Poza Hype’em – Gdzie AI naprawdę działa w produkcji

AI jest przedstawiany jako następna rewolucja przemysłowa, ale wielu liderów ma trudności z przekształceniem entuzjazmu w praktyczne rezultaty. Ponad 80% amerykańskich liderów produkcji twierdzi, że planuje zwiększyć wykorzystanie AI w ciągu najbliższych dwóch lat, ale nie zawsze robi się to z wyraźną strategią, co do tego, czego się spodziewają osiągnąć w realnym świecie.

Pomiędzy presją na poziomie zarządu, aby zrobić coś z AI, a rzeczywistością skomplikowanych środowisk produkcyjnych, rośnie przepaść pomiędzy oczekiwaniami a wykonaniem. Przepaść ta musi zostać zamknięta, jeśli producenci mają nadzieję zobaczyć korzyści z AI w swoich firmach.

Adopcja AI wyprzedza gotowość

Dzisiejsi liderzy produkcji wiedzą, że muszą przyjąć AI, aby pozostać konkurencyjnymi. Niedawne badanie przeprowadzone przez The National Association of Manufacturers (NAM) wykazało, że 51% producentów obecnie wykorzystuje AI i że 80% uważa AI za niezbędne do rozszerzenia lub utrzymania swojego biznesu.

Producenci wykorzystują tę technologię na różne sposoby. AI ma ogromny potencjał. Jednak w wielu organizacjach inwestycje w AI nie dają obiecanego zwrotu z inwestycji.

Niedawne badanie przeprowadzone przez PWC i the Manufacturing Institute wykazało, że presja ze strony liderów na przyjęcie AI może wyprzedzać gotowość do zmian napędzanych przez AI. To samo badanie wykazało również, że:

• Nierównomierne przyjęcie AI może spowolnić integrację z codziennymi operacjami
• Postępy wzdłuż krzywej przyjęcia AI wymagają szkolenia i budowania zdolności
• Luki w gotowości i ludziach mogą ograniczyć przyjęcie AI
• Ograniczony wkład liderów pierwszej linii może ograniczyć przyjęcie i wykonanie AI

Znalezienie rozwiązania

Zamiast traktować AI jako powszechne rozwiązanie, liderzy muszą odróżnić aplikacje, w których AI wyróżnia się – takie jak poprawa interakcji człowiek-system, przechwytywanie wiedzy operacyjnej i uproszczenie skomplikowanych workflow – i obszary, w których nie jest dobrze przystosowane, w tym kontrola precyzyjna i podejmowanie decyzji w środowiskach produkcyjnych.

Wspaniałe miejsce, aby zastosować to, jest podczas procesu sprzedaży. Wiele firm produkcyjnych chce poprawić proces sprzedaży z wykorzystaniem AI. Powinny one zacząć od skupienia się na celach lub wynikach klienta, zamiast prosić ich o wybranie konkretnych parametrów dotyczących produktu.

Oto osobisty przykład: Niedawno kupiłem swój pierwszy samochód elektryczny. Poszedłem na stronę internetową producenta samochodów elektrycznych i pierwszą rzeczą, którą zobaczyłem, były parametry techniczne, takie jak Zasięg: 360-558 km. To duży zasięg, ale rozumiem, co to znaczy. Ale moc? Nie mam pojęcia. A zużycie? Teraz naprawdę nie rozumiem, czy to coś dobrego, czy złego? Czy to wpłynie na rodzinny wyjazd narciarski, który obecnie trwa około siedmiu godzin? To właśnie tego rodzaju informacje pomogłyby mi podjąć decyzję.

Mając AI do dyskusji na temat moich potrzeb, pomogłoby to producentowi samochodów elektrycznych zrozumieć, co jest dla mnie ważne, i przetłumaczyć te potrzeby na parametry techniczne, które są odpowiednie dla mnie.

Inny przykład to użycie agentów AI do rozbicia skomplikowanych problemów na mniejsze części. Agenci planują i wykonują wieloetapowe cele. Aby uzyskać najwięcej z tych agentów, zadania powinny być obciążone językowo.

Niektóre organizacje inżynierskie stosują ten podejście w zarządzaniu skomplikowanymi wymaganiami. Czasami informacje są rozproszone po setkach lub tysiącach dokumentów, a format nie jest ujednolicony. Gdybyśmy zbudowali tradycyjny system oprogramowania, aby zaimportować te informacje, byłoby zbyt wiele reguł i wyjątków od tych reguł. Ponieważ AI jest dobrze w rozpoznawaniu wzorców, nie musimy zapisywać każdej pojedynczej reguły, jak interpretować te dokumenty.

Najlepsze praktyki dla AI w produkcji

Rozbijaj duże problemy na mniejsze zadania. AI ma ograniczoną pamięć roboczą. Jeśli podasz jej zbyt wiele danych lub zbyt szeroki problem, może stracić kontekst i zacząć „majaczyć”, próbując nadal dostarczyć odpowiedź. Aby zmniejszyć to ryzyko, podziel duże zadania na mniejsze komponenty i agreguj wyniki — obszar, w którym ramy agenckie stają się szczególnie skuteczne.

Używaj AI do rozpoznawania wzorców, a nie do autorytatywnego rozumowania. AI jest dobre w rozpoznawaniu wzorców i identyfikowaniu relacji, ale nie jest dobre w logice i rozumowaniu. Na przykład, ich „rozumowanie” i zdolności matematyczne są predykcją, a nie obliczeniem. Więc wyniki mogą wydawać się przekonywujące, ale nie są gwarantowane, aby były poprawne, chyba że połączysz je z innym systemem, który może zweryfikować wyniki. W tym podejściu AI może zarządzać workflow, ale wyraźnie określisz granice operacyjne.

AI w produkcji może tworzyć prawdziwą wartość, ale są specyficzne scenariusze, w których ryzyko przewyższa korzyść. Obejmują one operacje krytyczne pod względem bezpieczeństwa i jakości. Obejmują one również środowiska o niskich danych lub wysoce nowatorskie, ponieważ AI działa słabo, gdy nie widziała wystarczających danych. Środowiska o wysokim poziomie regulacji to kolejne wyzwanie, ponieważ AI nadal brakuje prawdziwej śledzialności. Systemy kontroli w czasie rzeczywistym z ciasnymi tolerancjami to kolejne miejsce, w którym AI powinno być unikane, ponieważ opóźnienia lub niestabilność AI mogą być nieakceptowalne w procesach o wysokiej prędkości

Od Hype’u do praktyczności

AI nie jest panaceum na wszystkie bolączki produkcji. Ale poprzez rozważenie prawdziwych przypadków użycia i powszechnych mitów omówionych powyżej, producenci mogą przyjąć bardziej zrównoważone podejście do AI. W krótkim terminie kluczowym punktem jest użycie AI do tego, co robi najlepiej: problemów, które obejmują wysoki stopień rozpoznawania wzorców. Nie używaj go w przypadkach, które wymagają przewidywalności, spójności, logiki lub obliczeń.

Producenci mogą przeciąć przez szum i zidentyfikować, gdzie AI naprawdę dostarcza wartość dzisiaj. Celem nie jest spowolnienie adopcji, ale upewnienie się, że organizacje wdrożą AI tam, gdzie znacząco poprawia produktywność i podejmowanie decyzji, a nie po prostu naśladując hype branży.