Прихований проблем, який блокує впровадження штучного інтелекту у виробництві

Кожна людина у світі виробництва, здається, говорить про штучний інтелект. Прогнозне технічне обслуговування, автоматизовані перевірки якості, оптимізація ланцюга постачання в режимі реального часу. На папері ці випадки використання обіцяють менше простою, вищу продуктивність та швидше, більш інформоване прийняття рішень. Але попри всі розчарування та інвестиції в інструменти штучного інтелекту, багато виробників усе ще борються з переходом від пілотних проектів до реальних результатів.

Виявляється, найбільш серйозною瓶нем не є нестача алгоритмів або навіть відсутність усвідомлення потенціалу штучного інтелекту. Найбільш постійною, прихованою проблемою є неефективність. Зокрема, розрив між можливостями штучного інтелекту та розрізненою, неконсистентною операційною реальністю, яка існує на більшості заводських майданчиках.

Ви не повинні шукати далеко, щоб побачити цю проблему, відображену в даних. Опитування стану виробництва 2024 року виявило, що хоча 90% виробників повідомляють про використання деякої форми штучного інтелекту в своїй діяльності, 38% усе ще відчувають себе позаду своїх конкурентів у впровадженні та впливі. Це розкриває певний вид “синдрому самозванця”, де технологія присутня, але ще не трансформативна, оскільки вона не вбудована в основні процеси.

У той же час широке відраслеве дослідження показало, що 65% виробників називають проблеми з даними, починаючи від доступу та форматування до інтеграції та управління, як основну бар’єр для впровадження штучного інтелекту, далеко випереджаючи інші питання, такі як навички працівників або застарілі обладнання.

Проблема якості даних йде ще глибше. Глобальне опитування лідерів ІТ та бізнесу, включаючи багатьох з виробництва, виявило, що 87% погоджуються, що великі дані є критичними для успіху штучного інтелекту, але лише 42% оцінюють свою повноту та точність даних як відмінну, і така ж кількість каже, що погана якість даних є бар’єром для подальших інвестицій у штучний інтелект.

Ці висновки роблять одне питання ясним: виробники бажають скористатися штучним інтелектом, але більшість з них ще не мають оперативної основи, необхідної для цього в спосіб, який дійсно рухає бізнес вперед.

Чому “готівність до штучного інтелекту” та реальне впровадження не є однаковими

Це спокусительно вважати готівність рівнозначною впровадженню. Але дослідження показують несподівану розрив між цими поняттями. Дослідження, опубліковане в ScienceDirect, вказує на те, що навіть у випадках, коли компанії демонструють високий рівень технічної готівності до штучного інтелекту, фактичний рівень впровадження, особливо у виробничих контекстах, часто залишається на низькому рівні. Це свідчить про те, що компанії вагаюся впроваджувати штучний інтелект, оскільки вони ще не мають впевненості в тому, як він буде працювати в реальних операційних умовах.

Ця вагань не дивна, якщо врахувати, як традиційно працювало виробництво. На відміну від галузей, орієнтованих на дані, таких як фінанси або електронна комерція, виробництво було зосереджено на фізичних процесах та машинах, а не на даних. Спільне звіт ОЕСР відзначає, що виробники зустрічають бар’єри впровадження штучного інтелекту частіше, ніж підприємства в галузі інформаційних та комунікаційних технологій, частково через відсутність традиції великих даних та частіше залежать від застарілих систем.

Це означає на практиці, що організації поспішно впроваджують штучний інтелект без створення інфраструктури даних або узгодженості робочих процесів, необхідних для того, щоб інструменти штучного інтелекту давали надійні результати. Це схоже на те, як встановити високопродуктивний двигун у машину з тріскою в рамі та очікувати, що вона буде працювати.

Дані, процеси та “реальність штучного інтелекту”

Одна з найбільш відкривальних рамок, обговорюваних у галузі, – це концепція “реальності штучного інтелекту”. У опитуваннях виробники послідовно демонструють впевненість у своїй стратегії штучного інтелекту на папері. Більшість каже, що штучний інтелект є пріоритетом та конкурентною перевагою. Однак лише мала частина відчуває себе真正ньо готова до впровадження проектів штучного інтелекту сьогодні.

