مزاحمان پذیرش هوش مصنوعی در تولید
تحولات اخیر جهانی و فهرست روزافزون شوک‌ها و اختلالات، فشار بیشتری بر زنجیره‌های ارزش جهانی متزلزل وارد کرده است. پیچیدگی چالش‌های کنونی که بر تولید و زنجیره‌های ارزش تاثیر می‌گذارند، نیاز به فراتر رفتن از ابزارهای سنتی، نیروی کار و محیط‌زیست را می‌طلبد. بررسی هزار کارخانه پیشرو توسط شرکت مکنزی نشان می‌دهد که سه ابرروند قابلیت اتصال، هوشمندی و اتوماسیون انعطاف‌پذیر، شکل دهنده کارخانه‌های...
به گزارش معاونت بررسی های اقتصادی اتاق بازرگانی تهران، مرکز انقلاب صنعتی چهارم ترکیه ، همراه با پلتفرم مجمع جهانی اقتصاد برای شکل دادن به آینده تولید پیشرفته و زنجیره‌های ارزش و پلتفرم شکل دهی به آینده فناوری حکمرانی؛ هوش مصنوعی و یادگیری ماشین، گروه‌هایی از صنعت ، فناوری و کارشناسان دانشگاهی را برای روشن کردن چالش ها و پیشنهاد رویکرد گام به گام برای غلبه بر آنها گرد هم آورده است. این مشاوره‌ها شش چالش اصلی را بررسی کرده که مانع پذیرش و مقیاسبندی برنامه های کاربردی هوش مصنوعی در تولید می‌شوند. این شش‌چالش شامل عدم‌تطابق بین قابلیت های هوش مصنوعی و نیازهای عملیاتی ، نبود رویکرد استراتژیک و ارتباطات رهبری، مهارت‌های ناکافی در حوزه مشترک هوش مصنوعی و عملیات تولید، در دسترس بودن داده‌ها و نبود ساختار حکمرانی داده، فقدان مدل‌های هوش مصنوعی قابل توضیح در بخش تولید و تلاش‌های قابل‌توجه سفارشی سازی در سراسر عملیات تولید است.
بررسی ها نشان می‌دهد که تولیدکنندگان پیشرو با موفقیت بر چالش های ذکرشده غلبه کرده‌اند. با اجرای انواع برنامه های کاربردی هوش مصنوعی و تاثیر مثبت بر عملکرد عملیاتی ، پایداری و مشارکت نیروی کار، عمدتا در شش حوزه شامل سلامت و ایمنی ، کیفیت ، تعمیر و نگهداری، فرآیندهای تولید، زنجیره تامین و مدیریت انرژی ایجاد شده است . این مطالعه نشان داده است که می توان با یک رویکرد کل‌نگر، پتانسیل های دست‌نخورده هوش مصنوعی را کشف کرد. توسعه برنامه های کاربردی مبتنی بر هوش مصنوعی با بسترسازی و برخی مراحل اساسی آغاز می‌شود و با یک رویکرد گام به گام و مرحله ای و مجموعه ابزار موردنیاز، بخش تولید می تواند چشم‌اندازهای جدیدی را برای غلبه بر چالش های مهم خود به دست آورد.
باز کردن قفل ارزش در تولید از طریق هوش مصنوعی
انقلاب هوش مصنوعی تبدیل مقادیر زیادی از داده‌ها به بینش ها و پیش‌بینی های عملی را امکان‌پذیر می‌کند که می توانند انگیزهایی برای فرآیندهای داده‌محور ایجاد کنند. شرکت‌های تولیدی با استفاده از مکانیزم‌های مختلف ، ارزش را از هوش مصنوعی می گیرند که رایج ترین آنها حذف کارهای زائد، حل مشکلات موجود و آشکار کردن ارزش‌های پنهان با تجزیه و تحلیل و شناسایی الگوها در داده‌هاست. هوش مصنوعی برای تقویت وظایفی مانند طبقه‌بندی، تخمین مستمر، خوشه بندی، بهینه سازی، تشخیص ناهنجاری، رتبه‌بندی، توصیه ها و تولید داده برای حل مشکلات صنعتی استفاده می‌شود.
رایزنی با مدیران ارشد پلتفرم مجمع جهانی اقتصاد برای شکل دهی به آینده تولید پیشرفته و زنجیره‌های ارزش و پلتفرم شکل دهی به آینده حکمرانی فناوری: هوش مصنوعی و یادگیری ماشین و همچنین اعضا و شرکای مرکز انقلاب صنعتی چهارم ترکیه ، مشخص می‌کند که هوش مصنوعی می تواند به ایجاد تغییر کلی در تولید کمک کند و مزایای قابل‌توجهی در حوزه های عملکرد عملیاتی با خودکارسازی و بهینه سازی فرآیندها و وظایف معمول، افزایش بهره‌وری و کارآیی عملیاتی ، بهبود کیفیت (به عنوان مثال کاهش عیوب، پیش‌بینی خرابی های ناخواسته ) و بهینه سازی پارامترهای تولید، پایداری با بهینه سازی مصرف مواد و انرژی، افزایش بازده انرژی، کاهش نرخ ضایعات و افزایش طول عمر دستگاه، افزایش کارآمدی نیروی کاری با هدایت فرآیند تصمیم‌گیری و تنظیم پارامترها و افزایش دقت پیش‌بینی ها داشته باشد.
