นอกเหนือจากความฮือฮา – ที่ที่ AI มีประสิทธิภาพจริงในการผลิต

AI ถูกมองว่าเป็นปฏิวัติอุตสาหกรรมครั้งหน้า แต่ผู้นำหลายคนกำลังดิ้นรนในการเปลี่ยนความกระตือรือร้นให้เป็นผลลัพธ์ที่เป็นรูปธรรม มากกว่า 80% ของผู้นำการผลิตในสหรัฐอเมริกา กล่าวว่าพวกเขาวางแผนจะเพิ่มการใช้ AI ภายในสองปีถัดไป แต่นั่นไม่ได้ทำเสมอไปด้วยกลยุทธ์ที่ชัดเจนสำหรับสิ่งที่พวกเขาคาดหวังที่จะบรรลุผลลัพธ์ที่เป็นรูปธรรม

ระหว่างแรงกดดันจากคณะกรรมการบริหารในการทำอะไรบางอย่างเกี่ยวกับ AI และความเป็นจริงของสภาพแวดล้อมการผลิตที่ซับซ้อน มีช่องว่างที่กำลังเติบโตระหว่างความคาดหวังและความเป็นจริง ช่องว่างนี้ต้องถูกปิดกั้นหากผู้ผลิตต้องการเห็นประโยชน์ของ AI ในธุรกิจของตน

การนำ AI ไปใช้กำลังแซงหน้าความพร้อม

ผู้นำการผลิตในปัจจุบันรู้ว่าพวกเขาต้องนำ AI ไปใช้เพื่อรักษาความสามารถในการแข่งขัน การสำรวจล่าสุดจาก สมาคมผู้ผลิตแห่งชาติ (NAM) พบว่า 51% ของผู้ผลิตกำลังใช้ AI และ 80% จะพิจารณา AI เป็นสิ่งจำเป็นสำหรับการขยายหรือรักษาธุรกิจ

ผู้ผลิตกำลังใช้เทคโนโลยีนี้ในหลายวิธี AI มีศักยภาพที่จะเปลี่ยนแปลงการผลิตอย่างมาก อย่างไรก็ตาม ในหลายองค์กร การลงทุนใน AI ไม่ได้ให้ผลตอบแทนตามที่สัญญาไว้

การสำรวจล่าสุดโดย PWC และสถาบันการผลิตพบว่าแรงกดดันจากผู้นำในการนำ AI ไปใช้สามารถเกินความพร้อมสำหรับการเปลี่ยนแปลงที่ขับเคลื่อนด้วย AI การสำรวจเดียวกันนี้ยังพบว่าในหลายกรณี:

• การนำ AI ไปใช้ที่ไม่สม่ำเสมอสามารถชะลอการรวมเข้ากับการดำเนินงานประจำวัน
• การก้าวหน้าตามเส้นทางการนำ AI ไปใช้จำเป็นต้องมีการฝึกอบรมและพัฒนาความสามารถจากประสบการณ์
• ช่องว่างด้านมนุษย์และความพร้อมสามารถจำกัดการนำ AI ไปใช้
• การขาดการมีส่วนร่วมของผู้นำระดับแนวหน้าสามารถจำกัดการนำ AI ไปใช้และความสำเร็จ

การค้นหาวิธีแก้ปัญหา

แทนที่จะรักษา AI เป็นวิธีแก้ปัญหาแบบสากล ผู้นำต้องแยกแยะระหว่างการประยุกต์ใช้ AI ที่ยอดเยี่ยม เช่น การปรับปรุงการโต้ตอบระหว่างมนุษย์และระบบ การจับข้อมูลการดำเนินงาน และการทำให้กระบวนการทำงานที่ซับซ้อนง่ายขึ้น และพื้นที่ที่ AI ยังไม่เหมาะสม เช่น การควบคุมที่แม่นยำและการตัดสินใจซ้ำๆ ในสภาพแวดล้อมการผลิต

สถานที่ที่ดีในการใช้แนวทางนี้คือระหว่างกระบวนการขายของท่าน หลายบริษัทการผลิตต้องการปรับปรุงกระบวนการขายที่มีคำแนะนำโดยใช้ AI พวกเขาควรเริ่มต้นด้วยการมุ่งเน้นไปที่เป้าหมายหรือผลลัพธ์ของลูกค้าแทนการขอให้ลูกค้าเลือกพารามิเตอร์เฉพาะของผลิตภัณฑ์

ตัวอย่างส่วนตัวของฉัน: ฉันเพิ่งซื้อรถยนต์ไฟฟ้าครั้งแรก ฉันไปที่เว็บไซต์ผู้ผลิตรถยนต์ไฟฟ้า และสิ่งแรกที่ฉันเห็นคือพารามิเตอร์ทางเทคนิค เช่น ระยะทาง: 360-558 กม. นั่นคือช่วงระยะทางที่กว้าง แต่ฉันเข้าใจว่ามันหมายถึงอะไร แต่พลัง马? ไม่รู้เลย และการบริโภค? ตอนนี้ฉันไม่เข้าใจจริงๆ ว่ามันจะส่งผลต่อการเดินทางสกีประจำปีของครอบครัวฉันซึ่งปัจจุบันใช้เวลาประมาณ 7 ชั่วโมง นั่นคือประเภทของข้อมูลที่จะช่วยให้ฉันตัดสินใจได้

การมี AI ที่สามารถพูดคุยเกี่ยวกับสิ่งที่ฉันห่วงใยจะช่วยให้ผู้ผลิตรถยนต์ไฟฟ้าเข้าใจสิ่งที่สำคัญสำหรับฉันและแปลสิ่งเหล่านั้นเป็นพารามิเตอร์ทางเทคนิคที่เหมาะสมสำหรับฉัน

