at opnå i realiteten.

Mellem bestyrelsens pres for at gøre noget med AI og virkeligheden i komplekse produktionsmiljøer, er der en voksende kløft mellem forventning og udførelse. Denne kløft må lukkes, hvis fremstillingsvirksomhederne håber at se fordelene ved AI i deres forretninger.

AI-implementering overhaler beredskab

Fremstillingsledere i dag ved, at de må adoptere AI for at forblive konkurrencedygtige. En nylig undersøgelse fra The National Association of Manufacturers (NAM) fandt, at 51% af fremstillingsvirksomhederne i øjeblikket bruger AI, og at 80% vil betragte AI som afgørende for at udvide eller opretholde deres forretning.

Fremstillingsvirksomheder bruger denne teknologi på mange forskellige måder. AI har et enormt potentiale. Dog leverer investeringer i AI ikke altid det lovede afkast i mange organisationer.

En nylig undersøgelse af PWC og Manufacturing Institute fandt, at presset fra ledere for at adoptere AI kan overgå beredskabet for AI-dreven forandring. Den samme undersøgelse fandt også, med dens egne ord:

  • Ujævn AI-implementering kan forsinke integrationen i den daglige drift
  • Fremskridt på AI-adoptionskurven kræver træning og opbygning af kompetencer gennem praktisk erfaring
  • Menneskelige mangler og huller i beredskabet kan begrænse AI-implementering
  • Begrænset input fra frontline-ledere kan begrænse AI-implementering og udførelse

At finde løsningen

I stedet for at behandle AI som en universel løsning, må ledere skelne mellem anvendelser, hvor AI udmærker sig – såsom forbedring af menneske-system-interaktion, optagelse af operationel viden og forenkling af komplekse arbejdsgange – og områder, hvor det stadig er dårligt egnet, herunder præcis kontrol og reproducerbar beslutningstagning i produktionsmiljøer.

Et godt sted at anvende dette er under salgsprocessen. Mange fremstillingsvirksomheder ønsker at forbedre den guidede salgsproces ved hjælp af AI. De bør starte med at fokusere på kundens mål eller resultater i stedet for at bede kunden om at vælge bestemte parametre om et produkt.

Her er et personligt eksempel: Jeg købte for nylig min første el-bil. Jeg gik til el-bilproducentens website, og det første, jeg så, var de tekniske parametre, såsom Rækkevidde: 360-558 km. Det er en lang rækkevidde, men jeg forstår, hvad det betyder. Men hestekræfter? Ingen idé. Og forbrug? Nu havde jeg virkelig ingen idé om, hvad det betød; er forbrug godt eller dårligt? Vil det gøre en forskel for min families årlige skitur, som i øjeblikket tager mig omkring syv timer? Det er den slags information, der ville hjælpe mig med at træffe en beslutning.

En AI, som jeg kunne tale med om mine prioriteter, ville hjælpe elbilproducenten med at forstå, hvad der er vigtigt for mig, og omsætte disse prioriteter til de tekniske specifikationer, der passer til mig.

Et andet eksempel er at bruge AI-agenter til at bryde komplekse problemer ned i mindre dele. Agenter planlægger og udfører mål i flere trin. For at få det bedste ud af disse agenter bør opgaverne være præget af sprogligt arbejde.

Nogle ingeniørorganisationer følger denne tilgang, når det kommer til at håndtere komplekse krav. Nogle gange er informationen spredt over hundredvis eller tusindvis af dokumenter, og formatet er ikke standardiseret. Hvis du skulle bygge et traditionelt software-system til at importere al denne information, ville der være alt for mange regler og undtagelser til disse regler. Da AI er god til mønstergenkendelse, behøver du ikke at skrive ned hver eneste regel om, hvordan du skal fortolke disse dokumenter.

Bedste praksis for AI i fremstillingsindustrien

Del store problemer op i mindre opgaver. AI har begrænset arbejdshukommelse. Hvis du giver det for meget data eller et for bredt problem, kan det miste konteksten og begynde at hallucinere, mens det stadig forsøger at give et svar. For at reducere denne risiko bør du opdele store opgaver i mindre komponenter og aggregere resultaterne — et område, hvor agentic-rammer bliver særligt effektive.

Brug AI til mønstergenkendelse, ikke autoritativt ræsonnement. AI er god til mønstergenkendelse og identifikation af relationer, men det er ikke godt til logik og ræsonnement. For eksempel er AI’s “ræsonnement” og matematiske evner forudsigelse, ikke beregning. Således kan outputtet se indsigtsfuldt ud, men det er ikke garanteret at være korrekt, medmindre du forbinder AI til et andet system, der kan validere resultaterne. I denne tilgang kan AI koordinere arbejdsgangen, men du har truffet en eksplicit beslutning om, hvor de operationelle grænser er.

AI i fremstillingsindustrien kan skabe reel værdi, men der er bestemte scenarier, hvor risikoen overstiger fordelene. Det inkluderer sikkerheds- og kvalitetskritiske operationer. Det inkluderer også scenarier med få data eller helt nye situationer, fordi AI fungerer dårligt, når det ikke har set nok relevant data. Højt regulerede miljøer er endnu en udfordring, fordi AI stadig mangler ægte sporbarhed. Realtidskontrolsystemer med stramme tolerancer er endnu et sted, hvor AI bør undgås, da AI-forsinkelse eller ustabilitet kan være uacceptabel i højhastighedsprocesser

Fra hype til praktisk

AI er ikke en universel løsning for alle fremstillingsindustriens problemer. Men ved at overveje de virkelige brugstilfælde og de almindelige misforståelser, der er diskuteret ovenfor, kan fremstillingsvirksomhederne adoptere en mere balanceret tilgang til AI. På kort sigt er det vigtigste punkt at bruge AI til, hvad det er bedst til: problemer, der involverer en høj grad af mønstergenkendelse. Brug det ikke til tilfælde, der kræver forudsigelighed, konsistens, logik eller beregninger.

Fremstillingsvirksomheder kan skære igennem støjen og identificere, hvor AI virkelig leverer værdi i dag. Målet er ikke at bremse indførelsen, men at sikre, at organisationer implementerer AI, hvor det meningsfuldt forbedrer produktiviteten og beslutningstagningen, snarere end at følge branchens hype.

Damantha Boteju er produkt- og teknologidirektør i Configit, der er den globale leder inden for Configuration Lifecycle Management (CLM) løsninger og leverandør af business-kritisk software til konfiguration af komplekse produkter. Han tiltrådte Configit i marts 2023 og bringer mere end 25 års erfaring inden for softwareudvikling med fokus på enterprise-klasse produkter. Som CPTO leder han produkt- og teknologistrategien, driver innovation og leverer løsninger, der opfylder de komplekse behov hos Configits globale kunder.