ผู้นำทางความคิด
นอกเหนือจากความฮือฮา – ที่ที่ AI มีประสิทธิภาพจริงในการผลิต

ประเด็นสำคัญใช้ AI สำหรับการจดจำรูปแบบ ไม่ใช่การให้เหตุผลเชิงอำนาจในการผลิต
ดูเพิ่มเติม
- ใช้ AI สำหรับการจดจำรูปแบบ ไม่ใช่การให้เหตุผลเชิงอำนาจในการผลิต
- แบ่งปัญหาการผลิตขนาดใหญ่ออกเป็นงานที่เน้นภาษาจำนวนมากสำหรับเอเจนต์ AI
- หลีกเลี่ยงการใช้ AI ในการปฏิบัติการที่สำคัญต่อความปลอดภัยและระบบควบคุมแบบเรียลไทม์ที่มีค่าความคลาดเคลื่อนต่ำ
AI ถูกมองว่าเป็นปฏิวัติอุตสาหกรรมครั้งหน้า แต่ผู้นำหลายคนกำลังดิ้นรนในการเปลี่ยนความกระตือรือร้นให้เป็นผลลัพธ์ที่เป็นรูปธรรม มากกว่า 80% ของผู้นำการผลิตในสหรัฐอเมริกา กล่าวว่าพวกเขาวางแผนจะเพิ่มการใช้ AI ภายในสองปีถัดไป แต่นั่นไม่ได้ทำเสมอไปด้วยกลยุทธ์ที่ชัดเจนสำหรับสิ่งที่พวกเขาคาดหวังที่จะบรรลุผลลัพธ์ที่เป็นรูปธรรม
ระหว่างแรงกดดันจากคณะกรรมการบริหารในการทำอะไรบางอย่างเกี่ยวกับ AI และความเป็นจริงของสภาพแวดล้อมการผลิตที่ซับซ้อน มีช่องว่างที่กำลังเติบโตระหว่างความคาดหวังและการลงมือทำ ต้องลดช่องว่างนี้ลงหากผู้ผลิตต้องการเห็นประโยชน์ของ 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 การสำรวจเดียวกันยังระบุด้วยถ้อยคำของตนเองว่า:
- การนำ AI ไปใช้ที่ไม่สม่ำเสมอสามารถชะลอการรวมเข้ากับการดำเนินงานประจำวัน
- การก้าวหน้าตามเส้นทางการนำ AI ไปใช้จำเป็นต้องมีการฝึกอบรมและพัฒนาความสามารถจากประสบการณ์
- ช่องว่างด้านมนุษย์และความพร้อมสามารถจำกัดการนำ AI ไปใช้
- การมีส่วนร่วมที่จำกัดของผู้นำระดับแนวหน้าสามารถจำกัดการนำ AI ไปใช้และการดำเนินการ
การค้นหาวิธีแก้ปัญหา
แทนที่จะมอง AI เป็นวิธีแก้ปัญหาแบบสากล ผู้นำต้องแยกแยะระหว่างการประยุกต์ใช้ AI ที่ยอดเยี่ยม เช่น การปรับปรุงการโต้ตอบระหว่างมนุษย์และระบบ การเก็บรวบรวมความรู้ด้านการดำเนินงาน และการทำให้กระบวนการทำงานที่ซับซ้อนง่ายขึ้น และพื้นที่ที่ AI ยังไม่เหมาะสม เช่น การควบคุมที่แม่นยำและการตัดสินใจที่ให้ผลซ้ำได้ ในสภาพแวดล้อมการผลิต
สถานที่ที่ดีในการใช้แนวทางนี้คือระหว่างกระบวนการขายของท่าน หลายบริษัทการผลิตต้องการปรับปรุงกระบวนการขายที่มีคำแนะนำโดยใช้ AI พวกเขาควรเริ่มต้นด้วยการมุ่งเน้นไปที่เป้าหมายหรือผลลัพธ์ของลูกค้าแทนการขอให้ลูกค้าเลือกพารามิเตอร์เฉพาะของผลิตภัณฑ์
ตัวอย่างส่วนตัวของฉัน: ฉันเพิ่งซื้อรถยนต์ไฟฟ้าครั้งแรก ฉันไปที่เว็บไซต์ผู้ผลิตรถยนต์ไฟฟ้า และสิ่งแรกที่ฉันเห็นคือพารามิเตอร์ทางเทคนิค เช่น ระยะทางวิ่ง: 360-558 กม. นั่นคือช่วงระยะทางที่กว้าง แต่ฉันเข้าใจว่ามันหมายถึงอะไร แต่แรงม้า? ไม่รู้เลย และอัตราการใช้พลังงาน? ตรงนี้ฉันไม่เข้าใจจริง ๆ ว่ามันดีหรือไม่ดี และจะส่งผลต่อการเดินทางไปเล่นสกีประจำปีของครอบครัวซึ่งตอนนี้ฉันใช้เวลาประมาณเจ็ดชั่วโมงหรือไม่? นั่นคือประเภทของข้อมูลที่จะช่วยให้ฉันตัดสินใจได้
การมี AI ที่สามารถพูดคุยเกี่ยวกับสิ่งที่ฉันห่วงใยจะช่วยให้ผู้ผลิตรถยนต์ไฟฟ้าเข้าใจสิ่งที่สำคัญสำหรับฉันและแปลสิ่งเหล่านั้นเป็นพารามิเตอร์ทางเทคนิคที่เหมาะสมสำหรับฉัน
