Liderzy opinii
Poza Hype’em – Gdzie AI naprawdę działa w produkcji

Kluczowe punktyWykorzystuj sztuczną inteligencję do rozpoznawania wzorców, a nie do autorytatywnego…
Zobacz więcej
- Wykorzystuj sztuczną inteligencję do rozpoznawania wzorców, a nie do autorytatywnego wnioskowania w produkcji.
- Dziel duże problemy produkcyjne na mniejsze zadania wymagające przetwarzania języka dla agentów AI.
- Unikaj stosowania AI w operacjach krytycznych dla bezpieczeństwa oraz w systemach sterowania czasu rzeczywistego o wąskich tolerancjach.
AI jest przedstawiana 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% będzie uważać AI za niezbędną 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 Manufacturing Institute wykazało, że presja ze strony liderów na przyjęcie AI może wyprzedzać gotowość do zmian napędzanych przez AI. To samo badanie stwierdziło również, we własnych słowach:
- Nierównomierne przyjęcie AI może spowolnić integrację z codziennymi operacjami
- Postępy wzdłuż krzywej przyjęcia AI wymagają szkolenia i rozwijania umiejętności przez praktyczne doświadczenie
- 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 przystosowana, w tym precyzyjne sterowanie i powtarzalne podejmowanie decyzji w środowiskach produkcyjnych.
Wspaniałe miejsce, aby zastosować to, jest podczas procesu sprzedaży. Wiele firm produkcyjnych chce poprawić proces sprzedaży wspomaganej z wykorzystaniem AI. Powinny one zacząć od skupienia się na celach lub wynikach klienta, zamiast prosić go o wybranie konkretnych parametrów dotyczących produktu.
Oto osobisty przykład: Niedawno udało mi się kupić pierwszy samochód elektryczny. Po wejściu na stronę producenta pierwszą rzeczą, która rzuciła mi się w oczy, były parametry techniczne, takie jak Zasięg: 360-558 km. To duży zasięg, ale rozumiem, co to znaczy. Ale konie mechaniczne? Nie mam pojęcia. A zużycie? Teraz naprawdę nie rozumiem, czy to coś dobrego, czy złego? Czy to wpłynie na coroczny rodzinny wyjazd narciarski, który obecnie trwa około siedmiu godzin? To właśnie tego rodzaju informacje pomogłyby mi podjąć decyzję.
AI, z którą można porozmawiać o moich priorytetach, pomogłaby 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 oparte w dużej mierze na pracy z językiem.
Niektóre organizacje inżynierskie stosują to 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 radzi sobie 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 dobra w rozpoznawaniu wzorców i identyfikowaniu relacji, ale nie jest dobra w logice i rozumowaniu. Na przykład, jej „rozumowanie” i zdolności matematyczne są predykcją, a nie obliczeniem. Więc wyniki mogą wydawać się wnikliwe, ale ich poprawność nie jest gwarantowana, chyba że połączysz AI z innym systemem, który może zweryfikować wyniki. W tym podejściu AI może zarządzać workflow, ale masz już wyraźnie określone 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 sytuacje z niewielką ilością danych lub zupełnie nowe, ponieważ AI działa słabo, gdy nie widziała wystarczającej ilości istotnych danych. Środowiska o wysokim poziomie regulacji to kolejne wyzwanie, ponieważ AI nadal brakuje rzeczywistej możliwości prześledzenia działania. Systemy kontroli w czasie rzeczywistym z wąskimi tolerancjami to kolejne miejsce, w którym należy unikać AI, 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 oddzielić istotne informacje od szumu 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, zamiast po prostu podążać za branżową modą.












