Πέρα από την υπεροπτική – Πού η τεχνητή νοημοσύνη λειτουργεί πραγματικά στη βιομηχανία

Η τεχνητή νοημοσύνη παρουσιάζεται ως η επόμενη βιομηχανική επανάσταση, αλλά πολλοί ηγέτες αγωνίζονται να μετατρέψουν τον ενθουσιασμό σε πρακτικά αποτελέσματα. Περισσότεροι 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.

Μежду την 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. Một πρόσφατη έρευνα από Το 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 τη τεχνολογία με πολλούς διαφορετικούς τρόπους. Η τεχνητή νοημοσύνη έχει τεράστια δυνατότητα. Ωστόσο, σε πολλές οργανώσεις, οι επενδύσεις στην τεχνητή νοημοσύνη δεν αποδίδουν το υποσχόμενο οφέλους.

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 τους λόγια:

• Η ανίσου 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 ικανότητες κτίσεως
• Τα κενά ανθρώπινης και ετοιμότητας μπορούν να περιορίσουν την υιοθέτηση της τεχνητής νοημοσύνης
• Ο περιορισμένος εισαγόμενος ηγέτης μπορεί να περιορίσει την υιοθέτηση και την εκτέλεση της τεχνητής νοημοσύνης

Βρίσκοντας το λύση

Αντί να αντιμετωπίζουν την τεχνητή νοημοσύνη ως καθολική λύση, οι ηγέτες πρέπει να διακρίνουν μεταξύ εφαρμογών όπου η τεχνητή νοημοσύνη excels – όπως η βελτίωση της αλληλεπίδρασης ανθρώπου-συστήματος, η κατανόηση της λειτουργικής γνώσης και η απλοποίηση σύνθετων ροών εργασίας – και περιοχών όπου παραμένει κακώς προσαρμοσμένη, συμπεριλαμβανομένης της ακριβούς ελέγχου και της επαναλαμβανόμενης λήψης 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 επικεντρώνοντας τους στόχους ή τα αποτελέσματα του πελάτη αντί να ζητούν από αυτούς να επιλέξουν συγκεκριμένα παραμέτρα 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 παραμέτρους, όπως το Εύρος: 360-558 χλμ. Αυτό είναι ένα μεγάλο εύρος, αλλά καταλαβαίνω τι σημαίνει. Αλλά ίππος; Δεν έχω ιδέα. Και κατανάλωση; Τώρα πραγματικά δεν καταλαβαίνω; 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.

Έχοντας μια τεχνητή νοημοσύνη για να συζητήσω τις προτιμήσεις μου θα βοηθούσε τον κατασκευαστή EV να κατανοήσει τι είναι σημαντικό για μένα και να μετατρέψει αυτές τις προτιμήσεις σε τεχνικές προδιαγραφές που είναι σωστές για μένα.

Ένα άλλο παράδειγμα είναι η χρήση τεχνητής νοημοσύνης για να σπάσει σύνθετα προβλήματα σε μικρότερα κομμάτια. Οι πράκτορες σχεδιάζουν και εκτελούν πολυ-βήματα στόχους. Για να αποκτήσετε το μέγιστο από αυτούς τους πράκτορες, οι εργασίες πρέπει να είναι γλωσσικά-βαρείς.

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 θα κατασκευάσετε ένα παραδοσιακό σύστημα λογισμικού για να εισαγάγετε όλες αυτές τις πληροφορίες, θα υπήρχαν πολύ πολλά κανόνες και εξαιρέσεις σε αυτούς τους κανόνες.既然 η τεχνητή νοημοσύνη είναι καλή στην αναγνώριση προτύπων, δεν χρειάζεται να γράψετε κάθε einzelό 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 πολύ δεδομένα ή ένα υπερβολικά ευρύ πρόβλημα, μπορεί να χάσει το контέκστ και να αρχίσει να φαντασιώνεται 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 αυθεντική συλλογιστική. 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 ικανότητες τους είναι πρόβλεψη, όχι υπολογισμός. Έτσι, τα αποτελέσματα possono να φαίνονται εύστοχα, αλλά δεν είναι εγγυημένα να είναι σωστά, trừ αν συνδεθείτε 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 συγκεκριμένες σενάρια όπου το ρίσκο υπερβαίνει το όφελος. Αυτά περιλαμβάνουν ασφαλείς και ποιοτικές κρίσιμες λειτουργίες. Περιλαμβάνει επίσης σενάρια με χαμηλά δεδομένα ή υψηλά καινοτόμα σενάρια, επειδή η τεχνητή νοημοσύνη εκτελείται κακώς όταν δεν έχει δει αρκετά σχετικά δεδομένα. Οι περιβάλλοντες με υψηλή ρύθμιση είναι μια άλλη πρόκληση, επειδή η τεχνητή νοημοσύνη ακόμα λείπει της αληθινής ιχνηλασιμότητας. Τα συστήματα ελέγχου σε πραγματικό χρόνο με στενά όρια 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 την υπεροπτική στην πρακτικότητα

Η τεχνητή νοημοσύνη δεν είναι ένα πανάκος 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. Στο βραχύ χρονικό διάστημα, το κλειδί είναι να χρησιμοποιήσετε την τεχνητή νοημοσύνη για αυτό που είναι καλύτερη: προβλήματα που涉λούν υψηλό βαθμό αναγνώρισης προτύπων. Μην την χρησιμοποιήσετε για περιπτώσεις που απαιτούν προβλέψιμη, συνεχή, λογική ή υπολογιστικές λειτουργίες.

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 την βιομηχανική υπεροπτική.