Ηγέτες σκέψης
Πέρα από τον υπερβολικό ενθουσιασμό – Πού αποδίδει πραγματικά η τεχνητή νοημοσύνη στη μεταποίηση

Βασικά σημείαΧρησιμοποιήστε την τεχνητή νοημοσύνη για αναγνώριση προτύπων, όχι για αυθεντική…
Δείτε περισσότερα
- Χρησιμοποιήστε την τεχνητή νοημοσύνη για αναγνώριση προτύπων, όχι για αυθεντική συλλογιστική στη μεταποίηση.
- Αναλύστε μεγάλα προβλήματα μεταποίησης σε μικρότερες, γλωσσικά βαριές εργασίες για πράκτορες τεχνητής νοημοσύνης.
- Αποφύγετε την τεχνητή νοημοσύνη σε κρίσιμες για την ασφάλεια λειτουργίες και συστήματα ελέγχου πραγματικού χρόνου με αυστηρές ανοχές.
Η τεχνητή νοημοσύνη παρουσιάζεται ως η επόμενη βιομηχανική επανάσταση, αλλά πολλοί ηγέτες αγωνίζονται να μετατρέψουν τον ενθουσιασμό σε πρακτικά αποτελέσματα. Πάνω από το 80% των ηγετών της αμερικανικής βιομηχανίας λένε ότι σχεδιάζουν να αυξήσουν τη χρήση της τεχνητής νοημοσύνης μέσα στα επόμενα δύο χρόνια, αλλά αυτό δεν γίνεται πάντα με μια σαφή στρατηγική για το τι περιμένουν να επιτύχουν πραγματικά.
Ανάμεσα στην πίεση του διοικητικού συμβουλίου να κάνουν κάτι με την τεχνητή νοημοσύνη και την πραγματικότητα των σύνθετων περιβαλλόντων παραγωγής, υπάρχει ένα αυξανόμενο χάσμα μεταξύ προσδοκιών και εκτέλεσης. Αυτό το χάσμα πρέπει να κλείσει εάν οι βιομηχανικοί ηγέτες ελπίζουν να δουν τα οφέλη της τεχνητής νοημοσύνης στις επιχειρήσεις τους.
Η υιοθέτηση της τεχνητής νοημοσύνης ξεπερνά την ετοιμότητα
Οι ηγέτες της βιομηχανίας σήμερα γνωρίζουν ότι πρέπει να υιοθετήσουν την τεχνητή νοημοσύνη για να παραμείνουν ανταγωνιστικοί. Μια πρόσφατη έρευνα από τον Εθνικό Σύνδεσμο Βιομηχάνων (NAM) βρήκε ότι το 51% των βιομηχάνων χρησιμοποιούν ήδη την τεχνητή νοημοσύνη και ότι το 80% θα θεωρήσει την τεχνητή νοημοσύνη απαραίτητη για την επέκταση ή τη διατήρηση της επιχείρησής τους.
Οι βιομηχάνοι χρησιμοποιούν αυτή την τεχνολογία με πολλούς διαφορετικούς τρόπους. Η τεχνητή νοημοσύνη έχει τεράστια δυνατότητα. Ωστόσο, σε πολλές οργανώσεις, οι επενδύσεις στην τεχνητή νοημοσύνη δεν αποφέρουν την υποσχεθείσα απόδοση της επένδυσης.
Μια πρόσφατη έρευνα από PWC και το Ινστιτούτο Βιομηχανίας βρήκε ότι η πίεση από τους ηγέτες για την υιοθέτηση της τεχνητής νοημοσύνης μπορεί να ξεπεράσει την ετοιμότητα για αλλαγή που οδηγείται από την τεχνητή νοημοσύνη. Η ίδια έρευνα βρήκε επίσης, με τα δικά της λόγια:
- Η άνιση υιοθέτηση της τεχνητής νοημοσύνης μπορεί να επιβραδύνει την ενσωμάτωση στην καθημερινή λειτουργία
- Η πρόοδος κατά μήκος της καμπύλης υιοθέτησης της τεχνητής νοημοσύνης απαιτεί εκπαίδευση και ανάπτυξη ικανοτήτων μέσω πρακτικής εμπειρίας
- Τα κενά στον ανθρώπινο παράγοντα και στην ετοιμότητα μπορούν να περιορίσουν την υιοθέτηση της τεχνητής νοημοσύνης
- Η περιορισμένη συμβολή των επικεφαλής της πρώτης γραμμής μπορεί να περιορίσει την υιοθέτηση και την εκτέλεση της τεχνητής νοημοσύνης
Βρίσκοντας τη λύση
Αντί να αντιμετωπίζουν την τεχνητή νοημοσύνη ως καθολική λύση, οι ηγέτες πρέπει να διακρίνουν μεταξύ εφαρμογών όπου η τεχνητή νοημοσύνη διαπρέπει – όπως η βελτίωση της αλληλεπίδρασης ανθρώπου-συστήματος, η καταγραφή της λειτουργικής γνώσης και η απλοποίηση σύνθετων ροών εργασίας – και περιοχών όπου παραμένει κακώς προσαρμοσμένη, όπως ο έλεγχος ακριβείας και η επαναλήψιμη λήψη αποφάσεων σε περιβάλλοντα παραγωγής.
