Melampaui Hype – Di Mana AI Benar-Benar Bekerja di Manufaktur

AI diposisikan sebagai revolusi industri berikutnya, tetapi banyak pemimpin kesulitan menerjemahkan antusiasme menjadi hasil praktis. Lebih dari 80% pemimpin manufaktur AS mengatakan mereka berencana meningkatkan penggunaan AI dalam dua tahun ke depan, tetapi itu tidak selalu dilakukan dengan strategi yang jelas untuk apa yang mereka harapkan untuk dicapai secara realistis.

Antara tekanan tingkat dewan untuk melakukan sesuatu dengan AI dan kenyataan lingkungan produksi yang kompleks, ada celah yang semakin besar antara harapan dan eksekusi. Celah itu perlu ditutup jika manufaktur berharap melihat manfaat AI dalam bisnis mereka.

Adopsi AI melebihi kesiapan

Pemimpin manufaktur saat ini tahu mereka perlu mengadopsi AI untuk tetap kompetitif. Survei terbaru dari Asosiasi Nasional Pabrikan (NAM) menemukan bahwa 51% pabrikan saat ini menggunakan AI dan bahwa 80% akan mempertimbangkan AI penting untuk memperluas atau mempertahankan bisnis mereka.

Pabrikan menggunakan teknologi ini dalam berbagai cara. AI memiliki potensi besar. Namun, di banyak organisasi, investasi di AI tidak memberikan ROI yang dijanjikan.

Survei terbaru oleh PWC dan Institut Manufaktur menemukan bahwa dorongan dari pemimpin untuk mengadopsi AI dapat melebihi kesiapan untuk perubahan yang dipimpin AI. Survei yang sama juga menemukan, dalam kata-kata mereka:

• Adopsi AI yang tidak merata dapat memperlambat integrasi ke dalam operasi sehari-hari
• Maju di sepanjang kurva adopsi AI memerlukan pelatihan dan pembangunan kemampuan berdasarkan pengalaman
• Kesenjangan manusia dan kesiapan dapat membatasi adopsi AI
• Masukan pemimpin garis depan yang terbatas dapat membatasi adopsi dan eksekusi AI

Mencari solusi

Bukannya memperlakukan AI sebagai solusi universal, pemimpin harus membedakan antara aplikasi di mana AI unggul – seperti memperbaiki interaksi manusia-sistem, menangkap pengetahuan operasional dan menyederhanakan alur kerja yang kompleks – dan area di mana AI masih tidak sesuai, termasuk kontrol presisi dan pengambilan keputusan yang dapat diulang dalam lingkungan produksi.

Tempat yang baik untuk menerapkan ini adalah selama proses penjualan. Banyak perusahaan manufaktur ingin memperbaiki proses penjualan yang dipandu menggunakan AI. Mereka harus memulai dengan fokus pada tujuan atau hasil pelanggan daripada meminta mereka untuk memilih parameter tertentu tentang produk.

Contoh pribadi: Saya baru-baru ini membeli kendaraan listrik (EV) pertama saya. Saya pergi ke situs web produsen EV, dan hal pertama yang saya lihat adalah parameter teknis, seperti Jangkauan: 360-558 km. Itu adalah jangkauan yang besar, tetapi saya mengerti apa yang itu maksudkan. Tetapi tenaga kuda? Tidak ada ide. Dan konsumsi? Sekarang saya tidak mengerti itu; apakah konsumsi baik atau buruk? Apakah itu akan membuat perbedaan pada perjalanan ski tahunan keluarga saya, yang saat ini membutuhkan waktu sekitar tujuh jam? Itu adalah jenis informasi yang akan membantu saya memutuskan.

Memiliki AI untuk mendiskusikan kepedulian saya akan membantu pembuat EV memahami apa yang penting bagi saya dan menerjemahkan kepedulian itu menjadi spesifikasi teknis yang tepat untuk saya.

Contoh lain adalah menggunakan agen AI untuk memecah masalah kompleks menjadi potongan-potongan yang lebih kecil. Agen merencanakan dan melaksanakan tujuan multi-langkah. Untuk mendapatkan hasil maksimal dari agen-agen ini, tugas harus berat pada bahasa.

Beberapa organisasi teknik mengambil pendekatan ini ketika datang untuk mengelola persyaratan yang kompleks. Terkadang informasi tersebar di seluruh ratusan atau ribuan dokumen, dan formatnya tidak standar. Jika Anda membangun sistem perangkat lunak tradisional untuk mengimpor semua informasi ini, akan ada terlalu banyak aturan dan pengecualian untuk aturan-aturan itu. Karena AI sangat baik dalam pengenalan pola, Anda tidak perlu menulis setiap aturan tentang cara menafsirkan dokumen-dokumen tersebut.

Praktik terbaik untuk AI di manufaktur

Pecah masalah besar menjadi tugas yang lebih kecil. AI memiliki memori kerja yang terbatas. Jika Anda memberinya terlalu banyak data atau masalah yang terlalu luas, AI dapat kehilangan konteks dan mulai mengalami halusinasi saat mencoba memberikan jawaban. Untuk mengurangi risiko ini, bagilah tugas besar menjadi komponen yang lebih kecil dan agregasikan hasilnya — area di mana kerangka kerja agen menjadi sangat efektif.

Gunakan AI untuk pengenalan pola, bukan penalaran yang berwenang. AI baik dalam pengenalan pola dan mengidentifikasi hubungan, tetapi tidak baik untuk logika dan penalaran. Misalnya, kemampuan “penalaran” dan matematika mereka adalah prediksi, bukan perhitungan. Jadi, output dapat tampak mendalam, tetapi tidak dijamin benar, kecuali Anda menghubungkannya dengan sistem lain yang dapat memvalidasi hasilnya. Dalam pendekatan ini, AI dapat mengatur alur kerja, tetapi Anda telah membuat keputusan eksplisit tentang di mana batas operasional berada.

AI di manufaktur dapat menciptakan nilai nyata, tetapi ada skenario tertentu di mana risiko melebihi manfaat. Ini termasuk operasi yang kritis keselamatan dan kualitas. Ini juga termasuk skenario dengan data yang rendah atau sangat baru karena AI berperforma buruk ketika belum melihat cukup data yang relevan. Lingkungan yang sangat teratur adalah tantangan lain karena AI masih kekurangan jejak yang sebenarnya. Sistem kontrol waktu nyata dengan toleransi yang ketat adalah tempat lain di mana AI harus dihindari karena latensi atau ketidakstabilan AI dapat tidak dapat diterima dalam proses kecepatan tinggi

Dari hype ke praktis

AI bukanlah obat untuk semua masalah manufaktur. Tetapi dengan mempertimbangkan kasus penggunaan dunia nyata dan kesalahpahaman umum yang dibahas di atas, manufaktur dapat mengadopsi pendekatan yang lebih seimbang untuk AI. Dalam jangka pendek, poin kunci adalah menggunakan AI untuk apa yang AI lakukan dengan baik: masalah yang melibatkan pengenalan pola yang tinggi. Jangan gunakan AI untuk kasus yang memerlukan prediktabilitas, konsistensi, logika atau perhitungan.

Manufaktur dapat memotong kebisingan dan mengidentifikasi di mana AI benar-benar memberikan nilai hari ini. Tujuan bukan untuk memperlambat adopsi tetapi untuk memastikan organisasi mengirimkan AI di mana AI meningkatkan produktivitas dan pengambilan keputusan secara signifikan daripada hanya mengikuti hype industri.