موانع مشترک برای پذیرش هوش مصنوعی صنعتی
با وجود این پتانسیل ، شرکت‌ها هنوز به طور کامل چشم انداز سیستم‌های تولیدی مبتنی بر هوش مصنوعی را درک نکرده‌اند. به‌منظور باز کردن ارزش دست نخورده هوش مصنوعی صنعتی ، مشخص کردن منبع تلاش‌های یک شرکت و تعریف موانع ، مسیر جدیدی را برای اندیشیدن و استخراج راه‌حل های مناسب برای غلبه بر آنها باز می‌کند. از آنجا که موانع پذیرش هوش مصنوعی عمدتا سازمانی ، استراتژیک و فنی است، درک آنها به شناسایی مسیری برای پیاده‌سازی برنامه های کاربردی هوش مصنوعی مقیاس‌پذیر کمک می‌کند. رایزنی با بیش از 35مدیر ارشد عملیات، کارشناسان فناوری و دانشگاهیان، شش چالش را شناسایی کرده است که مانع پذیرش هوش مصنوعی در تولید و زنجیره ارزش می‌شوند.
نبود تطابق بین قابلیت های هوش مصنوعی و نیازهای عملیاتی
تولیدکنندگان اغلب پروژه‌های هوش مصنوعی را براساس قابلیت های فنی موجود به جای تمرکز بر تاثیر بر عملیات تجاری انتخاب می‌کنند. تطابق بین نقاط فشار کسب‌وکار و فناوری‌های هوش مصنوعی همیشه به طور کامل در نظر گرفته نمی‌شود. بنابراین ، راه‌حل های هوش مصنوعی ممکن است از نظر فنی امکان‌پذیر باشند، اما نتوانند یک مشکل مرتبط و تاثیرگذار را حل کنند.
این عملیات باعث عدم‌تطابق انتظارات و مانع پذیرش گسترده‌تر آنها در تولید می‌شود. ساختن یک مورد تجاری محکم با رویکردی مشکل گرا که نیازهای کسب‌وکار را به وضوح تعریف می‌کند و ارزش یک راه‌حل هوش مصنوعی را در مقایسه با راه‌حل های جایگزین مشخص می‌کند، اولین قدم‌ها برای غلبه بر این مانع به‌منظور پذیرش است .
فقدان رویکرد استراتژیک و ارتباطات رهبری
استراتژی هوش مصنوعی و برنامه ارتباطی واضح در شرکت‌ها اغلب نادیده گرفته می‌شود. بدون حامیان مالی مناسب و رهبران متعهد برای شروع گفت‌وگو و جمع آوری نیاز از کاربران نهایی ، نصب برنامه های هوش مصنوعی در سراسر شرکت امکان‌پذیر نیست . از آنجا که هوش مصنوعی روش‌های کار را تغییر می‌دهد، بی میلی نیروی کار می‌تواند مانع بزرگی در عمل باشد. اما برقراری ارتباط با رویکردهای استراتژیک و تبیین مزایا و فرآیندهای جدید می تواند به افزایش تمایل کاربران نهایی برای پذیرش آن در کارهای روزمره کمک کند.
مهارت‌های ناکافی در حوزه مشترک هوش مصنوعی و عملیات
مشاوران خارجی یا کارشناسان فناوری اطلاعات که درک محدودی از الزامات تولید در سطح محیط عملیاتی تولید دارند، اغلب پروژه‌های هوش مصنوعی را رهبری می‌کنند. با این حال، برای موفقیت برنامه های کاربردی نیازمند هوش مصنوعی، این افراد باید در قالب تیم هایی توسعه یابند و پیاده‌سازی توسط تیم های متقابل با تخصص های متنوع در زمینه همگرایی فناوری اطلاعات، فناوری عملیاتی ، داده‌ها و فناوری‌های هوش مصنوعی می تواند به موفقیت پروژه‌ها در محیط عملیاتی تولید کمک شایانی کند. این امر مستلزم ارتقای مهارت نیروی کار و جذب استعدادهای جدید در تولید است .
دردسترس بودن داده‌ها و نبود ساختار حکمرانی داده
استفاده از مدل‌های یادگیری ماشینی نیازمند آموزش روی مقادیر زیادی از داده‌ها برای تشخیص الگوها و روابط است . با این حال، شرکت‌های تولیدی اغلب بر مجموعه داده‌های کوچک و داده‌های تکه‌تکه تکیه می‌کنند که مانع از دقت بینش های حاصل می‌شود. حتی در صورت موجود بودن، این مجموعه داده‌ها ممکن است موارد شکست مناسب یا موقعیت های فرآیند مربوطه را نشان ندهند و عمدتا قابل تعامل نیستند.