Ένα καλό σημείο για να εφαρμόσετε αυτό είναι κατά τη διάρκεια της διαδικασίας πώλησης. Πολλοί βιομηχάνοι θέλουν να βελτιώσουν τη διαδικασία οδηγούμενης πώλησης χρησιμοποιώντας την τεχνητή νοημοσύνη. Θα πρέπει να αρχίσουν εστιάζοντας στους στόχους ή τα αποτελέσματα του πελάτη αντί να ζητούν από αυτούς να επιλέξουν συγκεκριμένες παραμέτρους για ένα προϊόν.
Ένα προσωπικό παράδειγμα: Προσφατά αγόρασα το πρώτο μου ηλεκτρικό όχημα (EV). Πήγα στην ιστοσελίδα ενός κατασκευαστή EV και το πρώτο που είδα ήταν οι τεχνικές παράμετροι, όπως η αυτονομία: 360-558 χλμ. Πρόκειται για μεγάλη αυτονομία, αλλά καταλαβαίνω τι σημαίνει. Αλλά ιπποδύναμη; Δεν έχω ιδέα. Και κατανάλωση; Αυτό πραγματικά δεν το καταλάβαινα: είναι καλή ή κακή; Θα κάνει διαφορά στην ετήσια οικογενειακή εκδρομή στο σκι, η οποία τώρα διαρκεί περίπου επτά ώρες; Αυτό είναι το είδος πληροφοριών που θα με βοηθούσε πραγματικά να αποφασίσω.
Η δυνατότητα να συζητώ τις προτεραιότητές μου με μια τεχνητή νοημοσύνη θα βοηθούσε τον κατασκευαστή EV να κατανοήσει τι είναι σημαντικό για μένα και να μετατρέψει αυτές τις προτεραιότητες σε τεχνικές προδιαγραφές που είναι σωστές για μένα.
Ένα άλλο παράδειγμα είναι η χρήση πρακτόρων τεχνητής νοημοσύνης για να χωρίσουν σύνθετα προβλήματα σε μικρότερα κομμάτια. Οι πράκτορες σχεδιάζουν και εκτελούν στόχους πολλαπλών βημάτων. Για να αποκτήσετε το μέγιστο από αυτούς τους πράκτορες, οι εργασίες πρέπει να είναι βασισμένες σε μεγάλο βαθμό στη γλώσσα.
Ορισμένες μηχανικές οργανώσεις ακολουθούν αυτήν την προσέγγιση όταν πρόκειται για τη διαχείριση σύνθετων απαιτήσεων. Ορισμένες φορές οι πληροφορίες είναι διασκορπισμένες σε εκατοντάδες ή χιλιάδες έγγραφα και το φορμάτ δεν είναι τυποποιημένο. Αν κατασκευάζατε ένα παραδοσιακό σύστημα λογισμικού για να εισαγάγετε όλες αυτές τις πληροφορίες, θα υπήρχαν πάρα πολλοί κανόνες και εξαιρέσεις σε αυτούς τους κανόνες. Εφόσον η τεχνητή νοημοσύνη είναι καλή στην αναγνώριση προτύπων, δεν χρειάζεται να γράψετε κάθε μεμονωμένο κανόνα σχετικά με το πώς να ερμηνεύσετε αυτά τα έγγραφα.
