ΤΕΧΝΙΚΗ ΠΛΗΡΟΦΟΡΗΣΗ ΣΤΗΝ ΠΑΡΑΓΩΓΗ: ΠΟΥ ΠΡΕΠΕΙ ΝΑ ΠΡΑΓΜΑΤΟΠΟΙΗΘΟΥΝ ΚΑΙ ΠΩΣ ΝΑ ΚΙΝΗΣΕΤΕ

Στον τομέα της μεταποίησης, η AI έχει ήδη βοηθήσει τους οργανισμούς να εξοικονομήσουν το κόστος και το χρόνο και τώρα βοηθά τα καθήκοντα βοήθειας όπως ο σχεδιασμός και η ανάπτυξη προϊόντων.

Η τεχνητή νοημοσύνη προσφέρει δυνατότητες για σημαντικά οφέλη σε διάφορους τομείς. Εκτός από την επιτάχυνση των εργασιών και τη μείωση των σφαλμάτων / επανεξέταση των υπαρχουσών λειτουργιών, η AI βοήθησε τους οργανισμούς να ξεκλειδώσουν νέες δυνατότητες στην αλυσίδα αξίας τους. Στον τομέα της μεταποίησης, η AI έχει ήδη βοηθήσει τους οργανισμούς να εξοικονομήσουν το κόστος και το χρόνο και τώρα βοηθά τα καθήκοντα βοήθειας όπως ο σχεδιασμός και η ανάπτυξη προϊόντων. Στην πρόσφατη έκθεσή μας σχετικά με την κλιμάκωση του AI στις επιχειρήσεις, θέλαμε να κατανοήσουμε περισσότερα σχετικά με τον αντίκτυπο της AI στην αλυσίδα αξίας των κατασκευαστών και όπου ο τομέας είναι ο μεγαλύτερος στην εφαρμογή του AI. Εξετάσαμε επίσης τους κρίσιμους παράγοντες στους οποίους πρέπει να επικεντρωθούν οι κατασκευαστές, προκειμένου να κλιμακώσουν αυτές τις περιπτώσεις χρήσης σε ολόκληρη την οργάνωσή τους. Για να απαντήσουμε σε αυτές τις ερωτήσεις, διεξήγαμε διεξοδική έρευνα σχετικά με τις εφαρμογές του AI σε 75 κορυφαίους παγκόσμιους οργανισμούς ο καθένας στον τομέα της αυτοκινητοβιομηχανίας, της αεροδιαστημικής και της άμυνας, της βιομηχανικής παραγωγής και των καταναλωτικών αγαθών. Επίσης, πραγματοποιήσαμε συνέντευξη από αρκετούς ειδικούς της βιομηχανίας για να συγκεντρώσουμε τις απόψεις τους σχετικά με τον αντίκτυπο που έχει επιφέρει η AI στην οργάνωσή τους. Λοιπόν, ποιες είναι οι περιπτώσεις χρήσης του AI που έχουν μεγαλύτερη σημασία για τους κατασκευαστικούς οργανισμούς;

ΕΥΚΑΙΡΗ ΣΥΝΤΗΡΗΣΗ

Η έξυπνη συντήρηση βοηθά τον οργανισμό να αντιμετωπίσει πολλές προκλήσεις με τις παραδοσιακές διαδικασίες συντήρησης. Η έγκαιρη και ακριβής συντήρηση των μηχανημάτων στο συνεργείο όχι μόνο βοηθά τους οργανισμούς να εξοικονομούν ακριβά κόστη, αλλά και μειώνει το κόστος που συνδέεται με την ίδια τη συντήρηση. Το ποσό της αποταμίευσης μόνο με την αποφυγή των διακοπών μπορεί να είναι τεράστιο, ειδικά για έναν μεγάλο κατασκευαστή. Η τεχνητή νοημοσύνη χρησιμοποιεί τα δεδομένα που λαμβάνονται από τους αισθητήρες που είναι τοποθετημένοι σε μηχανές μαζί με τα ιστορικά δεδομένα σχετικά με τις βλάβες του μηχανήματος για να προβλέπουν με ευφυή τρόπο πότε η μηχανή μπορεί να αποτύχει. Με βάση αυτές τις πληροφορίες, το σύστημα AI μπορεί να κάνει συστάσεις στο προσωπικό εξυπηρέτησης στο εργαστήριο, προσθέτοντας αυτές τις νέες πληροφορίες για να βελτιώσει τη δική του ακρίβεια στο μέλλον.