Цей розрив між аспірацією та оперативною здатністю походить з кількох основних питань:

• Фрагментовані середовища даних. Сенсори, машини, системи ERP, журнали якості часто існують у сілах без стандартизованого способу обміну інформацією. Моделі штучного інтелекту потребують послідовних та надійних вхідних даних. Коли ці входи є неповними або неконсистентними, передбачення стають менш надійними.
• Ручні та відключені процеси. Завод може мати потужні пристрої IoT на деяких машинах, але все ще покладатися на паперові журнали для перевірок якості. Системи штучного інтелекту не можуть компенсувати відсутню або затриману інформацію; вони тільки посилюють те, що вони бачать.
• Організаційна готівність. Навіть коли інфраструктура покращується, багато команд thiếuають досвіду перекладу виходів моделі у дії. Без чітких робочих процесів та довіри людей до штучного інтелекту, ідеї залишаються невикористаними.

Приховані витрати бездіяльності

Ігнорування цих бар’єрів не є безневинним. Дослідження послідовно показують, що організації, які не звертаються до основних неефективностей, борються з витягуванням цінності з інвестицій у штучний інтелект. Наприклад, звіт про промисловий потенціал штучного інтелекту підкреслив, що майже 80% промислових підприємств відсутня внутрішня здатність успішно використовувати штучний інтелект, хоча значна більшість очікує, що штучний інтелект покращить якість та послуги.

І поза виробничим сектором дослідження у бізнес-середовищі показують, що до 80% підприємств не можуть отримати вигоду від штучного інтелекту, оскільки вони нехтують організаційними, людськими та факторами управління змінами – не через те, що сама технологія є дефектною.

Ці ідеї варто повторити: проблема штучного інтелекту у виробництві не лише питання технологічної інтеграції. Це питання про проектування робочих процесів, процесів прийняття рішень, управління даними та людських систем, які взаємодіють з цими інструментами.

Закриття розриву: де відбувається реальний прогрес

Як виробники закривають розрив між потенціалом та реальністю? Це починається з визнання того, що штучний інтелект не повинен бути додатком, він повинен бути вбудований у існуючу оперативну тканину.

Спочатку зосередьтеся на готівності даних. Перенесення всіх даних у систему, покращення доступності та визначення правил управління не тільки робить інструменти штучного інтелекту краще працювати, але також створює довіру до виходів. Опитування промисловості, які ставлять питання даних на перший план, також показують, що виробники, які впоралися з цими питаннями першими, більш імовірно перейдуть від пілотних проектів до масштабування.

Вирівняйте штучний інтелект з реальними робочими процесами. Штучний інтелект не повинен бути окремим шаром; він повинен бути інтегрований з прийняттям рішень людиною та щоденними процесами. Команди повинні розуміти, що робить технологія, та чому її виходи мають значення. Це означає інвестиції у внутрішню освіту та управління впровадженням штучного інтелекту.

Будуйте інфраструктуру, яка з’єднує системи. Замість створення нових сіл, успішне впровадження штучного інтелекту передбачає об’єднання потоків даних з різних джерел, сенсорів, машин, систем ERP, систем якості у єдиний, доступний шар. Реальний прогрес відбувається, коли підприємства починають з проблем, які вони можуть бачити та торкнутися. Машини, які не спілкуються одна з одною, журнали якості, які все ще записуються вручну, та процеси, які залежать від пам’яті або звички, створюють невидимі бар’єри. Коли команди витрачають час на з’єднання систем та робочих процесів, технологія починає надавати керівництво замість плутанини.

Штучний інтелект не виправляє розбиті процеси сам собою. Це рідко питання про покупку найновішого програмного забезпечення або гонитви за останньою моделлю. Компанії, які роблять добре, зосереджуються на з’єднанні існуючих систем, зменшенні помилок та забезпеченні того, щоб команди мали інформацію, необхідну для дії.

Коли ці частини знаходяться на місці, штучний інтелект перестає відчуватися як експеримент та починає працювати поряд з операторами, допомагаючи їм виявляти проблеми раніше та приймати щоденні рішення з більшою впевненістю.