Καλές πρακτικές για την τεχνητή νοημοσύνη στη βιομηχανία
Σπάστε μεγάλα προβλήματα σε μικρότερα καθήκοντα. Η τεχνητή νοημοσύνη έχει περιορισμένη εργασιακή μνήμη. Αν της δώσετε πάρα πολλά δεδομένα ή ένα υπερβολικά ευρύ πρόβλημα, μπορεί να χάσει το πλαίσιο και να αρχίσει να παράγει παραισθήσεις καθώς προσπαθεί ακόμα να δώσει μια απάντηση. Για να μειώσετε αυτό το ρίσκο, διαιρέστε μεγάλα καθήκοντα σε μικρότερα συστατικά και συναθροίστε τα αποτελέσματα — μια περιοχή όπου τα πλαίσια πρακτόρων γίνονται ιδιαίτερα αποτελεσματικά.
Χρησιμοποιήστε την τεχνητή νοημοσύνη για αναγνώριση προτύπων, όχι για συλλογιστική που αντιμετωπίζεται ως αυθεντία. Η τεχνητή νοημοσύνη είναι καλή στην αναγνώριση προτύπων και την αναγνώριση σχέσεων, αλλά δεν είναι καλή για λογική και συλλογιστική. Για παράδειγμα, η “συλλογιστική” και οι μαθηματικές ικανότητές της είναι πρόβλεψη, όχι υπολογισμός. Έτσι, τα αποτελέσματα μπορεί να φαίνονται εύστοχα, αλλά δεν είναι εγγυημένα να είναι σωστά, εκτός αν συνδέσετε την τεχνητή νοημοσύνη με ένα άλλο σύστημα που μπορεί να επικυρώσει τα αποτελέσματα. Σε αυτήν την προσέγγιση, η τεχνητή νοημοσύνη μπορεί να διευθύνει τη ροή εργασίας, αλλά έχετε λάβει μια ρητή απόφαση σχετικά με το πού είναι τα όρια λειτουργίας.
Η τεχνητή νοημοσύνη στη βιομηχανία μπορεί να δημιουργήσει πραγματική αξία, αλλά υπάρχουν συγκεκριμένα σενάρια όπου το ρίσκο υπερβαίνει το όφελος. Αυτά περιλαμβάνουν λειτουργίες κρίσιμες για την ασφάλεια και την ποιότητα. Περιλαμβάνει επίσης σενάρια με λίγα δεδομένα ή εντελώς νέα σενάρια, επειδή η τεχνητή νοημοσύνη αποδίδει άσχημα όταν δεν έχει δει αρκετά σχετικά δεδομένα. Τα αυστηρά ρυθμιζόμενα περιβάλλοντα είναι μια άλλη πρόκληση, επειδή η τεχνητή νοημοσύνη εξακολουθεί να στερείται πραγματικής ιχνηλασιμότητας. Τα συστήματα ελέγχου σε πραγματικό χρόνο με αυστηρές ανοχές είναι ένα άλλο σημείο όπου η τεχνητή νοημοσύνη πρέπει να αποφευχθεί, δεδομένου ότι η καθυστέρηση ή η αστάθεια της τεχνητής νοημοσύνης μπορεί να είναι απαράδεκτη σε διαδικασίες υψηλής ταχύτητας
Από τον θόρυβο στην πρακτική εφαρμογή
Η τεχνητή νοημοσύνη δεν είναι πανάκεια για όλα τα προβλήματα της βιομηχανίας. Αλλά με την εξέταση των πραγματικών περιπτώσεων χρήσης και των κοινών παρανοησιών που αναφέρθηκαν παραπάνω, οι βιομηχάνοι μπορούν να υιοθετήσουν μια πιο ισορροπημένη προσέγγιση στην τεχνητή νοημοσύνη. Βραχυπρόθεσμα, το κλειδί είναι να χρησιμοποιήσετε την τεχνητή νοημοσύνη για αυτό που είναι καλύτερη: προβλήματα που περιλαμβάνουν υψηλό βαθμό αναγνώρισης προτύπων. Μην την χρησιμοποιήσετε για περιπτώσεις που απαιτούν προβλεψιμότητα, συνέπεια, λογική ή υπολογισμούς.
Οι βιομηχάνοι μπορούν να διαπεράσουν τον θόρυβο και να αναγνωρίσουν πού η τεχνητή νοημοσύνη πραγματικά προσφέρει αξία σήμερα. Ο στόχος δεν είναι να επιβραδύνει την υιοθέτηση, αλλά να διασφαλίσει ότι οι οργανώσεις υλοποιούν την τεχνητή νοημοσύνη όπου βελτιώνει σημαντικά την παραγωγικότητα και τη λήψη αποφάσεων, αντί να ακολουθούν απλώς τον υπερβολικό ενθουσιασμό του κλάδου.












