허YPE를 넘어서 – 제조업에서 실제로 작동하는 AI

AI는 다음 산업 혁명으로 포지셔닝되고 있지만, 많은 리더들은 열정을 실제 결과로 번역하는 데 어려움을 겪고 있습니다. 미국 제조업 리더의 80% 이상이 2년 이내에 AI 사용을 증가시킬 계획이라고 말하지만, 이는 항상 현실적인 성과를 기대하는明確한 전략없이 이루어지고 있습니다.

제조업 환경의 복잡성과 이사회 수준의 AI 사용 압력 사이에서 기대와 실행 사이에 점점 더 큰 간격이 생기고 있습니다. 이 간격을 닫아야 제조업체가 비즈니스에서 AI의 이점을 볼 수 있습니다.

AI 채택은 준비도를 앞서고 있습니다

오늘날 제조업 리더들은 경쟁력을 유지하기 위해 AI를 채택해야 한다는 것을 알고 있습니다. 국가 제조업 협회(NAM)의 최근 조사에 따르면 51%의 제조업체가 현재 AI를 사용하고 있으며 80%의 제조업체가 사업 확장 또는 유지에 AI를 필수적으로 고려하고 있습니다.

제조업체는 다양한 방식으로 이 기술을 사용하고 있습니다. AI는巨大한 잠재력을 가지고 있습니다. 그러나 많은 조직에서 AI에 대한 투자는 약속된 ROI를 제공하지 못하고 있습니다.

PWC와 제조업 협회가 실시한 최근 조사에 따르면, 리더들의 AI 채택에 대한 압력이 AI 주도적인 변화에 대한 준비도를 앞설 수 있습니다. 동일한 조사에 따르면, 다음과 같은 내용이 포함됩니다:

• 일관되지 않은 AI 채택은 일상적인 운영에 통합을 느리게 할 수 있습니다
• AI 채택 곡선을 따라 진행하려면 훈련과 경험적인 능력 구축이 필요합니다
• 인적 자원과 준비도 격차는 AI 채택을 제한할 수 있습니다
• 제한된 최전선 리더의 입력은 AI 채택과 실행을 제한할 수 있습니다

해결책을 찾는 방법

AI를 보편적인 해결책으로 다루지 말고, 리더들은 AI가 뛰어난 분야(예: 인간-시스템 상호작용 개선, 운영 지식 캡처, 복잡한 워크플로우 단순화)와 아직 부적합한 분야(예: 생산 환경에서의 정밀 제어 및 반복 가능한 의사 결정)를 구분해야 합니다.

이것을 적용할 수 있는 좋은 곳은 판매 프로세스 중입니다. 많은 제조업체는 AI를 사용하여 안내 판매 프로세스를 개선하려고 합니다. 그들은 제품에 대한 특정 매개변수를 선택하도록 고객에게 요청하는 대신 고객의 목표 또는 결과에 초점을 맞추어야 합니다.

개인적인 예가 있습니다. 저는 최근 처음으로 전기 자동차를 구입했습니다. 전기 자동차 제조업체의 웹사이트에 갔더니, 첫 번째로 보이는 것은 기술 매개변수였습니다. 예를 들어, 범위: 360-558km. 이는 큰 범위이지만, 저는 그 의미를 이해합니다. 그러나 마력은 어떻습니까? 전혀 모릅니다. 그리고 소비는 어떻습니까? 이제 정말로 이해하지 못합니다. 그것이 제 가족의 연간 스키 여행에 영향을 미칠까요? 그것은 제가 실제로 결정하는 데 도움이 될 정보입니다.

제가 관심 있는 내용에 대해 논의할 수 있는 AI가 있다면, 전기 자동차 제조업체는 저에게 무엇이 중요한지 이해하고, 그것을 저에게 적합한 기술 사양으로 번역할 수 있습니다.

또 다른 예는 복잡한 문제를 더 작은 조각으로 나누는 데 AI 에이전트를 사용하는 것입니다. 에이전트는 다단계 목표를 계획하고 실행합니다. 이러한 에이전트를 최대한 활용하려면, 작업이 언어에 중점을 둔 것이어야 합니다.

일부 엔지니어링 조직은 복잡한 요구 사항을 관리할 때 이 접근 방식을 사용하고 있습니다. 때때로 정보는 수백 또는 수천 개의 문서에 걸쳐 있으며, 형식이 표준화되지 않았습니다. 전통적인 소프트웨어 시스템을 구축하여 모든 정보를 가져오려면, 규칙과 예외가 너무 많습니다. AI는 패턴 인식에 뛰어나기 때문에, 이러한 문서를 해석하는 방법에 대한 모든 규칙을 작성할 필요가 없습니다.

제조업에서 AI에 대한 모범 사례

큰 문제를 작은 작업으로 나눕니다. AI에는 제한된 작업 메모리가 있습니다. 너무 많은 데이터나 너무 광범위한 문제를 제공하면, 맥락을 잃고 여전히 답변을 제공하려고 할 때 환각을 일으킬 수 있습니다. 이러한 위험을 줄이려면, 큰 작업을 더 작은 구성 요소로 나누고 결과를 집계합니다. 이는 에이전트 프레임워크가 특히 효과적인 분야입니다.

패턴 인식에 AI를 사용하십시오. 권위적인推論에는 사용하지 마십시오. AI는 패턴 인식과 관계 식별에 뛰어나지만, 논리와 推論에는 좋지 않습니다. 예를 들어, 그들의 “추론”과 수학 능력은 예측이므로, 계산이 아닙니다. 따라서, 출력은 통찰력 있게 보일 수 있지만, 결과를 검증할 수 있는 다른 시스템에 연결하지 않는 한 올바른 것은 아닙니다. 이러한 접근 방식에서, AI는 워크플로우를 조직할 수 있지만, 운영 경계에 대한 명시적인 결정을 내렸습니다.

제조업에서 AI는 실제 가치를 창출할 수 있지만, 리스크가 이점을 초과하는 특정 시나리오도 있습니다. 이러한 시나리오는 안전 및 품질에 중요한 작업, 데이터가 적거나 매우 새로운 시나리오(이 경우 AI는 충분한 관련 데이터를 보지 못했기 때문에 제대로 작동하지 않음), 높은 규제 환경(이 경우 AI는 아직真正한 추적 가능성이 없음) 및.tight한 공차를 가진 실시간 제어 시스템(이 경우 AI의 지연 또는 불안정성이 고속 프로세스에서 받아들여질 수 없음)입니다.

허YPE에서 실제로 작동하는 것까지

AI는 모든 제조업의 문제를 해결하는 만병통치약은 아닙니다. 그러나 위에서 논의한 실제 사용 사례와 일반적인 오해를 고려하면, 제조업체는 AI에 대한 더 균형 잡힌 접근 방식을 채택할 수 있습니다. 단기적으로, 주요 사항은 AI가 가장 잘하는 것에 사용하는 것입니다. 즉, 패턴 인식이 포함된 문제입니다. 예측 가능성, 일관성, 논리 또는 계산이 필요한 경우에는 사용하지 마십시오.

제조업체는 실제로 오늘날 AI가 가치를 제공하는 곳을 식별할 수 있습니다. 목표는 채택을 늦추는 것이 아니라, 조직이 생산성과 의사 결정에 의미fully 개선되는 곳에 AI를 배치하는 것입니다. 단순히 산업 허YPE를 따르는 것이 아닙니다.