ΕΛΕΓΧΟΣ ΠΟΙΟΤΗΤΑΣ ΠΡΟΪΟΝΤΩΝ

Ο ποιοτικός έλεγχος αποτελεί ουσιαστικό μέρος της αλυσίδας αξίας των κατασκευαστών. Ένα προϊόν που δεν ανταποκρίνεται στα πρότυπα οδηγεί όχι μόνο σε απορρίμματα / σπατάλες, αλλά σε βαριά ρυθμιζόμενες βιομηχανίες όπως αγαθά αυτοκινήτων και καταναλωτικών προϊόντων, αυτό μπορεί επίσης να οδηγήσει σε βαριά πρόστιμα από τον ρυθμιστή. Εκτός από τις οικονομικές επιπτώσεις ενός κατώτερου προϊόντος, οι οργανώσεις αντιμετωπίζουν επίσης έναν κίνδυνο φήμης εάν ένα τέτοιο προϊόν το κάνει στο χέρι του πελάτη. Το AI μαζί με την όραση μηχανής μπορούν να βοηθήσουν τους κατασκευαστές να αντιμετωπίσουν αποτελεσματικά τα ζητήματα ποιότητας στο εργαστήριο. Ένα σύστημα AI μπορεί να εκπαιδευτεί με ένα μεγάλο σύνολο εικόνων που συλλέγονται από τις κάμερες του συνεργείου. Το σύστημα AI χρησιμοποιεί αυτές τις γνώσεις για να συγκρίνει με τα προϊόντα που βρίσκονται σε διαδικασία επεξεργασίας για τον εντοπισμό ελαττωματικών προϊόντων, τα οποία στη συνέχεια μπορούν να αφαιρεθούν από τη ροή της διαδικασίας για ανακατασκευή / θραύσματα.

ΣΧΕΔΙΑΣΜΟΣ ΖΗΤΗΣΗΣ

Η ακριβής μέτρηση της καταναλωτικής ζήτησης είναι απαραίτητη για τους κατασκευαστές. Ενώ η υπερεκτίμηση της ζήτησης μπορεί να οδηγήσει σε αυξημένο κόστος αποθεμάτων, η υποτίμηση της ζήτησης έχει ως αποτέλεσμα απώλεια εσόδων. Οι κατασκευαστές χρησιμοποιούν τη μηχανική μάθηση για να προβλέψουν τις μεταβολές της ζήτησης όσο το δυνατόν πιο στενά. Τα συστήματα βασισμένα στο AI μπορούν να εκπαιδευτούν χρησιμοποιώντας δεδομένα από ιστορικές πωλήσεις, δεδομένα τρίτων, π.χ. κοινωνικά μέσα ενημέρωσης και άλλα ειδικά για τον τομέα δεδομένα, για να προβλέψουν τη μελλοντική βάση της ζήτησης από τον καταναλωτή για το πώς απαιτεί ένας συγκεκριμένος συνδυασμός γεγονότων. Αυτό επιτρέπει στους κατασκευαστές να πραγματοποιούν τις απαραίτητες αλλαγές στα χρονοδιαγράμματα παραγωγής και την προμήθεια πρώτων υλών, εξοικονομώντας έτσι κόστος και βελτιώνοντας τη συνολική παραγωγικότητα.

ΑΛΛΑ ΟΤΙ ΟΙ ΟΡΓΑΝΩΣΕΙΣ ΜΠΟΡΟΥΝ ΝΑ ΠΑΡΟΥΣΟΥΝ ΑΙ ΣΕ ΚΛΙΜΑΚΑ;

Μία από τις μεγαλύτερες προκλήσεις που αντιμετωπίζουν οι κατασκευαστές κινείται από την απόδειξη της ιδέας (POC) έως την κλιμάκωση των εφαρμογών των περιπτώσεων χρήσης του AI. Για παράδειγμα, στην αυτοκινητοβιομηχανία, διαπιστώσαμε ότι μέχρι τα μέσα του 2017, μόνο το 10% των ΚΑΕ αυτοκινήτων πραγματοποίησαν εκτεταμένες εφαρμογές στην κλίμακα. Αυτός ο αριθμός αυξήθηκε μόνο οριακά σε 14% μέχρι τον Ιανουάριο του 2019. Με βάση τη δική μας εμπειρία να βοηθήσουμε τους μεγάλους οργανισμούς να μεγιστοποιήσουν την ΑΠ και τις εισροές αυτών των εμπειρογνωμόνων, περιγράφουμε τα βασικά βήματα που μπορούν να λάβουν οι κατασκευαστές για να ξεπεράσουν αυτήν την πρόκληση.

