Hypeen ulkopuolella – Missä tekoäly toimii valmistuksessa

Tekoälyä esitetään seuraavana teollisena vallankumouksena, mutta monet johtajat kamppailevat intohimojen kääntämiseksi käytännön tuloksiin. Yli 80 % Yhdysvaltain valmistusjohtajista sanoo aikovansa lisätä tekoälyn käyttöä seuraavien kahden vuoden aikana, mutta sitä ei aina tehdä selkeällä strategialla siitä, mitä he odottavat saavuttavansa realistisesti.

Välillä hallituksen tasolla oleva paine tehdä jotain tekoälyllä ja tuotannon monimutkaisten ympäristöjen välillä on kasvava kuilu odotuksen ja toteutuksen välillä. Tämä kuilu on suljettava, jos valmistajat toivovat näkevänsä tekoälyn hyödyt liiketoiminnassaan.

Tekoälyn omaksuminen ylittää valmiuden

Nykyään valmistusjohtajat tietävät, että heidän on omaksuminen tekoäly pysyäkseen kilpailukykyisinä. The National Association of Manufacturersin (NAM) tuoreessa kyselyssä todettiin, että 51 % valmistajista käyttää jo tekoälyä ja 80 % pitää tekoälyä olennaisena laajentamisessa tai liiketoiminnan ylläpitämisessä.

Valmistajat käyttävät tätä teknologiaa eri tavoin. Tekoälyllä on valtava potentiaali. Kuitenkin monissa organisaatioissa tekoälyyn tehtävät investoinnit eivät tuota luvattua tuottoa.

PWC:n ja The Manufacturing Instituten tuoreessa kyselyssä todettiin, että johtajien painostus tekoälyn omaksumiseksi voi ylittää valmiuden tekoälyyn perustuvalle muutokselle. Samassa kyselyssä todettiin myös, omien sanojensa mukaan:

• Epätasainen tekoälyn omaksuminen voi hidastaa sen integroimista päivittäisiin operaatioihin
• Edistäminen tekoälyn omaksumiskäyrällä vaatii koulutusta ja kokemusperäistä kykyjen kehittämistä
• Inhimilliset ja valmiuden aukot voivat rajoittaa tekoälyn omaksumista
• Rajoitettu eturintamajohtajien panos voi rajoittaa tekoälyn omaksumista ja toteutusta

Löytäminen ratkaisuun

Johtajien ei pidä käsitellä tekoälyä yleispätevänä ratkaisuna, vaan heidän on erottauduttava sovelluksista, joissa tekoäly menestyy – kuten parantamalla ihmisen ja järjestelmän vuorovaikutusta, kaappaamalla operatiivista tietoa ja yksinkertaistamalla monimutkaisia työvirran – ja alueista, joilla se on edelleen huonosti sovellettavissa, kuten tarkkuusohjauksessa ja toistuvassa päätöksenteossa tuotantoympäristöissä.

Hyvä paikka soveltaa tätä on myyntiprosessin aikana. Monet valmistusyhtiöt haluavat parantaa ohjattua myyntiprosessia tekoälyllä. Heidän tulisi aloittaa asiakkaan tavoitteiden tai tulosten sijaan pyytämällä heitä valitsemaan tiettyjä tuoteparametreja.

Minulla on henkilökohtainen esimerkki: Ostin äskettäin ensimmäisen sähköautoni. Menin sähköauton valmistajan verkkosivustolle, ja ensimmäinen asia, mitä näin, olivat tekniset parametrit, kuten Etäisyys: 360-558 km. Se on suuri etäisyys, mutta ymmärrän, mitä se tarkoittaa. Mutta hevosvoima? Ei mitään käsitystä. Ja kulutus? En ymmärtänyt sitäkään; onko kulutus hyvä vai huono? Vaikuttaako se perheeni vuotuisiin hiihtolomiin, jotka kestävät tällä hetkellä noin seitsemän tuntia? Tämä on tietoa, joka auttaisi minua tekemään päätöksen.

Teckoäly, joka keskustelisi minun huolenaiheistani, auttaisi sähköauton valmistajaa ymmärtämään, mitä minulle on tärkeää, ja kääntämään ne huolenaiheet teknisiin spesifikaatioihin, jotka ovat minulle oikein.