ایجاد منبع اطلاعاتی واحد تضمین می‌کند که کسب‌وکارها براساس داده‌های استانداردشده و مرتبط در سراسر سازمان عمل می‌کنند. برای غلبه بر این چالش ، به اشتراک‌گذاری داده‌ها در سراسر مرزهای شرکت‌ها می تواند از تلاش‌های مشترک برای اتخاذ تکنیک های هوش مصنوعی در بخش تولید حمایت کرده و به نوبه خود بر مجموعه ای از عوامل موفقیت سازمانی و فناوری تکیه کند.
فقدان مدل‌های هوش مصنوعی قابل توضیح در بخش تولید
درک مدل‌های هوش مصنوعی به عنوان سیستم‌های پیچیده، غیرشفاف و غیرقابل تفسیر، مانع استقرار آنها می‌شود. تولیدکنندگان به مدل‌های هوش مصنوعی نیاز دارند که برای ایجاد اعتماد در پیش‌بینی ها و نتایج خاص یا قابل تفسیر برای کارشناسان حوزه در جهت پذیرش آنها باز و شفاف باشند. پیش‌بینی های ارائه شده توسط هوش مصنوعی باید معنادار و قابل توضیح ، دقیق و دارای مکانیزم هشداردهنده برای به حداقل رساندن خطرات باشند. ابزارها و تکنیک های قابل توضیح هوش مصنوعی به متخصصان اجازه می‌دهند تا نتایج خود را در قالبی توجیه کنند که کاربران سازنده بتوانند آن را درک کنند. هرچه اعتماد به خروجی مبتنی بر هوش مصنوعی بیشتر باشد، استقرار هوش مصنوعی سریع تر و گسترده‌تر می تواند اتفاق بیفتد.
تلاش‌های قابل‌توجه برای سفارشی سازی در سراسر عملیات تولید
کارخانه ها سیستم‌های مهندسی پیچیده‌ای هستند و مدل‌های هوش مصنوعی برای تطبیق با هر فرآیند و مطابقت با محدودیت‌های آن به پیکربندی نیاز دارند. از این رو نمی‌توان به سادگی مدل‌های آموزش‌دیده هوش مصنوعی را از یک مورد کاربرد تولیدی به مورد دیگر اعمال کرد. طراحی یک مجموعه یادگیری ماشین و پیش پردازش، آموزش و آزمایش مدل‌های هوش مصنوعی برای سفارشی سازی نیاز به مداخله دستی دارد که هنوز کاملا خودکار نیست . علاوه بر این ، شرکت‌های صنعتی برای یافتن سخت‌افزار و نرم‌افزار تجاری در دسترس با ویژگی های هوش مصنوعی که نیاز به سفارشی سازی جزئی دارند، تلاش می کنند. روشن کردن این چالش ها و درک آنها می تواند به شناسایی راه‌حل ها و رویکردهای مناسب برای غلبه بر آنها کمک کند.
فرصت های هوش مصنوعی
هوش مصنوعی می تواند برخی از پایدارترین مشکلات در تولید را حل کند و فرصت های جدیدی خلق کند که به شرکت‌ها اجازه می‌دهد عملکرد عملیاتی خود را افزایش دهند، دستور کار پایداری را پیش ببرند و نیروی کار را توانمند کنند. در حالی که چالش های سازمانی و فناوری هنوز مانع استقرار برنامه های کاربردی هوش مصنوعی در مقیاس بزرگ هستند، تولیدکنندگان پیشرو با موفقیت از پتانسیل مشتق‌شده از هوش مصنوعی استفاده کرده و طیف گسترده‌ای از موارد کاربرد را برای سلامت و ایمنی ، کیفیت ، تعمیر و نگهداری، فرآیند تولید، زنجیره‌های تامین و مدیریت منابع و انرژی با استفاده از یک رویکرد گام به گام توسعه داده‌اند. مدیران ارشد شرکت‌ها می توانند برنامه های کاربردی مرتبط را شناسایی کرده و با موفقیت آنها را پیاده‌سازی کنند. دیجیتالی شدن و هوش مصنوعی می توانند عصر جدیدی را برای بهبود مستمر در تولید فراتر از ابزارهای سنتی افزایش بهره‌وری ایجاد و در نتیجه ارزش بیشتری خلق کنند. اگرچه سازندگان پیشرو قبلا از مزایای قابل‌توجهی از برنامه های هوش مصنوعی بهره برده‌اند، اما برخی هنوز در تلاش برای شروع و به دنبال چارچوب مشترکی هستند که راه را برای استقرار هوش مصنوعی در تولید با بازگشت سرمایه مثبت هموار کند.
--> اخبار مرتبط