Leader di pensiero

Oltre il clamore – Dove l’AI funziona davvero nel settore manifatturiero

Damantha Boteju
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiave在制造业中,将AI用于模式识别而非权威推理。
Vedi di più
  • 在制造业中,将AI用于模式识别而非权威推理。
  • 将大型制造问题分解为更小的、语言密集型任务,交由AI代理处理。
  • 避免在安全关键操作以及公差要求严格的实时控制系统中使用AI。

L’AI è presentata come la prossima rivoluzione industriale, ma molti leader stanno lottando per tradurre l’entusiasmo in risultati pratici. Più dell’80% dei leader del settore manifatturiero statunitense afferma di voler aumentare l’uso dell’AI nei prossimi due anni, ma ciò non sempre avviene con una strategia chiara su cosa si aspetta di ottenere realisticamente.

Tra la pressione a livello di consiglio di amministrazione per fare qualcosa con l’AI e la realtà degli ambienti di produzione complessi, c’è un divario crescente tra aspettative ed esecuzione. Questo divario deve essere chiuso se i produttori sperano di vedere i benefici dell’AI nelle loro aziende.

L’adozione dell’AI sta superando la prontezza

I leader del settore manifatturiero oggi sanno di dover adottare l’AI per rimanere competitivi. Un recente sondaggio condotto da The National Association of Manufacturers (NAM) ha rilevato che il 51% dei produttori sta attualmente utilizzando l’AI e che l’80% considererà l’AI essenziale per espandere o mantenere la propria attività.

I produttori stanno utilizzando questa tecnologia in molti modi diversi. L’AI ha un enorme potenziale. Tuttavia, in molte organizzazioni, gli investimenti in AI non stanno producendo il ritorno sull’investimento promesso.

Un recente sondaggio condotto da PWC e il Manufacturing Institute ha rilevato che la spinta dei leader ad adottare l’AI può superare la prontezza per il cambiamento guidato dall’AI. Lo stesso sondaggio ha anche rilevato, con le sue parole:

  • L’adozione disomogenea dell’AI può rallentare l’integrazione nelle operazioni quotidiane
  • Procedere lungo la curva di adozione dell’AI richiede formazione e costruzione di capacità basate sull’esperienza
  • I gap umani e di prontezza possono limitare l’adozione dell’AI
  • L’input limitato dei leader di prima linea può limitare l’adozione e l’esecuzione dell’AI

Trovare la soluzione

Invece di trattare l’AI come una soluzione universale, i leader devono distinguere tra le applicazioni in cui l’AI eccelle – come ad esempio il miglioramento dell’interazione uomo-sistema, la cattura della conoscenza operativa e la semplificazione dei flussi di lavoro complessi – e le aree in cui rimane poco adatta, tra cui il controllo di precisione e decisioni riproducibili negli ambienti di produzione.

Un ottimo posto per applicare questo è durante il processo di vendita. Molti produttori vogliono migliorare il processo di vendita guidata utilizzando l’AI. Dovrebbero iniziare concentrandosi sugli obiettivi o sui risultati del cliente piuttosto che chiedergli di scegliere parametri specifici su un prodotto.

Ecco un esempio personale: recentemente ho acquistato la mia prima auto elettrica (EV). Ho visitato il sito web di un produttore di EV e la prima cosa che ho visto sono stati i parametri tecnici, come ad esempio l’autonomia: 360-558 km. È un’autonomia elevata, ma capisco cosa significa. Ma i cavalli? Nessuna idea. E il consumo? Ora non capisco veramente cosa significhi; è un bene o un male? Farà la differenza per il viaggio annuale sugli sci della mia famiglia, per il quale attualmente impiego circa sette ore? Questo è il tipo di informazione che mi aiuterebbe veramente a decidere.

Un’AI con cui discutere delle cose che mi interessano aiuterebbe il produttore di EV a capire le mie priorità e a tradurle nelle specifiche tecniche giuste per me.