ตัวอย่างอื่นคือการใช้ตัวแทน AI เพื่อแบ่งปัญหาที่ซับซ้อนออกเป็นชิ้นเล็กๆ ตัวแทนเหล่านี้วางแผนและดำเนินการตามเป้าหมายหลายขั้นตอน เพื่อให้ได้ประโยชน์สูงสุดจากตัวแทนเหล่านี้ งานควรเป็นงานที่มีลักษณะภาษาหนัก

บางองค์กรวิศวกรรมกำลังใช้แนวทางนี้ในการจัดการข้อกำหนดที่ซับซ้อน บางครั้งข้อมูลจะกระจายอยู่ทั่วหลายร้อยหรือหลายพันเอกสาร และรูปแบบไม่ได้มาตรฐาน หากคุณพยายามสร้างระบบซอฟต์แวร์แบบดั้งเดิมเพื่อนำเข้าข้อมูลนี้ มีกฎและข้อยกเว้นมากมาย จึงไม่สามารถเขียนกฎทั้งหมดได้ เนื่องจาก AI มีความสามารถในการจดจำรูปแบบ คุณจึงไม่จำเป็นต้องเขียนกฎทุกข้อเกี่ยวกับวิธีการตีความเอกสารเหล่านั้น

แนวทางปฏิบัติที่ดีที่สุดสำหรับ AI ในการผลิต

แบ่งปัญหาที่ใหญ่ๆ ออกเป็นงานเล็กๆ AI มีหน่วยความจำในการทำงานที่จำกัด หากคุณให้ข้อมูลมากเกินไปหรือปัญหาใหญ่เกินไป AI อาจสูญเสียบริบทและเริ่ม “เห็นภาพ” ขณะพยายามตอบคำถาม เพื่อลดความเสี่ยงนี้ ควรแบ่งปัญหาใหญ่ๆ ออกเป็นส่วนประกอบเล็กๆ และรวมผลลัพธ์ — พื้นที่ที่เฟรมเวิร์ก agentic กำลังได้รับความนิยมอย่างมาก

ใช้ AI สำหรับการจดจำรูปแบบ ไม่ใช่การให้เหตุผลที่มีอำนาจ AI มีความสามารถในการจดจำรูปแบบและระบุความสัมพันธ์ แต่ไม่ดีในการให้เหตุผลและการคำนวณ ตัวอย่างเช่น ความสามารถในการ “ให้เหตุผล” และคณิตศาสตร์ของ AI เป็นการทำนาย ไม่ใช่การคำนวณ ดังนั้น ผลลัพธ์อาจดูเหมือนมี洞察 แต่ไม่ได้รับประกันว่าจะถูกต้อง เว้นแต่จะเชื่อมต่อกับระบบอื่นที่สามารถตรวจสอบผลลัพธ์ได้ ในแนวทางนี้ AI สามารถจัดระเบียบการทำงาน แต่คุณได้ตัดสินใจอย่างชัดเจนเกี่ยวกับขอบเขตการดำเนินงาน

AI ในการผลิตสามารถสร้างมูลค่าที่แท้จริง แต่มีสถานการณ์เฉพาะที่ความเสี่ยงมีมากกว่าผลประโยชน์ ซึ่งรวมถึงการดำเนินการที่สำคัญต่อความปลอดภัยและคุณภาพ นอกจากนี้ยังรวมถึงสถานการณ์ที่มีข้อมูลน้อยหรือใหม่มาก เนื่องจาก AI ทำงานไม่ดีเมื่อไม่ได้เห็นข้อมูลที่เกี่ยวข้องมาก่อน สภาพแวดล้อมที่มีการควบคุมอย่างเข้มงวดเป็นอีกความท้าทายหนึ่ง เนื่องจาก AI ยังคงไม่มีการติดตามที่แท้จริง ระบบควบคุมแบบเรียลไทม์ที่มีการยอมรับข้อผิดพลาดที่เข้มงวดเป็นอีกพื้นที่หนึ่งที่ควรหลีกเลี่ยง AI เนื่องจากความล่าช้าหรือความไม่มั่นคงของ AI อาจไม่สามารถยอมรับได้ในกระบวนการผลิตที่มีความเร็วสูง

จากความฮือฮาไปสู่ความเป็นจริง

AI ไม่ใช่วิธีแก้ปัญหาที่สมบูรณ์แบบสำหรับปัญหาการผลิตทั้งหมด แต่ด้วยการคำนึงถึงกรณีการใช้งานจริงและความเข้าใจผิดที่พูดถึงข้างต้น ผู้ผลิตสามารถนำแนวทางที่สมดุลมากขึ้นในการใช้ AI มาใช้ ในระยะสั้น จุดสำคัญคือการใช้ AI สำหรับสิ่งที่ AI excels — ปัญหาที่เกี่ยวข้องกับการจดจำรูปแบบในระดับสูง ไม่ใช่กรณีที่ต้องการความสามารถในการทำนาย, ความสม่ำเสมอ, ictability, ความสม่ำเสมอ, logic หรือการคำนวณ

ผู้ผลิตสามารถตัดผ่านเสียงรบกวนและระบุได้ว่า AI มอบคุณค่าจริงที่ไหนในวันนี้ เป้าหมายไม่ใช่การชะลอการนำ AI ไปใช้ แต่เพื่อให้แน่ใจว่าองค์กรต่างๆ นำ AI ไปใช้ในส่วนที่ AI ปรับปรุงประสิทธิภาพการผลิตและการตัดสินใจอย่างมีความหมาย มากกว่าการตามกระแสฮือฮาของอุตสาหกรรม