За пределами шума – где ИИ действительно работает в производстве

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希望 увидеть выгоды от ИИ в своих бизнесах.

Принятие ИИ опережает готовность

Лидеры производства сегодня знают, что им нужно принять 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 во всех видах различных способов. 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 принятию ИИ может опережать готовность к ИИ-индуцированным изменениям.тот же опрос также показал, в их словах:

• Неравномерное принятие ИИ может замедлить интеграцию в повседневные операции
• Продвижение по кривой принятия ИИ требует обучения и построения экспериментальной способности
• Пробелы в человеческих и готовных возможностях могут ограничить принятие ИИ
• Ограниченный ввод лидеров первого уровня может ограничить принятие и выполнение 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 повторяющееся принятие решений в производственных средах.

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

Вот личный пример: я недавно купил свой первый электромобиль (EV). Я пошел на сайт производителя EV, и первое, что я увидел, были технические параметры, такие как Диапазон: 360-558 км. Это большой диапазон, но я понимаю, что это значит. Но лошадиная сила? Нет идеи. И потребление? Теперь я действительно не понимал, что это значит; 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.

Иметь ИИ для обсуждения моих забот с производителем EV помогло бы понять, что важно для меня, и перевести эти заботы в технические характеристики, которые подходят мне.

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 языково-интенсивными.

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 рамки становятся особенно эффективными.

Используйте ИИ для распознавания закономерностей, а не для авторитетного рассуждения. ИИ хорошо распознает закономерности и определяет отношения, но он не хорошо подходит для логических рассуждений. Например, их “рассуждения” и математические способности являются предсказаниями, а не вычислениями. Итак, выходные данные могут показаться проницательными, но они не гарантируются как правильные, если только вы не подключите другую систему, 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 низкими данными или высоко новыми, поскольку ИИ работает плохо, когда он не видел достаточно релевантных данных. Высокорегулируемые среды – еще одна проблема, поскольку ИИ все еще не имеет真正ой отслеживаемости. Системы реального 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 точка 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 разрезать шум и определить, где ИИ действительно приносит ценность сегодня. Цель не состоит в том, чтобы замедлить принятие, а в том, чтобы обеспечить, чтобы организации развертывали ИИ там, где он действительно улучшает производительность и принятие решений, а не просто следуют индустриальному шуму.