تاریخ: ۱۴ اسفند ۱۴۰۲ ، ساعت ۰۱:۱۷
بازدید: ۷۱
کد خبر: ۳۳۴۶۶۵
سه‏‏ ابرروند شکل‏‏‌دهنده کارخانه‏‏‌های آینده کدامند؟

مزاحمان پذیرش هوش مصنوعی در تولید

مزاحمان پذیرش هوش مصنوعی در تولید
‌می‌متالز - 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.

به گزارش می‌متالز، بررسی‏‏ هزار کارخانه‏‏ پیشرو توسط‏‏ شرکت‏‏ مکنزی نشان می‌دهد که سه‏‏ ابرروند قابلیت‏‏ اتصال، هوشمندی و اتوماسیون انعطاف‏‏‌پذیر، شکل‏‏‌‏‏‌دهنده کارخانه‏‏‌های آینده خواهند بود؛ بنابراین یکی‏‏ از ‏‏ ویژگی‏‏‌های مهم کارخانه‏‏‌های آینده، به‏‏ نحوه تعامل‏‏ آن‌ها با هوش مصنوعی‏‏ برمی‏‏‌گردد. اما به‌کارگیری هوش مصنوعی‏‏ در صنعت‏‏ در دو سطح‏‏ مختلف‏‏ چالش‏‏ برانگیز است‏‏‌: اول اینکه‏‏ نیروی انسانی‏‏ باید مهارت لازم را برای تعامل‏‏ و استفاده از هوش مصنوعی‏‏ دارا باشد؛ دوم اینکه‏‏ قابلیت‌های کارخانه‏‏ باید به‏‏ اندازه‌ای بالا برود که‏‏ بتواند از هوش مصنوعی‏‏ خلق‏‏ ارزش کند.

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 چالش‌ها 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 برنامه‌های کاربردی هوش مصنوعی در تولید می‌شوند. این شش‌چالش شامل عدم‌تطابق بین قابلیت‌های 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.

بررسی‌ها نشان می‌دهد که تولیدکنندگان پیشرو با موفقیت بر چالش‌های ذکرشده غلبه کرده‌اند. با اجرای انواع برنامه‌های 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 می‌توان با یک رویکرد کل‌نگر، پتانسیل‌های دست‌نخورده هوش مصنوعی را کشف کرد. توسعه برنامه‌های کاربردی مبتنی بر هوش مصنوعی با بسترسازی و برخی مراحل اساسی آغاز می‌شود و با یک رویکرد گام به گام و مرحله‌ای و مجموعه ابزار موردنیاز، بخش تولید می‌تواند چشم‌انداز‌های جدیدی را برای غلبه بر چالش‌های مهم خود به دست آورد.

باز کردن قفل ارزش در تولید از طریق هوش مصنوعی

انقلاب هوش مصنوعی تبدیل مقادیر زیادی از داده‌ها به بینش‌ها و پیش‌بینی‌های عملی را امکان‌پذیر می‌کند که می‌توانند انگیز‌هایی برای فرآیند‌های داده‌محور ایجاد کنند. شرکت‌های تولیدی با استفاده از مکانیزم‌های مختلف، ارزش را از هوش مصنوعی می‌گیرند که رایج‌ترین 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، توصیه‌ها 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 می‌تواند به ایجاد تغییر کلی در تولید کمک کند و مزایای قابل‌توجهی در حوزه‌های عملکرد عملیاتی با خودکارسازی و بهینه سازی فرآیند‌ها و وظایف معمول، افزایش بهره‌وری و کارآیی عملیاتی، بهبود کیفیت (به عنوان مثال کاهش عیوب، پیش‌بینی خرابی‌های 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 پیش‌بینی‌ها 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 راه‌حل‌های 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 برنامه‌های کاربردی هوش مصنوعی مقیاس‌پذیر کمک می‌کند. رایزنی با بیش از ٣٥مدیر 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 قابلیت‌های هوش مصنوعی و نیاز‌های عملیاتی

تولیدکنندگان اغلب پروژه‌های هوش مصنوعی را براساس قابلیت‌های 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، راه‌حل‌های 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 راه‌حل‌های 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 گفتگو و جمع آوری نیاز از کاربران نهایی، نصب برنامه‌های 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 می‌تواند 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 برنامه‌های کاربردی نیازمند هوش مصنوعی، این افراد باید در قالب تیم هایی توسعه یابند و پیاده‌سازی توسط تیم‌های متقابل با تخصص‌های متنوع در زمینه همگرایی فناوری اطلاعات، فناوری عملیاتی، داده‌ها و فناوری‌های هوش مصنوعی می‌تواند 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 بینش‌های حاصل می‌شود. حتی در صورت موجود بودن، این مجموعه داده‌ها ممکن است موارد شکست مناسب یا موقعیت‌های 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 می‌تواند از تلاش‌های مشترک برای اتخاذ تکنیک‌های هوش مصنوعی در بخش تولید حمایت کرده و به نوبه خود بر مجموعه‌ای 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 پیش‌بینی‌ها و نتایج خاص یا قابل تفسیر برای کارشناسان حوزه در جهت پذیرش آن‌ها باز و شفاف باشند. پیش‌بینی‌های ارائه شده توسط هوش مصنوعی باید معنادار و قابل توضیح، دقیق و دارای مکانیزم هشداردهنده برای به حداقل رساندن خطرات باشند. ابزار‌ها و تکنیک‌های 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 سریع‌تر و گسترده‌تر می‌تواند اتفاق بیفتد.

تلاش‌های قابل‌توجه برای سفارشی سازی در سراسر عملیات تولید

کارخانه‌ها 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 ویژگی‌های هوش مصنوعی که نیاز به سفارشی سازی جزئی دارند، تلاش می‌کنند. روشن کردن این چالش‌ها و درک آن‌ها می‌تواند به شناسایی راه‌حل‌ها و رویکرد‌های مناسب برای غلبه بر آن‌ها کمک کند.

فرصت‌های هوش مصنوعی

هوش مصنوعی می‌تواند برخی از پایدارترین مشکلات در تولید را حل کند و فرصت‌های 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 چالش‌های سازمانی و فناوری هنوز مانع استقرار برنامه‌های 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 می‌توانند برنامه‌های کاربردی مرتبط را شناسایی کرده و با موفقیت آن‌ها را پیاده‌سازی کنند. دیجیتالی شدن و هوش مصنوعی می‌توانند 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 برنامه‌های 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.

منبع: دنیای اقتصاد

عناوین برگزیده
دستاورد‌های فولاد مبارکه با در نظر گرفتن محدودیت‌ها خیلی بهتر مشخص می‌شود/ تولید ۵ محصول جدید در فولاد مبارکه تا پایان امسال/ حل بحران آب صنایع استان اصفهان تا ۲ ماه آینده/ افزایش ۱۴.۷ درصدی سود فولاد مبارکه نسبت به مدت مشابه در ۶ ماه نخست امسال/ ما تا پایان سال آینده محدودیت انرژی برق را نخواهیم داشت
مدیرعامل شرکت فولاد مبارکه:

دستاورد‌های فولاد مبارکه با در نظر گرفتن محدودیت‌ها خیلی بهتر مشخص می‌شود/ تولید ۵ محصول جدید در فولاد مبارکه تا پایان امسال/ حل بحران آب صنایع استان اصفهان تا ۲ ماه آینده/ افزایش ۱۴.۷ درصدی سود فولاد مبارکه نسبت به مدت مشابه در ۶ ماه نخست امسال/ ما تا پایان سال آینده محدودیت انرژی برق را نخواهیم داشت