Amii Memperluas Kemitraan Penerapan AI untuk Mendukung 25 Bisnis Lagi

Amii, Alberta Machine Intelligence Institute, memperluas kemitraannya dengan badan pengembangan ekonomi regional Kanada, PrairiesCan, untuk membantu 25 usaha kecil dan menengah lainnya mengembangkan kemampuan AI yang praktis. Pengumuman pada 27 Oktober ini menambahkan dukungan federal sebesar C$2,5 juta, sehingga total investasi federal untuk inisiatif tersebut menjadi C$5,6 juta.

Perluasan ini mencakup Alberta, Saskatchewan, dan Manitoba, dengan kegiatan awal yang sedang berlangsung di sektor energi, pertanian, dan manufaktur. Amii menyatakan bahwa sejak diluncurkan pada 2024, program ini telah bekerja sama dengan 30 bisnis di kawasan tersebut. Pendekatannya memasangkan perusahaan dengan spesialis pembelajaran mesin untuk membangun sistem berdasarkan data operasional mereka sendiri dan membekali perusahaan dengan keahlian untuk memelihara sistem tersebut.

Kemitraan Riset yang Berfokus pada Implementasi

Berbasis di Edmonton, Amii adalah organisasi nirlaba independen dan salah satu dari tiga lembaga AI nasional Kanada di bawah Pan-Canadian AI Strategy. Sejarahnya bermula dari Alberta Ingenuity Centre for Machine Learning pada 2002; lembaga ini menjadi organisasi nirlaba independen dengan nama Amii pada 2017. Kegiatannya menghubungkan riset, pengembangan talenta, dan penerapan komersial.

Prairies Economic Development Canada, yang dikenal sebagai PrairiesCan, adalah badan federal yang mendukung pengembangan ekonomi di tiga provinsi peserta. Bagi pembaca internasional, kemitraan ini merupakan contoh bagaimana investasi publik membantu perusahaan kecil mengakses kapasitas teknis khusus yang akan sulit mereka bangun sendiri.

Model pengembangan AI Amii menempatkan tenaga ahli pembelajaran mesin penuh waktu pada proyek perusahaan, dengan supervisi dari para ilmuwan lembaga tersebut. Tenaga ahli itu bekerja bersama tim bisnis dalam pengembangan dan pengujian model, dan perusahaan memiliki opsi untuk merekrutnya setelah itu. Penawaran umum Amii mencantumkan komitmen selama 12 hingga 15 bulan, meskipun cakupan dan biaya setiap proyek berbeda-beda.

Perusahaan tetap memiliki kekayaan intelektual yang dikembangkan selama kerja sama dan menerima dokumentasi serta alih pengetahuan. Dengan demikian, tujuan kemitraan ini berbeda dari sekadar menyediakan prototipe melalui alih daya: perusahaan seharusnya mampu menyesuaikan sistem tersebut setelah tim riset eksternal selesai bekerja.

Croptimistic: Visi Komputer yang Mampu Menangani Kondisi Lapangan Nyata

Croptimistic Technology mengembangkan ekosistem pertanian presisi SWAT MAPS, yang menggabungkan informasi tanah, air, dan topografi untuk memandu pengelolaan lahan. Produknya, SWAT CAM, mengumpulkan gambar selama penyemprotan rutin dan menggunakan pembelajaran mesin untuk menganalisis tanaman serta gulma.

Kolaborasi dengan Amii berfokus pada tanaman serealia pada awal musim, seperti gandum dan oat. Daunnya yang sempit dan saling bertumpang tindih membuat setiap tanaman sulit dibedakan. Tim tersebut mengembangkan model visi khusus yang mampu bekerja di tengah tajuk tanaman yang rapat dan dalam kondisi pencitraan yang menantang, termasuk debu, silau, dan angin.

Informasi produk Croptimistic menjelaskan bagaimana kamera yang dipasang pada alat penyemprot menghubungkan citra lahan yang padat dengan zona pengelolaan. Manfaat praktis dari deteksi tanaman yang lebih baik terletak pada detail spasialnya: petani dapat memeriksa ketidakmerataan pertumbuhan tanaman dan tekanan gulma di seluruh lahan, alih-alih hanya mengandalkan beberapa pengamatan manual.

Carson Integrated: Mengubah Catatan Lingkungan Menjadi Prediksi

Carson Integrated adalah konsultan lingkungan dan kehutanan yang antara lain menyediakan informasi geospasial untuk proyek sumber daya alam. Tantangan yang dihadapinya adalah klasifikasi aliran sungai, yang membantu menentukan zona penyangga yang perlu dilindungi di sekitar badan air.

Studi kasus Carson dari Amii menjelaskan model yang dibangun menggunakan data yang dikumpulkan selama sekitar dua dekade, termasuk pengukuran lapangan dan informasi penginderaan jauh. Pengembangan fitur mencakup kajian karakteristik medan dan lingkungan; ukuran outlet daerah tangkapan terbukti sangat berguna. Studi tersebut melaporkan akurasi klasifikasi rata-rata sekitar 75% ketika data yang sesuai tersedia.

