Forbi hypen – Hvor AI faktisk fungerer i produksjon

AI presenteres som den neste industrielle revolusjonen, men mange ledere sliter med å oversette entusiasme til praktiske resultater. Mer enn 80% av USAs produksjonsledere sier de planlegger å øke bruken av AI innen de neste to årene, men det gjøres ikke alltid med en tydelig strategi for hva de forventer å oppnå realistisk.

Mellom styretnivåets press for å gjøre noe med AI og virkeligheten av komplekse produksjonsmiljøer, er det en økende gap mellom forventning og gjennomføring. Denne gapen må lukkes hvis produsentene håper å se fordeler av AI i sine forretninger.

AI-tilpasning går foran beredskap

Produksjonsledere i dag vet de må tilpasse seg AI for å forbli konkurransedyktige. En nylig undersøkelse fra The National Association of Manufacturers (NAM) fant at 51% av produsentene for tiden bruker AI og at 80% vil vurdere AI som essensielt for å utvide eller opprettholde sine forretninger.

Produsenter bruker denne teknologien på mange forskjellige måter. AI har massiv potensiale. Men i mange organisasjoner, leverer investeringer i AI ikke det lovede avkastningspotensialet.

En nylig undersøkelse fra PWC og The Manufacturing Institute fant at presset fra ledere for å tilpasse seg AI kan gå foran beredskapen for AI-drevet endring. Den samme undersøkelsen fant også, i deres ord:

• Ujevn AI-tilpasning kan slowe integrering i daglige operasjoner
• Fremgang langs AI-tilpasningskurven krever opplæring og erfaring bygging
• Menneskelig og beredskapsgap kan begrense AI-tilpasning
• Begrenset frontline-lederinnsats kan begrense AI-tilpasning og gjennomføring

Finn løsningen

I stedet for å behandle AI som en universell løsning, må ledere skille mellom applikasjoner hvor AI utmerker seg – som forbedring av menneske-system-interaksjon, fanging av operasjonell kunnskap og forenkling av komplekse arbeidsflyter – og områder hvor det fortsatt er dårlig egnet, inkludert presisjonskontroll og gjentakende beslutningstaking i produksjonsmiljøer.

En god plass å anvende dette er under salgsprosessen. Mange produsentbedrifter ønsker å forbedre den guidede salgsprosessen ved hjelp av AI. De bør starte med å fokusere på kundens mål eller resultater i stedet for å be dem velge bestemte parametre om et produkt.

Her er et personlig eksempel: Jeg kjøpte nylig min første elektriske bil (EV). Jeg gikk til EV-produsentens nettsted, og det første jeg så var de tekniske parameterne, som Rekkevidde: 360-558 km. Det er et stort spekter, men jeg forstår hva det betyr. Men hva med hestekrefter? Ingen idé. Og forbruk? Nå forstod jeg virkelig ikke det; er forbruk bra eller dårlig? Vil det ha noen betydning for min familes årlige skiturer, som for tiden tar meg rundt syv timer? Det er den type informasjon som ville hjelpe meg å bestemme.

Å ha en AI som kan diskutere mine bekymringer med ville hjelpe EV-produsenten å forstå hva som er viktig for meg og oversette disse bekymringene til de tekniske spesifikasjonene som er riktige for meg.

Et annet eksempel er å bruke AI-agenter til å bryte komplekse problemer ned i mindre deler. Agenter planlegger og utfører mål med flere trinn. For å få mest mulig ut av disse agentene, bør oppgavene være språk-rike.

Noen ingeniørorganisasjoner tar denne tilnærmingen når det gjelder å håndtere komplekse krav. Noen ganger er informasjonen spredt over hundrevis eller tusenvis av dokumenter, og formatet er ikke standardisert. Hvis du skulle bygge et tradisjonelt programvaresystem for å importere all denne informasjonen, ville det være for mange regler og unntak til disse reglene. Ettersom AI er bra på mønstergjenkjenning, trenger du ikke å skrive ned hver enkelt regel om hvordan du skal tolke disse dokumentene.

Beste praksis for AI i produksjon

Bryt store problemer ned i mindre oppgaver. AI har begrenset arbeidshukommelse. Hvis du gir den for mye data eller et for bredt problem, kan den miste konteksten og begynne å hallucinere mens den fortsatt prøver å gi et svar. For å redusere denne risikoen, deler du store oppgaver inn i mindre komponenter og aggregere resultater — et område hvor agente-rammeverk blir spesielt effektive.

Bruk AI for mønstergjenkjenning, ikke autoritativ resonnering. AI er bra på mønstergjenkjenning og å identifisere relasjoner, men det er ikke bra for logikk og resonnering. For eksempel, deres “resonnering” og matematiske evner er prediksjon, ikke beregning. Så, utdata kan se insightful ut, men de er ikke garantert å være korrekte, med mindre du kobler dem til et annet system som kan validere resultater. I denne tilnærmingen kan AI-ordningen koordinere arbeidsflyten, men du har tatt en eksplisitt beslutning om hvor de operative grensene er.

AI i produksjon kan skape virkelig verdi, men det er bestemte scenarier hvor risikoen overveier fordelen. Disse inkluderer sikkerhets- og kvalitetskritiske operasjoner. Det inkluderer også lav-data eller høyt nyttige scenarier fordi AI fungerer dårlig når den ikke har sett nok relevant data. Høyt regulerte miljøer er en annen utfordring fordi AI fortsatt mangler sanne sporbarhet. Sanntidskontrollsystemer med tette toleranser er et annet sted hvor AI bør unngås ettersom AI-forsinkelse eller ustabilitet kan være uakseptabel i høyhastighetsprosesser

Fra hype til praktisitet

AI er ikke en universell løsning for alle produksjonsproblemer. Men ved å vurdere de virkelige bruksområdene og vanlige misforståelser diskutert ovenfor, kan produsenter adoptere en mer balansert tilnærming til AI. På kort sikt er det viktigste å bruke AI til det den er best på: problemer som involverer en høy grad av mønstergjenkjenning. Ikke bruk det til saker som krever prediksjon, konsistens, logikk eller beregninger.

Produsenter kan kutte gjennom støyen og identifisere hvor AI faktisk leverer verdi i dag. Målet er ikke å slowe ned tilpasningen, men å sikre at organisasjonene deployer AI der det meningsfullt forbedrer produktivitet og beslutningstaking i stedet for å bare følge industrihype.