ตัวอย่างอื่นคือการใช้ตัวแทน AI เพื่อแบ่งปัญหาที่ซับซ้อนออกเป็นชิ้นเล็กๆ ตัวแทนเหล่านี้วางแผนและดำเนินการตามเป้าหมายหลายขั้นตอน เพื่อให้ได้ประโยชน์สูงสุดจากตัวแทนเหล่านี้ งานควรเป็นงานที่เน้นการประมวลผลภาษาเป็นหลัก
บางองค์กรวิศวกรรมกำลังใช้แนวทางนี้ในการจัดการข้อกำหนดที่ซับซ้อน บางครั้งข้อมูลจะกระจายอยู่ทั่วหลายร้อยหรือหลายพันเอกสาร และรูปแบบไม่ได้มาตรฐาน หากคุณพยายามสร้างระบบซอฟต์แวร์แบบดั้งเดิมเพื่อนำเข้าข้อมูลนี้ จะมีกฎและข้อยกเว้นของกฎเหล่านั้นมากเกินไป เนื่องจาก AI มีความสามารถในการจดจำรูปแบบ คุณจึงไม่จำเป็นต้องเขียนกฎทุกข้อเกี่ยวกับวิธีการตีความเอกสารเหล่านั้น
แนวทางปฏิบัติที่ดีที่สุดสำหรับ AI ในการผลิต
แบ่งปัญหาที่ใหญ่ๆ ออกเป็นงานเล็กๆ AI มีหน่วยความจำในการทำงานที่จำกัด หากคุณให้ข้อมูลมากเกินไปหรือปัญหาใหญ่เกินไป AI อาจสูญเสียบริบทและเริ่มสร้างข้อมูลหลอน ขณะพยายามตอบคำถาม เพื่อลดความเสี่ยงนี้ ควรแบ่งปัญหาใหญ่ๆ ออกเป็นส่วนประกอบเล็กๆ และรวมผลลัพธ์ — ด้านที่เฟรมเวิร์กสำหรับเอเจนต์กำลังมีประสิทธิภาพเป็นพิเศษ
ใช้ AI สำหรับการจดจำรูปแบบ ไม่ใช่การให้เหตุผลที่ถือเป็นข้อสรุปอันเชื่อถือได้ AI มีความสามารถในการจดจำรูปแบบและระบุความสัมพันธ์ แต่ไม่เก่งด้านตรรกะและการให้เหตุผล ตัวอย่างเช่น ความสามารถในการ “ให้เหตุผล” และคณิตศาสตร์ของ AI เป็นการทำนาย ไม่ใช่การคำนวณ ดังนั้น ผลลัพธ์อาจดูเหมือนมีข้อมูลเชิงลึก แต่ไม่ได้รับประกันว่าจะถูกต้อง เว้นแต่จะเชื่อมต่อกับระบบอื่นที่สามารถตรวจสอบผลลัพธ์ได้ ในแนวทางนี้ AI สามารถจัดระเบียบการทำงาน แต่คุณได้ตัดสินใจอย่างชัดเจนเกี่ยวกับขอบเขตการดำเนินงาน
AI ในการผลิตสามารถสร้างมูลค่าที่แท้จริง แต่มีสถานการณ์เฉพาะที่ความเสี่ยงมีมากกว่าผลประโยชน์ ซึ่งรวมถึงการดำเนินการที่สำคัญต่อความปลอดภัยและคุณภาพ นอกจากนี้ยังรวมถึงสถานการณ์ที่มีข้อมูลน้อยหรือใหม่มาก เนื่องจาก AI ทำงานไม่ดีเมื่อยังเห็นข้อมูลที่เกี่ยวข้องไม่เพียงพอ สภาพแวดล้อมที่มีการควบคุมอย่างเข้มงวดเป็นอีกความท้าทายหนึ่ง เนื่องจาก AI ยังคงขาดความสามารถในการตรวจสอบย้อนกลับอย่างแท้จริง ระบบควบคุมแบบเรียลไทม์ที่มีการยอมรับข้อผิดพลาดที่เข้มงวดเป็นอีกพื้นที่หนึ่งที่ควรหลีกเลี่ยง AI เนื่องจากความล่าช้าหรือความไม่มั่นคงของ AI อาจไม่สามารถยอมรับได้ในกระบวนการผลิตที่มีความเร็วสูง
จากความฮือฮาไปสู่ความเป็นจริง
AI ไม่ใช่วิธีแก้ปัญหาที่สมบูรณ์แบบสำหรับปัญหาการผลิตทั้งหมด แต่ด้วยการคำนึงถึงกรณีการใช้งานจริงและความเข้าใจผิดที่พูดถึงข้างต้น ผู้ผลิตสามารถนำแนวทางที่สมดุลมากขึ้นในการใช้ AI มาใช้ ในระยะสั้น จุดสำคัญคือการใช้ AI สำหรับสิ่งที่ AI ถนัดที่สุด — ปัญหาที่เกี่ยวข้องกับการจดจำรูปแบบในระดับสูง อย่าใช้กับกรณีที่ต้องการผลลัพธ์ที่คาดการณ์ได้ ความสม่ำเสมอ ตรรกะ หรือการคำนวณ
ผู้ผลิตสามารถตัดผ่านเสียงรบกวนและระบุได้ว่า AI มอบคุณค่าจริงที่ไหนในวันนี้ เป้าหมายไม่ใช่การชะลอการนำ AI ไปใช้ แต่เพื่อให้แน่ใจว่าองค์กรต่างๆ นำ AI ไปใช้ในส่วนที่ AI ปรับปรุงประสิทธิภาพการผลิตและการตัดสินใจอย่างมีความหมาย มากกว่าการตามกระแสฮือฮาของอุตสาหกรรม