ΑΠΟΤΕΛΕΣΜΑΤΙΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΣΕ ΠΡΑΓΜΑΤΙΚΑ ΠΕΡΙΒΑΛΛΟΝΤΑ

Μόλις μια περίπτωση χρήσης AI αποδείξει την αξία της σε ένα ελεγχόμενο περιβάλλον, οι οργανισμοί πρέπει να την αναπτύξουν σε ένα ζωντανό περιβάλλον για να μάθουν νέα σενάρια και να βελτιώσουν την ακρίβεια. Το σύστημα AI θα πρέπει επίσης να ενσωματωθεί με τα υπάρχοντα συστήματα ΤΠ σε αυτό το πρώιμο στάδιο, ώστε να αποφευχθούν τυχόν ζητήματα ενσωμάτωσης καθώς η περίπτωση χρήσης αναπτύσσεται σε κλίμακα.

ΕΠΕΝΔΥΣΤΕ ΣΤΗΝ ΚΑΘΟΡΙΣΜΟΣ ΤΟΥ ΙΔΡΥΜΑΤΟΣ ΤΩΝ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΤΩΝ ΣΥΣΤΗΜΑΤΩΝ ΑΙ ΚΑΙ ΤΑΛΕΝΤ

Η επένδυση σε θεμελιώδεις τεχνολογίες και δεξιότητες AI είναι επίσης καθοριστική για τη μακροπρόθεσμη επιτυχία. Αυτό επιτρέπει στους οργανισμούς να διατηρούν την ορμή όταν η αξία του AI έχει αποδειχθεί από τις πρώτες περιπτώσεις χρήσης. Βοηθά επίσης στη δημιουργία επαναλαμβανόμενων, ταχύτερων και ευκολότερων μετακινήσεων νέων εφαρμογών AI στο μέλλον. Οι κατασκευαστές πρέπει επίσης να εργαστούν για την ανάπτυξη της δικής τους δεξαμενής ταλέντων που μπορεί να πάρει αυτές τις περιπτώσεις χρήσης AI να κλιμακωθεί.

ΚΑΛΩΣΟΡΙΣΤΕ ΤΗ ΛΥΣΗ ΤΟΥ AI ΣΤΟ ΔΙΚΤΥΟ

Μόλις δημιουργηθεί η βάση δεδομένων και το ταλέντο, ο οργανισμός μπορεί να μετακινήσει την εφαρμογή AI στην πλατφόρμα AI για να την καταστήσει προσβάσιμη παγκοσμίως. Η ίδια η πλατφόρμα μπορεί να φιλοξενηθεί στο σύννεφο για να μειώσει το κόστος και τη φορητότητα της βοήθειας. Η μεταποιητική βιομηχανία πρέπει επίσης να παρακολουθεί εκ του σύνεγγυς την απόδοση της εφαρμογής ΑΙ σε κρίσιμες παραμέτρους όπως η συνολική επιχειρηματική αξία, η ανάγκη επανεκπαίδευσης και η ακρίβεια. Εκτός κι αν κινούνται περισσότεροι οργανισμοί από τους πιλότους και τις αποδείξεις της ιδέας σε κλίμακα, τότε μια νέα εποχή 4.0 στην κατασκευή θα παραμείνει ακόμα ένας φευγαλέος στόχος. Με την υιοθέτηση στρατηγικής που βασίζεται στην κλίμακα - η οποία εστιάζει τις προσπάθειες στις πιο πολύτιμες περιπτώσεις χρήσης και καθορίζει ισχυρή διακυβέρνηση, πλατφόρμες και ταμεία ταλέντων - οι κατασκευαστές μπορούν να μετατρέψουν τις επαναστατικές δυνατότητες του AI στην επόμενη βιομηχανική επανάσταση.

Αυτό το άρθρο δημοσιεύθηκε για πρώτη φορά στον The Machinist.