Proizvodnja začenja sprejemati UI za povečanje učinkovitosti, vendar trenutni pristopi k UI ne bodo vedno delovali.
Umetna inteligenca se zagotovo kaže kot velik disruptor v proizvodnji z avtomatizacijo nalog, izboljšanjem predvidenega vzdrževanja, zmanjševanjem izpadov ter izboljšanjem kakovosti in učinkovitosti proizvodnih linij in dobavnih verig.
Vendar pa se je proizvodnja z uporabo umetne inteligence počasi uvajala, saj je manj kot 10 % proizvodnih podjetij v zadnjih letih kar koli implementiralo. Razlogi? PwC so to morda najbolje povedali v poročilu o umetni inteligenci v proizvodnji za leto 2020: UI je »zelo zapletena, dolgotrajna in kapitalsko intenzivna ter zahteva celovit, sistematičen pristop, če se želi izkazati za uspešno«.
Za učinkovitost umetne inteligence v proizvodnih in drugih panogah so potrebni novi pristopi. Ta novi pristop je tisto, čemur pravimo “umetna inteligenca, osredotočena na podatke”. Ljudje bodo ključni, prav tako nov način gledanja na podatke UI.
Pravi podatki in ne veliki podatki
Številni modeli umetne inteligence se zanašajo na ogromne nabore podatkov, kot so tisti, ki jih zbirajo potrošniška internetna podjetja, kot so Google, Facebook in Amazon. Vsako sekundo dobijo podatke od milijonov ali milijard potrošnikov.
Toda proizvajalci in posamezne tovarne – tudi posamezne proizvodne linije – nimajo vedno velikih naborov podatkov, s katerimi bi motorje umetne inteligence napajali za ciljanje na določene težave. Morda imajo omejene nabore podatkov, morda le na desetine, da usposobijo modele UI, da naredijo tisto, kar potrebujejo proizvajalci, na primer opazijo napake v izdelkih, preden pridejo predaleč v proizvodno linijo.
Zadnje desetletje se umetna inteligenca, ki jo poučujejo v današnjih inženirskih šolah, osredotoča na to, da inženirji umetne inteligence usposabljajo modele umetne inteligence, ki temeljijo na ogromnih nizih podatkov, da bi na primer zaznali razliko med mačko in psom na slikah ali dolgim puloverjem od kratkega.
V tovarni ogromen nabor podatkov o napakah izdelkov verjetno ni del enačbe. Večina tovarn ne proizvaja pokvarjenega blaga, zato ni veliko podatkov za nadaljevanje.
Ljudje smo ključ do pravih podatkov
Namesto tega v mnogih primerih proizvajalci potrebujejo dobre podatke in prave podatke za usposabljanje rešitve umetne inteligence, ki je enostavna za uporabo.
Da bi proizvajalci zagotovili, da bodo pravi podatki prišli v UI motor, potrebujejo ljudi. Potrebujejo strokovnjake iz tovarne ali procesov, da bi inženirjem umetne inteligence povedali: »To so podatki, ki jih potrebujemo, ne ti«, da ugotovijo razliko med nesmiselno prasko na izdelani komponenti in napako, zaradi katere komponente ni mogoče prodati.
Z umetno inteligenco, osredotočeno na podatke, bo tehnologija uporabna in na voljo za stare industrije, poleg potrošniških internetnih velikanov, ki so poganjali prvo obdobje UI.
Za proizvajalce, ki še niso implementirali UI, so tu štirje koraki za začetek uporabe pristopa, osredotočenega na podatke:
1. Že prvi dan vključite strokovnjaka
Danes mnogi proizvajalci začnejo z ekipo IT inženirjev, ki usposabljajo modele umetne inteligence, morda z omejenim prispevkom strokovnjakov za področje, nato pa modele UI predajo strokovnjakom iz tovarne, da jih razporedijo. To lahko deluje, vendar pogosto ne. To je zato, ker samo strokovnjaki s področja vedo, kaj je najpomembnejše v stotinah gibljivih spremenljivk v proizvodnem postopku. S poglobljenim vključevanjem strokovnjaka za zadevo od začetka bo skupina bolj verjetno natančno določila, kaj želi, da se UI nauči, in identificirala potrebne in razpoložljive podatke, da bo to mogoče.
2. Ustvarite konsenz o tem, kateri so pravi podatki
V skoraj vsakem podjetju ali panogi različni ljudje in oddelki uporabljajo različne izraze za opis iste stvari. Za nemoteno delovanje programa umetne inteligence je treba podatke dosledno označiti, da lahko UI zajame vse ustrezne primere. Če na primer uporabljate umetno inteligenco za odkrivanje napak izdelka, je treba slike napak dosledno označiti in zbrati na osrednjem mestu. Na ta način strokovnjak za področje, inženir umetne inteligence in označevalec ustvarijo in dostopajo do doslednih podatkov. S soglasjem boste na primer tudi omejili neskladja v tem, kaj predstavlja napako izdelka in zmanjšali lažne rezultate.
3. Bodite pripravljeni na ponovitev
Kljub vsem prizadevanjem prvi model UI verjetno ne bo deloval. To je zato, ker se bodo prikradle nedoslednosti pri označevanju ali kvalificiranju podatkov. Naloga prvega modela UI bo, da jih odkrije, nato pa naj proizvodni strokovnjak ugotovi, ali so pomembni ali ne. Inženirji UI lahko porabijo veliko časa za popravljanje modela, vendar se dejansko ne ukvarjajo s tem, kaj je pomembno za proizvodno operacijo. Z nenehnim ponavljanjem bosta vaš model in proces UI postajala vse boljša.
4. Izberite pravi projekt
Ne lotite se najprej največje težave. Poiščite jasno opredeljeno težavo in dajte nalogo UI. Če si zagotovite uspeh pri prvem projektu, tako v tovarni kot v ekipi inženirjev UI dokazali, da zmorete. Ta zagon bo pomagal pri spodbujanju vedno več projektov.
V dobi umetne inteligence, osredotočene na podatke, bo ključno imeti prave podatke, ne nujno velike podatke, tako da model UI meri, kar je potrebno, in lahko prinese rezultate tudi z omejenimi podatki. Ker bo tako veliko podjetij imelo le omejene podatke, bo pristop, osredotočen na podatke, razširil prednosti umetne inteligence na vedno več industrij.