Penerapan ini menunjukkan bagaimana keahlian bidang tertentu membentuk pembelajaran mesin yang bermanfaat. Mengidentifikasi badan air dalam citra merupakan tugas yang berbeda dari memprediksi klasifikasi regulasinya. Prediksi dapat membantu memprioritaskan pekerjaan penilaian di medan terpencil, tetapi akurasi dan kesesuaiannya tetap perlu dievaluasi berdasarkan keputusan yang akan didukungnya.

Visionstate: Penjadwalan sebagai Masalah Optimisasi dengan Kendala

Visionstate mengembangkan perangkat lunak untuk operasional fasilitas, inspeksi, dan verifikasi pekerjaan. Situs webnya saat ini menonjolkan MIRA, sebuah platform yang menghubungkan laporan, inspeksi, perintah kerja, dan pengawasan. Kerja sama dengan Amii berfokus pada platform manajemen fasilitas WANDA milik perusahaan tersebut.

Studi kasus terperinci itu menjelaskan bahwa rute dan jadwal pembersihan dirumuskan sebagai masalah optimisasi dengan kendala. Sistem harus mengalokasikan tenaga kerja dalam jumlah tetap dengan tetap memperhatikan tata letak lokasi, persyaratan layanan, dan aturan kepatuhan, sekaligus menyeimbangkan efisiensi dan keadilan.

Pekerjaan ini juga mendukung TidyLogic, produk perencanaan sumber daya, serta alat untuk memperkirakan biaya pembersihan fasilitas kesehatan. Studi kasus tersebut menyebutkan bahwa TidyLogic masih dalam versi beta dan modelnya sedang menuju tahap integrasi pada saat artikel ditulis. Perbedaan ini penting: pengembangan produk komersial dan penerapan sistem optimasi secara penuh merupakan dua pencapaian yang berbeda.

Ambyint: Membangun Keahlian dalam Pembelajaran Penguatan

Ambyint menyediakan perangkat lunak optimasi produksi bagi operator minyak dan gas. Platform yang sudah ada menggabungkan model berbasis fisika dengan kendali otomatis, termasuk penyesuaian titik setel peralatan melalui infrastruktur pemantauan industri.

Proyek Amii mengeksplorasi pembelajaran penguatan untuk sumur dengan sistem plunger lift, yang tekanan ambangnya dapat diubah untuk memengaruhi cara cairan yang terkumpul dikeluarkan. Minimnya pengetahuan tentang kondisi jauh di bawah tanah menyulitkan simulasi dan pengendalian. Tim menguji pendekatan berbasis data historis dan metode berbasis fisika untuk meningkatkan kualitas keputusan.

Studi kasus tersebut menjelaskan hasilnya secara tegas: model eksperimental tidak meningkatkan efisiensi dibandingkan otomatisasi Ambyint yang sudah ada, dan belum cukup andal atau responsif untuk digunakan dalam produksi. Manfaatnya adalah tim internal menjadi lebih siap dan pemahaman tentang bidang yang masih membutuhkan penelitian lebih lanjut menjadi lebih jelas. Ini merupakan hasil adopsi yang bermanfaat, sekalipun belum langsung menghasilkan model yang siap diterapkan.

Riva: Menjadikan Data Perusahaan Berguna untuk AI

Amii juga menyebut Riva yang berbasis di Edmonton sebagai salah satu penerima manfaat pada tahap awal, dengan mengutip kemajuan menuju solusi yang siap digunakan dalam produksi tanpa mengungkapkan arsitektur model yang spesifik.

Sistem Riva menghubungkan informasi email, kalender, kontak, dan rapat dengan sistem manajemen hubungan pelanggan (CRM). Kemampuannya mencakup ringkasan percakapan yang dihasilkan AI serta rangkuman rapat terstruktur yang dapat ditinjau tim dan dihubungkan ke catatan CRM. Hal ini menghadirkan konteks adopsi yang berbeda dari pencitraan lapangan atau kendali industri: tantangannya adalah membuat interaksi bisnis dapat dimanfaatkan, sembari menjaga tata kelola dan peninjauan oleh manusia.

Mengapa Model Ini Penting di Luar Kanada

Bisnis yang berpartisipasi menunjukkan bahwa adopsi AI mencakup visi komputer, pemodelan prediktif, optimasi dengan kendala, pembelajaran penguatan, dan alur kerja informasi perusahaan. Masing-masing membutuhkan data, metode evaluasi, dan keahlian operasional yang berbeda.

Arti penting kemitraan ini secara lebih luas terletak pada penekanannya terhadap kepemilikan dan kapasitas teknis. Perusahaan memperoleh lebih dari sekadar model ketika stafnya sendiri mempelajari cara model itu dibuat, cara mengujinya, dan kapan prediksinya layak dipercaya. Bagi bisnis yang lebih kecil, transfer kemampuan tersebut bisa sama pentingnya dengan penyediaan perangkat lunak awal.