Лидеры мнений

За пределами шума – где ИИ действительно работает в производстве

Damantha Boteju
Добавьте Unite.AI в избранные источники в Google
Ключевые моментыИспользуйте ИИ для распознавания образов, а не для авторитетных рассуждений в…
Показать больше
  • Используйте ИИ для распознавания образов, а не для авторитетных рассуждений в производстве.
  • Разбивайте крупные производственные задачи на более мелкие, требующие работы с языком, для агентов ИИ.
  • Избегайте применения ИИ в критически важных для безопасности операциях и системах реального времени с жесткими допусками.

ИИ позиционируется как следующая промышленная революция, но многие лидеры испытывают трудности в переводе энтузиазма в практические результаты. Более 80% лидеров американского производства заявляют, что планируют увеличить использование ИИ в течение следующих двух лет, но это не всегда делается с четкой стратегией того, чего они ожидают достичь в реальности.

Между давлением на уровне совета директоров, чтобы что-то сделать с ИИ, и реальностью сложных производственных сред, существует растущий разрыв между ожиданиями и выполнением. Этот разрыв необходимо закрыть, если производители хотят увидеть выгоды от ИИ в своих бизнесах.

Внедрение ИИ опережает готовность

Лидеры производства сегодня знают, что им нужно внедрять ИИ, чтобы оставаться конкурентоспособными. Недавний опрос Национальной ассоциации производителей (NAM) показал, что 51% производителей в настоящее время используют ИИ, и что 80% будут считать ИИ необходимым для расширения или поддержания своего бизнеса.

Производители используют эту технологию самыми разными способами. ИИ имеет огромный потенциал. Однако во многих организациях инвестиции в ИИ не приносят обещанного ROI.

Недавний опрос PWC и Института производства показал, что толчок лидеров к внедрению ИИ может опережать готовность к ИИ-индуцированным изменениям. Тот же опрос также показал, по его формулировке:

  • Неравномерное внедрение ИИ может замедлить интеграцию в повседневные операции
  • Продвижение по кривой внедрения ИИ требует обучения и развития навыков через практический опыт
  • Пробелы в человеческом потенциале и готовности могут ограничить внедрение ИИ
  • Ограниченный вклад руководителей на передовой может ограничить внедрение и практическое применение ИИ

Поиск решения

Вместо того, чтобы рассматривать ИИ как универсальное решение, лидеры должны различать применения, где ИИ превосходит – такие как улучшение взаимодействия человека и системы, захват оперативных знаний и упрощение сложных рабочих процессов – и области, где он остается плохо приспособленным, включая точный контроль и воспроизводимое принятие решений в производственных средах.

Отличное место для применения этого – во время вашего процесса продаж. Многие производственные компании хотят улучшить процесс продаж с сопровождением выбора с помощью ИИ. Они должны начать с сосредоточения внимания на целях или результатах клиента, а не просить его выбрать конкретные параметры продукта.

Вот личный пример: недавно мне довелось купить свой первый электромобиль (EV). На сайте производителя первым делом мне показали технические параметры, такие как Запас хода: 360-558 км. Это большой запас хода, но я понимаю, что это значит. Но лошадиные силы? Понятия не имею. И потребление? Вот это уже действительно непонятно; является ли потребление хорошим или плохим? Будет ли это иметь значение для ежегодной поездки моей семьи на лыжах, которая в настоящее время занимает у меня около семи часов? Это именно тот вид информации, который действительно помог бы мне принять решение.

ИИ, с которым можно обсудить мои приоритеты, помог бы производителю электромобиля понять, что для меня важно, и перевести эти приоритеты в подходящие мне технические характеристики.

Другой пример – использование агентов ИИ для разбиения сложных проблем на более мелкие части. Агенты планируют и выполняют многоступенчатые цели. Чтобы получить максимальную пользу от этих агентов, задачи должны быть в значительной степени связанными с работой с языком.

Некоторые инженерные организации принимают этот подход при управлении сложными требованиями. Иногда информация распределена по сотням или тысячам документов, и формат не стандартизирован. Если бы вы построили традиционную программную систему для импорта всей этой информации, было бы слишком много правил и исключений из этих правил. Поскольку ИИ хорошо распознает закономерности, вам не нужно записывать каждое отдельное правило о том, как интерпретировать эти документы.

Лучшие практики ИИ в производстве

Разбейте большие проблемы на более мелкие задачи. ИИ имеет ограниченную рабочую память. Если вы даете ему слишком много данных или слишком широкую проблему, он может потерять контекст и начать “галлюцинировать”, пытаясь все равно дать ответ. Чтобы снизить этот риск, разделите большие задачи на более мелкие компоненты и агрегируйте результаты – область, где агентные фреймворки становятся особенно эффективными.

Используйте ИИ для распознавания закономерностей, а не для авторитетного рассуждения. ИИ хорошо распознает закономерности и определяет отношения, но он плохо подходит для логических рассуждений. Например, его “рассуждения” и математические способности являются предсказаниями, а не вычислениями. Итак, выходные данные могут показаться проницательными, но их правильность не гарантируется, если только вы не подключите ИИ к другой системе, которая может проверить результаты. В этом подходе ИИ может оркестрировать рабочий процесс, но вы приняли явное решение о том, где находятся оперативные границы.

ИИ в производстве может создать реальную ценность, но есть конкретные сценарии, где риск перевешивает выгоду. Это включает операции, критические для безопасности и качества. Это также включает сценарии с малым объёмом данных или совершенно новые ситуации, поскольку ИИ работает плохо, когда он не видел достаточно релевантных данных. Высокорегулируемые среды – еще одна проблема, поскольку ИИ все еще не обеспечивает подлинной прослеживаемости. Системы управления в реальном времени с жесткими допусками – еще одно место, где ИИ следует избегать, поскольку задержка или нестабильность ИИ могут быть неприемлемыми в высокоскоростных процессах.

От шума к практичности

ИИ не является панацеей от всех проблем производства. Но, рассматривая реальные случаи использования и распространенные заблуждения, обсуждаемые выше, производители могут принять более сбалансированный подход к ИИ. В краткосрочной перспективе основная мысль состоит в том, чтобы использовать ИИ для того, для чего он лучше всего подходит: проблем, которые включают высокую степень распознавания закономерностей. Не используйте его для случаев, которые требуют предсказуемости, последовательности, логических рассуждений или расчетов.

Производители могут отделить полезное от шума и определить, где ИИ действительно приносит ценность сегодня. Цель не состоит в том, чтобы замедлить внедрение, а в том, чтобы обеспечить, чтобы организации развертывали ИИ там, где он действительно улучшает производительность и принятие решений, а не просто следуют индустриальному шуму.

Даманта Ботеджу является главным директором по продукту и технологиям компании Configit, мирового лидера в области решений Configuration Lifecycle Management (CLM) и поставщика критически важного для бизнеса программного обеспечения для конфигурации сложных продуктов. Он присоединился к Configit в марте 2023 года, принеся более 25 лет опыта в разработке программного обеспечения с фокусом на продуктах класса предприятия. Как главный директор по продукту и технологиям, он руководит стратегией продукта и технологий, стимулирует инновации и поставляет решения, удовлетворяющие сложным потребностям глобальных клиентов Configit.