Toinen esimerkki on tekoälyagenttien käyttäminen monimutkaisten ongelmien jakamiseen pienempiin osiin. Agentit suunnittelevat ja toteuttavat monivaiheisia tavoitteita. Saadakseen parhaan hyödyn näistä agenteista, tehtävien tulisi olla kieliääniä.

Jotkut insinööriorganisaatiot ovat ottaneet tämän lähestymistavan monimutkaisten vaatimusten hallintaan. Joskus tieto on jaettu satoihin tai tuhansiin asiakirjoihin, ja muotoa ei ole standardoitu. Jos rakentaisit perinteisen ohjelmistojärjestelmän tuomaan kaiken tämän tiedon, olisi sääntöjä ja poikkeuksia niiden sääntöihin liian paljon. Koska tekoäly on hyvä tunnistamaan kuvioita, sinun ei tarvitse kirjoittaa ylös jokaista sääntöä siitä, miten tulkita nämä asiakirjat.

Parhaat käytännöt tekoälylle valmistuksessa

Jaa suuret ongelmat pienempiin tehtäviin. Tekoälyllä on rajoitettu työmuisti. Jos annat sille liikaa tietoa tai liian laajan ongelman, se voi menettää kontekstinsa ja alkaa “hallusinoida”, yrittäessään edelleen antaa vastausta. Tämän riskin vähentämiseksi jaetaan suuret tehtävät pienempiin osiin ja yhdistetään tulokset — alue, jolla agenteille tulee erityisen tehokkaaksi.

Käytä tekoälyä kuvion tunnistamiseen, ei auktoriteettiseen päättelyyn. Tekoäly on hyvä kuvion tunnistamisessa ja suhteiden tunnistamisessa, mutta se ei ole hyvä logiikkaa ja päättelyä varten. Esimerkiksi heidän “päättely” – ja matemaattiset taidot ovat ennustetta, ei laskentaa. Niinpä tulokset voivat näyttää tarkoituksenmukaisilta, mutta ne eivät välttämättä ole oikein, ellet kytket niitä toiseen järjestelmään, joka voi vahvistaa tulokset. Tässä lähestymistavassa tekoäly voi orkesteroida työvirran, mutta olet tehnyt eksplisiittisen päätöksen siitä, missä ovat operatiiviset rajat.

Tekoäly valmistuksessa voi luoda todellista arvoa, mutta on tiettyjä skenaarioita, joissa riski ylittää hyödyn. Niihin kuuluvat turvallisuuden ja laadun kannalta kriittiset toiminnot. Siihen kuuluu myös matalan datan tai erittäin uusien skenaarioiden osalta, koska tekoäly toimii huonosti, kun se ei ole nähnyt riittävästi asiaankuuluvaa tietoa. Voimakkaasti säädellyt ympäristöt ovat toinen haaste, koska tekoälyllä ei ole vielä todellista jäljitettävyyttä. Reaaliaikaiset ohjausjärjestelmät, joilla on tiukat toleranssit, ovat toinen paikka, jossa tekoälyä tulisi välttää, koska tekoälyn viive tai epävakaus voi olla hyväksymätön nopeissa prosesseissa

Hypestä käytännöllisyyteen

Tekoäly ei ole kaikkien valmistusongelmien parantaja. Mutta käytännön käyttötapauksia ja yleisiä käsitteellisiä virheitä tarkastelemalla valmistajat voivat omaksua tasapainotetumman lähestymistavan tekoälyyn. Lyhyellä aikavälillä tärkein asia on käyttää tekoälyä siinä, mihin se on parhaimmillaan: ongelmiin, jotka liittyvät suurelta osin kuvion tunnistamiseen. Älä käytä sitä tapauksiin, jotka vaativat ennustettavuutta, johdonmukaisuutta, logiikkaa tai laskelmia.

Valmistajat voivat leikata läpi metelin ja tunnistaa, missä tekoäly tosiasiallisesti tarjoaa arvoa tänään. Tavoitteena ei ole hidastaa omaksumista, vaan varmistaa, että organisaatiot käyttävät tekoälyä siellä, missä se parantaa tuottavuutta ja päätöksentekoa merkittävästi eikä seuraa vain alan hypeä.