Un altro esempio è utilizzare agenti AI per dividere problemi complessi in pezzi più piccoli. Gli agenti pianificano ed eseguono obiettivi multi-step. Per ottenere il massimo da questi agenti, i compiti dovrebbero essere incentrati prevalentemente sul linguaggio.

Alcune organizzazioni di ingegneria stanno adottando questo approccio quando si tratta di gestire requisiti complessi. A volte le informazioni sono sparse su centinaia o migliaia di documenti e il formato non è standardizzato. Se si costruisse un sistema software tradizionale per importare tutte queste informazioni, ci sarebbero troppe regole ed eccezioni a quelle regole. Dal momento che l’AI è brava nel riconoscimento di schemi, non è necessario scrivere ogni singola regola su come interpretare quei documenti.

Best practice per l’AI nel settore manifatturiero

Dividere grandi problemi in compiti più piccoli. L’AI ha una memoria di lavoro limitata. Se le si danno troppi dati o un problema troppo ampio, può perdere il contesto e iniziare a generare allucinazioni mentre tenta ancora di fornire una risposta. Per ridurre questo rischio, dividere i grandi compiti in componenti più piccole e aggregare i risultati – un’area in cui i framework basati su agenti stanno diventando particolarmente efficaci.

Utilizzare l’AI per il riconoscimento di schemi, non per il ragionamento autoritativo. L’AI è brava nel riconoscimento di schemi e nell’identificazione delle relazioni, ma non è brava per la logica e il ragionamento. Ad esempio, le sue capacità di “ragionamento” e matematica sono predizioni, non calcoli. Quindi, i risultati possono sembrare perspicaci, ma non sono garantiti per essere corretti, a meno di collegare l’AI a un altro sistema che possa validare i risultati. In questo approccio, l’AI può orchestrare il flusso di lavoro, ma si è presa una decisione esplicita su dove sono i confini operativi.

L’AI nel settore manifatturiero può creare valore reale, ma ci sono scenari specifici in cui il rischio supera il beneficio. Questi includono operazioni critiche per la sicurezza e la qualità. Inoltre, include scenari a basso livello di dati o del tutto nuovi, poiché l’AI funziona male quando non ha visto abbastanza dati rilevanti. Gli ambienti altamente regolamentati sono un’altra sfida, poiché l’AI manca ancora di vera tracciabilità. I sistemi di controllo in tempo reale con tolleranze strette sono un altro posto in cui l’AI dovrebbe essere evitata, poiché la latenza o l’instabilità dell’AI possono essere inaccettabili nei processi ad alta velocità

Dall’entusiasmo alle applicazioni concrete

L’AI non è una panacea per tutti i mali del settore manifatturiero. Tuttavia, considerando i casi d’uso reali e i malintesi comuni discussi sopra, i produttori possono adottare un approccio più equilibrato all’AI. Nel breve termine, il punto chiave è utilizzare l’AI per ciò che è meglio – problemi che coinvolgono un alto grado di riconoscimento di schemi. Non utilizzarla per casi che richiedono prevedibilità, coerenza, logica o calcoli.

I produttori possono distinguere ciò che conta nel rumore di fondo e identificare dove l’AI genuinamente fornisce valore oggi. L’obiettivo non è rallentare l’adozione, ma assicurarsi che le organizzazioni impieghino l’AI dove migliora significativamente la produttività e la presa di decisioni, piuttosto che seguire semplicemente l’entusiasmo eccessivo del settore.

Damantha Boteju è il direttore di prodotto e tecnologia di Configit, il leader globale nelle soluzioni di Configuration Lifecycle Management (CLM) e fornitore di software business-critical per la configurazione di prodotti complessi. Si è unito a Configit nel marzo 2023, portando oltre 25 anni di esperienza nello sviluppo di software con un focus su prodotti di classe enterprise. Come CPTO, guida la strategia di prodotto e tecnologia, guidando l'innovazione e fornendo soluzioni che soddisfano le esigenze complesse dei clienti globali di Configit.